Fish Audio がクリエイターや企業向けに表現力豊かな AI 音声モデルを構築するために 5,000 万ドルのシードを調達

パロアルトに拠点を置く Fish Audio は、Coreline Ventures と Capital Today が主導する 5,000 万ドルのシードを確保し、オープンソースの音声 AI モデルで 800 万人のユーザーと 2,100 万ドルの ARR にサービスを提供しました。

パロアルトに本拠を置き、表現力豊かな AI 音声モデルを構築する新興企業である Fish Audio は、クリエイティブとエンタープライズの両方のユースケース向けにプラットフォームを拡張するために、シードラウンドで 5,000 万ドルを調達しました。 TechCrunchの報道によると、この資金調達ラウンドはCoreline VenturesとCapital Todayが主導し、359 Capital、Parable、Play Time、Alphalist Partners、Bayhouse Ventures、Carya Venture Partners、HF0が参加した。

このラウンドはAI音声生成分野におけるシードファイナンスの中でも大規模なものの1つであり、すでに大きな牽引力を築いている同社に対する投資家の信頼を反映している。 Fish Audio は現在、800 万人以上が自社モデルのオープンソースまたはホスト型バージョンを使用しており、年間 2,100 万ドルの経常収益を生み出しています。このスタートアップの急速な成長は、AI 業界の拡大の広範な波の一部であり、相当なベンチャーキャピタルを引き付け続けています。

シングル GPU プロジェクトから 800 万ユーザーへ

Fish Audio は、元 Nvidia 研究者である Shijia Liao による小規模なサイドプロジェクトとして始まりました。彼は、当時市場に出回っていた平板で表現力のない合成音声に不満を抱いていました。 Liao は単一の GPU で音声生成モデルをトレーニングし、それをオープンソース化しました。 Fish Speech として知られるこの初期のプロジェクトは、その後、GitHub 上で 31,000 を超えるスターを獲得するリポジトリに成長し、独立系開発者、ビデオゲームデザイナー、コンテンツクリエイターによって使用されています。

昨年、同社は 5 つのモデル (4 つの音声生成モデルと 1 つの音声テキスト変換モデル) を発表しました。同社は 3 つの音声生成モデルをオープンソース化していますが、最新リリースの S2.1 Pro は有料 API を通じてのみ利用できます。このハイブリッドオープンコア戦略により、Fish Audio は最先端の機能を収益化しながら、大規模な開発者コミュニティを構築することができました。

あらゆるユースケースに対応した音声モデル

同社によれば、Fish Audio の特徴は、提供するコントロールの幅広さだという。このプラットフォームには 15,000 を超える自然言語コントロールのライブラリが含まれており、ユーザーは生成された音声の響きを微調整することができ、トーン、感情、ペース、スタイルを調整できます。

CEO兼共同創設者のリッサ・カオ氏はTechCrunchに対し、同社の企業顧客は非常に異なるニーズにまたがっていると語った。 Fish Audio の音声を使用して AI アバターを強化する HeyGen のような企業は、リアリズムを優先しています。ゲームスタジオは、キャラクターに表現力豊かな声を求めています。 LiveKit のような音声エージェント企業は、生の電話での通話に十分な表現力を維持できる、自然な響きの低遅延音声を必要としています。

「企業ごとにユースケースも異なり、好みも異なります」と Cao 氏は言います。その他の顧客には、アクセント翻訳に注力する Sanas 社や、AI を活用した録音デバイスを製造する Plaud 社が含まれます。 Fish Audio は、クリエイターやチーム向けに、一定の時間分の生成と音声クローン機能、および API のエンタープライズバージョンのロックを解除する有料の月額プランを提供しています。

ユーザーの貢献による音声ライブラリの構築

Fish Audio が音声ライブラリを拡張した方法の 1 つは、トレーニングモデル用にユーザー自身の音声録音を提出するよう呼びかけ、ユーザーの音声が使用されるときに補正することです。このクラウドソーシングのアプローチは、同社が多様なカタログを構築するのに役立ちましたが、課題も生み出しました。

数か月前、一部のクリエイターは自分たちの声が同意なしにFish Audioのプラットフォームにアップロードされたと主張した。このスタートアップには DMCA コンテンツ削除プロセスが導入されていましたが、そのプロセスは遅かったです。 Cao氏はTechCrunchに対し、同社はその後、こうした懸念により迅速に対処するために削除プロセスを自動化したと語った。

この論争は、AI音声業界における緊張の高まりを浮き彫りにしている。合成音声テクノロジーが向上するにつれて、許可された使用と不正な使用の境界線を取り締まることが難しくなります。特に音声のクローン作成は、なりすましや詐欺に対する懸念を引き起こしており、いくつかの国の規制当局は、AI によって生成された音声を管理する法的枠組みを調査し始めています。

競争が激しく混雑した市場

AI 音声分野においては、Fish Audio だけが存在するわけではありません。競合他社には、数億ドルを調達し、市場リーダーとして広く認識されているイレブンラボや、大手テクノロジー企業の製品が含まれます。しかし、Fish Audio はオープンソースモデルとその大規模な開発者コミュニティに重点を置いているため、独特の地位を築いています。

5,000 万ドルのシードラウンドにより、同社はモデルの品質で競争し、エンタープライズ向けの販売活動を拡大し、音声クローン技術に伴う法的および倫理的な問題を解決するための滑走路を得ることができます。すでに年間 2,100 万ドルの経常収益を誇る Fish Audio は、シード段階の企業にとって意味のある収益を生み出しており、表現力豊かで制御可能な AI 音声に対する需要が目新しいものをはるかに超えていることを示唆しています。

このスタートアップが収益性の高いエンタープライズビジネスを構築しながら、オープンソースの勢いを維持できるかどうかはまだわかりません。しかし、ラウンドの規模と参加する投資家の質は、AI 生成音声の市場がまだ初期段階にあることを示しており、投資家はインディーズクリエイターと大企業の両方に対応する会社に大きなプラスの可能性があると考えていることがわかります。