Fish Audio 获 5200 万美元种子轮：发布 S2.1 Pro，成本仅 ElevenLabs 六分之一

想要做出一款媲美顶级水准的 AI 配音，以前通常意味着成千上万张专业计算卡和昂贵的服务账单。现在，一家最初只靠单张显卡跑出来的开源项目，正准备把整个语音生成市场的价格打下来。

总部位于帕洛阿尔托的 Fish Audio 宣布完成 5200 万美元种子轮融资，由 Coreline Ventures 和今日资本领投，359 Capital、HF0 等机构参投。同时，他们正式上线了最新的语音克隆模型 S2.1 Pro。

从单张显卡到 2100 万美元 ARR

Fish Audio 的起点其实很小。前英伟达研究员 Shijia Liao 当时觉得市面上的合成声音太僵硬，于是自己在一张 GPU 上训出了一个语音生成模型，并把它开源到 GitHub。这个名为 Fish Speech 的代码库迅速拿下了超过 3.1 万颗星，吸引了独立开发者和游戏创作者。

过去一年里，团队一口气推出了 5 个模型，包括 4 个语音生成模型和 1 个语音转文字模型，其中 3 个语音模型完全开源。根据团队披露的数据，目前已有超过 800 万人使用其开源或托管版本，公司在成立短短一年内年化经常性收入就冲到了 2100 万美元。

CEO Rissa Cao 表示，公司最初靠开源和创作者订阅就能高效运转，完全不需要外部资金。但随着 HeyGen、LiveKit、Retell、Sanas 和 OpenArt 等企业客户开始在生产环境大规模调用，为了研发更高级的底层模型，他们才决定引入风险投资。

5 秒克隆与 3 分钟下架机制

这次上线的 S2.1 Pro 并不开源，仅通过付费 API 提供。新模型只需 5 秒钟的音频切片就能完成声音克隆，运行速度是 Cartesia 的两倍，调用成本据称只有行业标杆 ElevenLabs 的六分之一。

除了便宜和快，它最大的卖点在于细腻度。S2.1 Pro 拥有超过 15000 种自然语言控制维度，支持在单词级别微调情绪、语调和语速节奏。Fish Audio 甚至公开打出包票：如果不能帮企业客户削减 50% 的语音 AI 成本，就免费赠送一年的服务。

不过，社区驱动的模式也带来了麻烦。此前有配音演员和创作者发现自己的声音被他人未经许可上传到了平台。为了平息争议，团队将原本漫长的 DMCA 处理流程做成了自动化系统。创作者只要上传简短的声音样本或合同证明所有权，系统承诺在 3 分钟内彻底下架相关声音。

但这依然属于事后补救，无法在源头彻底阻止侵权上传。接下来，Fish Audio 还计划在今年内发布一款音频理解模型，并正在研发端到端的 speech-to-speech 实时语音模型。

为什么重要

对于独立开发者和音视频创作者来说，S2.1 Pro 是一个极具性价比的选择。过去 ElevenLabs 的高昂定价让很多中小团队在做长音频或复杂 NPC 对话时望而却步，现在用六分之一的成本就能拿到细致到单词级别的语气调节，非常值得立刻接入测试。

在行业层面，AI 语音正在从单纯的参数竞赛演变成吞吐量与成本的肉搏。ElevenLabs 确立了声音质感的标杆，而 Fish Audio 拿 2100 万美元 ARR 和 5200 万美元弹药直接打价格战，会逼着 WellSaid、Cartesia、Speechify 等竞品加速降价并开放更精细的控制权。

我们认为，Fish Audio 的打法非常聪明，用开源建立庞大的开发者声量，再用极度激进的企业定价和降本承诺收割商业客户。但隐患也同样刺眼：声音资产的版权审核依然是事后追责，3 分钟自动化下架固然比传统申诉快得多，但在深伪和声音克隆高度敏感的当下，平台如果不能建立前置的授权验证机制，版权诉讼随时可能成为他们商业化道路上的暗礁。