피시 오디오, 5200만 달러 시드 투자 유치 및 'S2.1 Pro' 공개

사람처럼 자연스러운 AI 음성을 만들려면 수천 대의 전문 서버와 막대한 비용이 드는 것이 당연하게 여겨졌습니다. 하지만 GPU 한 장으로 시작했던 한 오픈소스 프로젝트가 이제 음성 AI 시장의 가격 구조를 통째로 뒤흔들고 있습니다.

미국 팰로앨토에 본사를 둔 피시 오디오(Fish Audio)는 코어라인 벤처스(Coreline Ventures)와 캐피털 투데이(Capital Today)가 주도한 시드 라운드에서 5200만 달러 규모의 투자를 유치했다고 밝혔습니다. 이와 함께 새로운 음성 복제 모델인 S2.1 Pro를 공식 출시했습니다.

그래픽카드 한 장에서 ARR 2100만 달러까지

피시 오디오의 출발은 소박했습니다. 전직 엔비디아 연구원 출신인 시지아 리아오(Shijia Liao)는 기존 합성 음성이 너무 감정이 없다는 점에 답답함을 느끼고 단 한 대의 GPU로 풍부한 표현력을 가진 음성 모델을 학습시켜 깃허브에 오픈소스로 공개했습니다. 이 Fish Speech 저장소는 순식간에 3만 1000개 이상의 스타를 모았습니다.

이후 1년 동안 5개의 모델을 선보였으며, 이 중 3개의 음성 생성 모델을 무료로 개방해 800만 명 이상의 사용자를 확보했습니다. 놀라운 점은 설립 단 1년 만에 연간 반복 매출(ARR) 2100만 달러를 달성했다는 사실입니다.

CEO인 리사 카오(Rissa Cao)에 따르면, 개인 창작자용 유료 플랜만으로도 이미 흑자 구조를 유지하고 있어 외부 투자가 급하지 않았습니다. 하지만 헤이젠(HeyGen), 라이브킷(LiveKit), 리텔(Retell), 사나스(Sanas) 같은 기업들이 실제 상용 서비스에 이 모델을 대거 도입하면서 대규모 모델 개발을 위해 투자를 받기로 결정했습니다.

5초 복제와 3분 침해 대응 시스템

새로 공개된 S2.1 Pro는 오픈소스가 아닌 유료 API 형태로만 제공됩니다. 단 5초 분량의 음성 샘플만 있으면 목소리를 복제할 수 있으며, 카르테시아(Cartesia)보다 2배 빠르고 시장 선두주자인 일레븐랩스(ElevenLabs) 대비 비용은 6분의 1 수준에 불과합니다.

단어 단위로 감정과 억양, 속도를 정밀하게 제어할 수 있으며 지원하는 자연어 조작 파라미터만 1만 5000개가 넘습니다. 피시 오디오 측은 기업 고객의 음성 AI 비용을 50% 이상 절감해주지 못하면 1년간 서비스를 무료로 제공하겠다는 파격적인 제안까지 내걸었습니다.

물론 커뮤니티 기반 데이터 구축 과정에서 진통도 있었습니다. 일부 성우와 창작자들의 목소리가 무단 업로드되는 문제가 발생하자, 회사는 본인 확인 음성이나 계약서를 제출하면 3분 이내에 플랫폼에서 해당 음성을 자동 삭제하는 시스템을 도입했습니다. 회사는 연내 오디오 이해 모델과 실시간 음성 대 음성(speech-to-speech) 모델도 추가로 내놓을 계획입니다.

왜 중요한가

고객센터 봇이나 실시간 대화형 AI, 게임 NPC를 개발하는 팀에게 S2.1 Pro는 당장 도입을 검토할 만한 파괴적인 대안입니다. 일레븐랩스의 뛰어난 음질은 매력적이었지만 비싼 API 비용 때문에 대규모 도입을 망설였던 기업들에게 6분의 1 가격과 단어 단위 감정 제어는 확실한 유인책입니다.

업계 전체로 보면 음성 AI의 경쟁이 단순한 음질 경쟁을 넘어 극단적인 추론 효율과 가격 싸움으로 번지고 있음을 보여줍니다. 2100만 달러의 탄탄한 매출과 5200만 달러의 실탄을 확보한 피시 오디오의 저가 공세는 일레븐랩스, 카르테시아, 스피치파이 등 기존 강자들에게 강력한 가격 인하 압박으로 작용할 것입니다.

오픈소스로 개발자 생태계를 장악한 뒤 공격적인 비용 절감 보증으로 엔터프라이즈를 흡수하는 전략은 매우 영리해 보입니다. 다만 저작권 침해를 사후 대응에만 의존하고 있다는 점은 명백한 불안 요소입니다. 3분 삭제 기능이 기술적으로 훌륭하더라도, 생성 전 단계에서의 철저한 권리 검증 체계를 마련하지 못한다면 향후 저작권 소송이라는 큰 암초를 만날 가능성이 큽니다.