Fish Audio、AI音声モデルに5200万ドル調達

米国パロアルト拠点の音声AIスタートアップFish Audioが、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。Coreline VenturesとCapital Todayが主導しました。359 CapitalやParable、Play Timeなど複数の投資家も参加しています。創業から約1年でユーザー数800万人超まで拡大しました。年間経常収益（ARR、Annual Recurring Revenueの略で年間の継続的な売上を示す指標）も2100万ドルに達しています。音声合成分野で存在感を強めている企業です。

背景と文脈
技術/ビジネス面
これからどうなるか
まとめ
参考リンク

背景と文脈

Fish Audioの出発点は、共同創業者でチーフサイエンティストを務めるShijia Liao氏の個人的な不満でした。元Nvidia研究員でVTuberやアニメを愛好していたLiao氏は、市場の合成音声の表現力の乏しさに納得できませんでした。そこで自宅のゲーミング用GPU1枚を使い、音声生成モデルを自ら訓練しオープンソースとして公開しました。このプロジェクトが「Fish Speech」で、GitHub上で3万1000以上のスターを集める人気リポジトリに成長しています。

個人の趣味的な取り組みから始まったプロジェクトは、CEO兼共同創業者のRissa Cao氏が加わったことで事業化が進みました。この1年間で音声生成モデル4種と音声認識モデル1種、合わせて5つのモデルをリリースし、そのうち3つはオープンウェイトとして公開しています。一方で最新の主力モデル「S2.1 Pro」は非公開で、有料APIを通じてのみ提供する方針を取っています。オープンソースで技術者コミュニティの支持を集めつつ、収益源は商用APIに絞るという二段構えの戦略が、短期間での事業成長を支えている格好です。

今回のシードラウンドには、リード投資家2社に加え複数の投資家が参加しました。Alphalist Partners、Bayhouse Ventures、Carya Venture Partnersなどのベンチャーキャピタルです。個人のエンジェル投資家も名を連ねています。創業からわずか1年での大型調達は、個人開発から生まれた技術がそのまま事業の競争力になり得ることを示す事例といえます。

技術/ビジネス面

録音スタジオでヘッドホンを着けPCに向かう人物 — Photo by Katie Lyke on Unsplash

非公開の主力モデルS2.1 Proは、83言語に対応した多言語音声合成モデルです。声質のクローン機能や、自然言語による感情・抑揚のコントロールに対応しており、従来モデルのS2 Proよりも低遅延かつ高スループットを実現しているとされています。オープンソース版のS2は150ミリ秒未満の低遅延を実現しており、リアルタイム性が求められる音声対話アプリケーションでの採用を後押ししています。対応言語数の多さと応答速度の両立は、グローバル展開を目指すプロダクトにとって特に重要な要素です。

実際の顧客層には、AIアバター動画を手がけるHeyGenやアクセント変換技術のSanasが含まれます。音声AIエージェント基盤のLiveKitなども名を連ねます。コールセンターや動画制作、対話型AIエージェントといった幅広い用途で、Fish Audioの音声生成技術が実際のプロダクトに組み込まれている点が特徴です。

オープンソースモデルには商用ライセンスが付随しており、無償の重み公開だけでなく、企業が自社サーバー上で運用しつつ収益化する道も用意されています。クラウドAPIとローカル実行のどちらも選べる構成は、レイテンシやコストの要件が異なる開発者・企業双方のニーズに応える狙いがあるとみられます。

これからどうなるか

Fish Audioは年内に音声理解モデルの投入を計画しているほか、音声を別の音声へ直接変換するモデルの開発も進めているとされています。テキストを介さずに声色や話し方を変換できれば、吹き替えやリアルタイム翻訳といった用途で応用が広がりそうです。

開発者にとっては、オープンソースのS1やS2をローカル環境でまず試せます。商用利用時にはAPI経由でS2.1 Proへ切り替えるといった使い分けが可能になる点が実務的なメリットです。音声合成機能を自社プロダクトに組み込む際の選択肢が一つ増えたと捉えられます。低遅延をうたうモデルは、ボイスボットや自動応答システムとも相性が良い技術です。既存のTTS（Text-to-Speech、テキストを音声に変換する技術）サービスからの乗り換え検討材料にもなりそうです。

音声AI市場では大手クラウド事業者や専業スタートアップが乱立しています。価格・品質・対応言語数を比較し、自社に合ったAPIを選ぶ動きが今後さらに広がると考えられます。Fish Audioの動向は、その選択肢の一つとして注視する価値があります。