Fish Audio、5200万ドル調達と音声複製モデル「S2.1 Pro」公開を発表

高品質な AI 音声モデルを作るには、かつて何千枚もの最新 GPU と莫大な開発費が必要とされていました。しかし今、たった 1 枚のグラフィックスカードから始まったオープンソース発のスタートアップが、音声合成市場全体の価格破壊に乗り出しています。

パロアルトを拠点とする Fish Audio は、Coreline Ventures と Capital Today が主導するシードラウンドで 5200 万ドルの資金調達を実施したと発表しました。同時に、最新の音声クローニングモデル S2.1 Pro の提供を開始しています。

単一 GPU から ARR 2100 万ドルへの急成長

Fish Audio の始まりはごく小さな個人プロジェクトでした。元 Nvidia の研究者である Shijia Liao 氏が、市販の合成音声の不自然さに不満を抱き、1 台の GPU で表現力豊かな音声モデルを訓練してオープンソースとして公開したのがきっかけです。この Fish Speech リポジトリは GitHub で 3 万 1000 以上のスターを獲得しました。

過去 1 年間で同社は 5 つのモデルをリリースしました。そのうち 3 つの音声生成モデルがオープンソース化され、現在までに 800 万人以上のユーザーを獲得しています。さらに驚くべきことに、設立からわずか 1 年で年換算経常収益（ARR）は 2100 万ドルに到達しました。

CEO の Rissa Cao 氏によれば、オープンソースとクリエイター向けプランだけで黒字運用できていたため、当初は外部資金を必要としていませんでした。しかし、HeyGen や LiveKit、Retell、Sanas などの企業が商用環境で本格採用を始めたことで、さらなる大型モデル開発に向けて調達に踏み切ったといいます。

5 秒の音声複製と 3 分間の自動削除機能

今回発表された S2.1 Pro はオープンソースではなく、有料 API 専用として提供されます。わずか 5 秒の参照音声から高精度な声のクローンを生成でき、Cartesia の 2 倍の処理速度を誇り、利用料金は最大手 ElevenLabs の 6 分の 1 に抑えられています。

感情や抑揚、話速を単語単位で細かく制御できる点も特徴で、1 万 5000 以上の自然言語プロンプトに対応しています。さらに同社は、法人顧客に対して「音声 AI コストを 50% 削減できなければ 1 年間無料にする」という強気な保証を打ち出しました。

一方で、課題もあります。過去には声優やクリエイターの音声が無断でアップロードされるトラブルが発生しました。同社はこれに対応するため自動削除システムを構築し、短い音声サンプルや契約書を提出すれば 3 分以内にプラットフォームから削除される仕組みを整えました。年内には音声理解モデルや、リアルタイムの音声間変換（speech-to-speech）モデルの投入も予定しています。

なぜ重要か

ゲーム開発者や AI エージェントを構築するエンジニアにとって、S2.1 Pro のコストパフォーマンスは圧倒的です。これまで高品質な音声クローンは ElevenLabs の独壇場でしたが、API コストの高さがスケールの壁になっていました。その 6 分の 1 の費用で単語レベルの表現力を持った音声が手に入るため、今すぐ検証する価値があります。

業界全体で見れば、音声 AI の競争軸が「自然さ」から「レイテンシと価格破壊」へ完全にシフトしたことを示しています。ARR 2100 万ドルという確かな収益力を武器に、ElevenLabs や Cartesia、Speechify などに対する強い値下げ圧力がかかるはずです。

オープンソースで開発者コミュニティを囲い込み、強烈なコスト削減保証で法人を奪う戦略は非常に巧みだと考えられます。ただし、著作権侵害への対策が依然として「事後対応」にとどまっている点は大きなリスクです。3 分で削除できるとはいえ、事前の本人確認や許諾プラットフォームを確立できなければ、今後の法規制やスタジオとの摩擦を避けるのは難しいとみられます。