Fish Audio获5200万美元种子轮融资，以“情感可控”语音切入AI交互深水区

【科技24时区】当AI生成的声音不再只是机械的朗读，而是能精准传递愤怒、温柔或是窃窃私语的情绪时，语音交互的边界正在被重新定义。位于帕洛阿尔托的初创公司Fish Audio，正试图通过其庞大的自然语言控制库——包含超过1.5万个指令标签——来同时满足创意领域对表现力的渴求，以及企业端对自动化客服和销售流程中“可控性”的严苛要求。

这家由前英伟达研究员廖世佳（Shijia Liao）创立的公司，故事始于一个略显极客的卧室项目。几年前，面对市场上那些呆板、毫无起伏的合成语音，廖世佳感到难以忍受，尤其是对于痴迷日本动漫的他而言，这些声音根本无法承载角色的灵魂。于是，他利用笔记本电脑上的单块GPU训练出了最初的语音模型，并将其开源为Fish Speech。如今，这个GitHub仓库已收获超过3.1万颗星标，成为独立开发者、游戏设计师和内容创作者手中的利器。

从开源社区走向商业闭环，Fish Audio的速度令人瞩目。自去年正式推出以来，其开源及托管模型的用户规模已突破800万大关，年度经常性收入（ARR）达到2100万美元。为了进一步巩固这一势头，该公司于周二宣布完成5200万美元的种子轮融资。本轮融资由Coreline Ventures和今日资本（Capital Today）领投，359 Capital、Parable、Play Time、Alphalist Partners、Bayhouse Ventures、Carya Venture Partners以及HF0等机构跟投。

值得注意的是，Fish Audio在过去一年中密集推出了五款模型：四款语音生成模型和一款语音转文本（STT）模型。其中三款生成模型保持开源，而最新的S2.1 Pro专业版则仅通过付费API提供服务。这种“开源引流+高端变现”的策略，使其在竞争激烈的语音市场中找到了独特的生态位。目前，HeyGen、Sanas以及LiveKit等知名企业已成为其客户。

“每家企业的需求痛点截然不同。”Fish Audio联合创始人兼CEO曹丽莎（Rissa Cao）指出，像HeyGen这样利用AI数字人的公司，追求的是极致的真实感；游戏工作室则需要角色拥有丰富的情感张力；而对于LiveKit这类语音代理公司，低延迟且自然的通话体验才是核心诉求。Fish Audio提供的月度订阅计划及企业级API，正是为了适配这种多元化的需求光谱。

然而，随着用户规模的膨胀，版权与伦理问题也随之浮现。Fish Audio曾鼓励用户上传自己的声音样本以训练模型并给予补偿，但这引发了一些争议：部分创作者指控其声音在未获授权的情况下被上传至平台。尽管公司此前设有DMCA下架流程，但处理效率低下饱受诟病。对此，曹丽莎向TechCrunch透露，公司已将下架流程全面自动化。现在，创作者只需提交简短的声音样本或合同证明所有权，平台即可在3分钟内完成移除操作。

尽管如此，隐患并未完全消除。只要艺术家本人未察觉并提出申诉，其声音仍可能在平台上被滥用。Coreline Ventures合伙人Osuke Honda对此表示担忧，他认为社区驱动模式的核心在于信任。“只有当同意权、透明度和归属权被内置到产品中，而非作为事后补救措施时，以社区为中心的方法才能成为持久的优势。”他呼吁行业应向经过验证的声音所有权、清晰的许可条款以及最终的收入分成模式演进。

从单纯依靠开源项目的高效运营，到如今引入外部资本以开发更先进的模型并拓展企业市场，Fish Audio的战略转向清晰可见。展望未来，公司计划在今年发布音频理解模型，并正在研发语音转语音（Speech-to-Speech）技术。

当下的语音生成赛道可谓拥挤不堪，ElevenLabs、WellSaid、Cartesia、Speechify、Async（原Podcastle）以及Krisp等巨头与新秀均在争夺创作者和企业的预算。359 Capital合伙人Rico Mallozzi认为，Fish Audio之所以能在众多资金雄厚的AI实验室中脱颖而出，关键在于其对细粒度控制的打磨以及高效的模型训练能力。“他们团队所构建的最先进模型，极大地缩小了‘机器音’与‘人声’之间的差距，这展现了极高的技术敏锐度。”Mallozzi评价道。

这笔5200万美元的资金，不仅是对其过往成绩的认可，更是对其未来能否在AI语音默认界面之争中占据一席之地的押注。