फिश ऑडिओ, पालो अल्टो-आधारित स्टार्टअप बिल्डिंग एक्स्प्रेसिव्ह एआय व्हॉइस मॉडेल्सने, सर्जनशील आणि एंटरप्राइझ वापर दोन्ही प्रकरणांसाठी प्लॅटफॉर्म विस्तारित करण्यासाठी सीड राउंडमध्ये $50 दशलक्ष जमा केले आहेत. टेकक्रंचने दिलेल्या अहवालानुसार, फंडिंग फेरीचे नेतृत्व कोरलाइन व्हेंचर्स आणि कॅपिटल टुडे यांनी केले होते, ज्यामध्ये 359 कॅपिटल, पॅरेबल, प्ले टाइम, अल्फालिस्ट पार्टनर्स, बेहाऊस व्हेंचर्स, कॅरिया व्हेंचर पार्टनर्स आणि HF0 यांचा सहभाग होता.

AI व्हॉईस जनरेशन स्पेसमधील मोठ्या बियाण्यांच्या वित्तपुरवठ्यांपैकी एक फेरी ही एक आहे, जी आधीच महत्त्वपूर्ण कर्षण निर्माण केलेल्या कंपनीवर गुंतवणूकदारांचा विश्वास दर्शवते. फिश ऑडिओ आता त्याच्या मॉडेल्सच्या ओपन-सोर्स किंवा होस्ट केलेल्या आवृत्त्यांचा वापर करून 8 दशलक्षाहून अधिक लोकांची गणना करते आणि वार्षिक आवर्ती कमाईमध्ये $21 दशलक्ष उत्पन्न करते. स्टार्टअपची जलद वाढ हा AI उद्योग विस्ताराच्या व्यापक लाटेचा एक भाग आहे जो भरीव उद्यम भांडवल आकर्षित करत आहे.

सिंगल-जीपीयू प्रोजेक्टपासून 8 दशलक्ष वापरकर्त्यांपर्यंत

फिश ऑडिओची सुरुवात शिजिया लियाओ या माजी एनव्हीडिया संशोधकाने एक छोटा साईड प्रोजेक्ट म्हणून केली होती, जी तेव्हा बाजारात उपलब्ध असलेल्या सपाट, नॉन-एक्सप्रेसिव सिंथेटिक आवाजामुळे निराश होते. Liao ने एकाच GPU वर व्हॉइस जनरेशन मॉडेलचे प्रशिक्षण दिले आणि ते ओपन सोर्स केले. फिश स्पीच म्हणून ओळखला जाणारा तो सुरुवातीचा प्रकल्प, तेव्हापासून GitHub वर 31,000 हून अधिक तारे असलेल्या भांडारात वाढला आहे, ज्याचा वापर स्वतंत्र विकासक, व्हिडिओ गेम डिझाइनर आणि सामग्री निर्माते करतात.

मागील वर्षात, कंपनीने पाच मॉडेल लॉन्च केले आहेत: चार स्पीच जनरेशन मॉडेल आणि एक स्पीच-टू-टेक्स्ट मॉडेल. त्याचे तीन स्पीच जनरेशन मॉडेल्स ओपन-सोर्स केलेले आहेत, तर त्याचे नवीनतम रिलीझ, S2.1 Pro, केवळ सशुल्क API द्वारे उपलब्ध आहे. या हायब्रिड ओपन-कोर स्ट्रॅटेजीने फिश ऑडिओला त्याच्या सर्वात प्रगत क्षमतांची कमाई करताना विकासकांचा एक मोठा समुदाय तयार करण्यास अनुमती दिली आहे.

प्रत्येक वापराच्या केससाठी व्हॉइस मॉडेल

कंपनीच्या मते, फिश ऑडिओला वेगळे काय सेट करते, ती ऑफर केलेल्या नियंत्रणांची रुंदी आहे. प्लॅटफॉर्ममध्ये 15,000 हून अधिक नैसर्गिक भाषा नियंत्रणांची लायब्ररी समाविष्ट आहे जी वापरकर्त्यांना आवाज कसा निर्माण होतो - टोन, भावना, पेसिंग आणि शैली समायोजित करत आहे.

सीईओ आणि सह-संस्थापक रिसा काओ यांनी टेकक्रंचला सांगितले की कंपनीच्या एंटरप्राइझ ग्राहकांच्या खूप वेगळ्या गरजा आहेत. HeyGen सारख्या कंपन्या, ज्या AI अवतारांना शक्ती देण्यासाठी फिश ऑडिओ आवाज वापरतात, वास्तववादाला प्राधान्य देतात. गेमिंग स्टुडिओना त्यांच्या पात्रांसाठी अभिव्यक्त आवाज हवा असतो. LiveKit सारख्या व्हॉईस एजंट कंपन्यांना नैसर्गिक-आवाज देणारे, कमी-अवलंबाचे आवाज आवश्यक आहेत जे थेट फोन कॉलसाठी पुरेसे अभिव्यक्त राहतात.

