Fish Audio 獲 5200 萬美元種子輪：釋出 S2.1 Pro，成本僅 ElevenLabs 六分之一

想要做出一款媲美頂級水準的 AI 配音，以前通常意味著成千上萬張專業計算卡和昂貴的服務賬單。現在，一家最初只靠單張顯示卡跑出來的開源專案，正準備把整個語音生成市場的價格打下來。

總部位於帕洛阿爾托的 Fish Audio 宣佈完成 5200 萬美元種子輪融資，由 Coreline Ventures 和今日資本領投，359 Capital、HF0 等機構參投。同時，他們正式上線了最新的語音克隆模型 S2.1 Pro。

從單張顯示卡到 2100 萬美元 ARR

Fish Audio 的起點其實很小。前輝達研究員 Shijia Liao 當時覺得市面上的合成聲音太僵硬，於是自己在一張 GPU 上訓出了一個語音生成模型，並把它開源到 GitHub。這個名為 Fish Speech 的程式碼庫迅速拿下了超過 3.1 萬顆星，吸引了獨立開發者和遊戲創作者。

過去一年裡，團隊一口氣推出了 5 個模型，包括 4 個語音生成模型和 1 個語音轉文字模型，其中 3 個語音模型完全開源。根據團隊披露的資料，目前已有超過 800 萬人使用其開源或託管版本，公司在成立短短一年內年化經常性收入就衝到了 2100 萬美元。

CEO Rissa Cao 表示，公司最初靠開源和創作者訂閱就能高效運轉，完全不需要外部資金。但隨著 HeyGen、LiveKit、Retell、Sanas 和 OpenArt 等企業客戶開始在生產環境大規模呼叫，為了研發更高階的底層模型，他們才決定引入風險投資。

5 秒克隆與 3 分鐘下架機制

這次上線的 S2.1 Pro 並不開源，僅通過付費 API 提供。新模型只需 5 秒鐘的音訊切片就能完成聲音克隆，執行速度是 Cartesia 的兩倍，呼叫成本據稱只有行業標杆 ElevenLabs 的六分之一。

除了便宜和快，它最大的賣點在於細膩度。S2.1 Pro 擁有超過 15000 種自然語言控制維度，支援在單詞級別微調情緒、語調和語速節奏。Fish Audio 甚至公開打出包票：如果不能幫企業客戶削減 50% 的語音 AI 成本，就免費贈送一年的服務。

不過，社群驅動的模式也帶來了麻煩。此前有配音演員和創作者發現自己的聲音被他人未經許可上傳到了平臺。為了平息爭議，團隊將原本漫長的 DMCA 處理流程做成了自動化系統。創作者只要上傳簡短的聲音樣本或合同證明所有權，系統承諾在 3 分鐘內徹底下架相關聲音。

但這依然屬於事後補救，無法在源頭徹底阻止侵權上傳。接下來，Fish Audio 還計劃在今年內釋出一款音訊理解模型，並正在研發端到端的 speech-to-speech 即時語音模型。

為什麼重要

對於獨立開發者和音影片創作者來說，S2.1 Pro 是一個極具價效比的選擇。過去 ElevenLabs 的高昂定價讓很多中小團隊在做長音訊或複雜 NPC 對話時望而卻步，現在用六分之一的成本就能拿到細緻到單詞級別的語氣調節，非常值得立刻接入測試。

在行業層面，AI 語音正在從單純的引數競賽演變成吞吐量與成本的肉搏。ElevenLabs 確立了聲音質感的標杆，而 Fish Audio 拿 2100 萬美元 ARR 和 5200 萬美元彈藥直接打價格戰，會逼著 WellSaid、Cartesia、Speechify 等競品加速降價並開放更精細的控制權。

我們認為，Fish Audio 的打法非常聰明，用開源建立龐大的開發者聲量，再用極度激進的企業定價和降本承諾收割商業客戶。但隱患也同樣刺眼：聲音資產的版權稽核依然是事後追責，3 分鐘自動化下架固然比傳統申訴快得多，但在深偽和聲音克隆高度敏感的當下，平臺如果不能建立前置的授權驗證機制，版權訴訟隨時可能成為他們商業化道路上的暗礁。