"प्रत्येक एंटरप्राइझमध्ये भिन्न वापर प्रकरणे आणि भिन्न प्राधान्ये आहेत," काओ म्हणाले. इतर ग्राहकांमध्ये सनस, उच्चारण भाषांतरावर लक्ष केंद्रित करणारी कंपनी आणि एआय-शक्तीवर चालणारी रेकॉर्डिंग उपकरणे बनवणारी प्लॉड यांचा समावेश आहे. फिश ऑडिओ निर्माते आणि संघांसाठी सशुल्क मासिक योजना ऑफर करते जे जनरेशन आणि व्हॉइस क्लोनिंग वैशिष्ट्यांची सेट संख्या अनलॉक करते, तसेच त्याच्या API ची एंटरप्राइझ आवृत्ती.

वापरकर्ता योगदानाद्वारे व्हॉइस लायब्ररी तयार करणे

फिश ऑडिओने आपल्या आवाजांची लायब्ररी वाढवण्याचा एक मार्ग म्हणजे वापरकर्त्यांना प्रशिक्षण मॉडेलसाठी त्यांचे स्वतःचे व्हॉइस रेकॉर्डिंग सबमिट करण्यासाठी आमंत्रित करणे, जेव्हा त्यांचा आवाज वापरला जातो तेव्हा त्यांना भरपाई देणे. या क्राउडसोर्स्ड पध्दतीने कंपनीला वैविध्यपूर्ण कॅटलॉग तयार करण्यात मदत केली आहे, परंतु त्यामुळे आव्हानेही निर्माण झाली आहेत.

काही महिन्यांपूर्वी, काही निर्मात्यांनी आरोप केला होता की त्यांचे आवाज त्यांच्या संमतीशिवाय फिश ऑडिओच्या प्लॅटफॉर्मवर अपलोड केले गेले आहेत. स्टार्टअपमध्ये DMCA सामग्री काढण्याची प्रक्रिया सुरू होती, परंतु प्रक्रिया मंद होती. Cao ने TechCrunch ला सांगितले की, कंपनीने अशा प्रकारच्या चिंतेला अधिक जलदपणे संबोधित करण्यासाठी काढण्याची प्रक्रिया स्वयंचलित केली आहे.

हा वाद एआय व्हॉईस उद्योगातील वाढत्या तणावावर प्रकाश टाकतो. सिंथेटिक व्हॉइस तंत्रज्ञान जसजसे सुधारत आहे, तसतसे अधिकृत आणि अनधिकृत वापरामधील रेषा पोलिसांसाठी कठीण होत आहे. व्हॉइस क्लोनिंगने, विशेषतः, तोतयागिरी आणि फसवणुकीबद्दल चिंता वाढवली आहे आणि अनेक देशांमधील नियामक एआय-व्युत्पन्न ऑडिओ नियंत्रित करणाऱ्या कायदेशीर फ्रेमवर्कचे परीक्षण करू लागले आहेत.

स्पर्धात्मक आणि गर्दीची बाजारपेठ

AI व्हॉइस स्पेसमध्ये फिश ऑडिओ एकट्यापासून दूर आहे. स्पर्धकांमध्ये ElevenLabs यांचा समावेश आहे, ज्याने शेकडो दशलक्ष डॉलर्स उभे केले आहेत आणि मोठ्या तंत्रज्ञान कंपन्यांच्या ऑफरसह मार्केट लीडर म्हणून मोठ्या प्रमाणावर पाहिले जाते. पण फिश ऑडिओचा ओपन-सोर्स मॉडेल्सवर भर आणि त्याचा विकासकांचा मोठा समुदाय त्याला एक विशिष्ट स्थान देतो.

$50 दशलक्ष सीड राउंड कंपनीला मॉडेल गुणवत्तेवर स्पर्धा करण्यासाठी, त्याच्या एंटरप्राइझ विक्री प्रयत्नांचा विस्तार करण्यासाठी आणि व्हॉईस क्लोनिंग तंत्रज्ञानासह येणाऱ्या कायदेशीर आणि नैतिक प्रश्नांवर नेव्हिगेट करण्यासाठी धावपट्टी देते. आधीच $21 दशलक्ष वार्षिक आवर्ती कमाईसह, फिश ऑडिओ सीड-स्टेज कंपनीसाठी अर्थपूर्ण कमाई करत आहे, जे सूचित करते की अभिव्यक्त, नियंत्रण करण्यायोग्य AI आवाजांची मागणी नवीनतेच्या पलीकडे आहे.

फायदेशीर एंटरप्राइझ व्यवसाय उभारताना स्टार्टअप आपली मुक्त-स्रोत गती कायम ठेवू शकेल का हे पाहणे बाकी आहे. पण फेरीचा आकार आणि सहभागी गुंतवणूकदारांची गुणवत्ता हे संकेत देते की AI-व्युत्पन्न आवाजाची बाजारपेठ अजूनही त्याच्या सुरुवातीच्या डावात आहे — आणि इंडी निर्माते आणि मोठे उद्योग या दोघांनाही सेवा देणाऱ्या कंपनीमध्ये गुंतवणूकदारांना लक्षणीय चढ-उतार दिसतो.

एआय स्टार्टअप बातम्यांसाठी पुढे रहा

नवीनतम AI घडामोडी फॉलो करा जसे की व्हॉइस जनरेशन आणि इतर जनरेटिव्ह एआय मार्केट विकसित होत आहेत.

अधिक एआय बातम्या वाचा →