Fish Audio、5200万ドル調達

元NVIDIA研究者Shijia Liaoが創業したパロアルト拠点のスタートアップFish Audioは火曜日、Coreline VenturesとCapital Todayが主導するシードラウンドで5200万ドルを調達したと発表しました。資金調達には359 Capital、Parable、Play Time、Alphalist Partners、Bayhouse Ventures、Carya Venture Partners、HF0も参加しています。同社は既に800万人超のユーザーにサービスを提供しており、年間経常収益は2100万ドルです。

Liaoは市場で利用可能な表現力に乏しい合成音声に不満を感じたことがきっかけでFish Audioを小規模プロジェクトとして開始しました。単一のGPU上で音声生成モデルをトレーニングしてオープンソース化し、GitHubの「Fish Speech」リポジトリは現在3万1000星以上を獲得しており、インディーデベロッパー、ビデオゲームデザイナー、クリエイターが利用しています。Fish Audioは1万5000以上の自然言語制御ライブラリを運営し、多様なユースケースに対応しています。過去1年間で同社は5つのモデルを立ち上げました。音声生成モデル4種類と音声テキスト化モデル1種類です。音声生成モデルの3つはオープンソース化されており、最新のS2.1 Proモデルは有料APIを通じてのみ利用可能です。

Fish Audioはクリエイターと企業に異なる提供方法でターゲットを設定しています。クリエイターとチーム向けには、一定数の生成分数とボイスクローニング機能をアンロックする月額有料プランを提供しています。エンタープライズ向けには、APIとプラットフォームの別バージョンを提供しており、HeyGen（Fish Audioの音声を使用してAIアバターを提供）とSanas（ボイスエージェント企業）を含む組織が既に顧客となっています。CEOで共同創業者のRissa Caoは、異なるユーザーが異なる好みを持っていることを説明しました。「HeyGenなど私たちの音声を使用してAIアバターを提供する企業は音声のリアリズムが必要です。ゲームスタジオはキャラクター用の表現力に富んだ音声が必要で、LiveKitなどのボイスエージェント企業はコール用に表現力が十分な自然な音声で低遅延のものが必要です。」

同社はユーザーに自分たちの音声をトレーニング用に提出するよう要請し、その音声が使用された場合に報酬を支払うことで音声ライブラリを構築しました。このアプローチは数か月前に同意なしでFish Audioに音声をアップロードされたと主張するクリエイターがいたため、物議をかもしました。スタートアップは削除プロセスを自動化しましたが、削除に長時間かかりました。Caoは、Fish Audioが削除プロセスを自動化したと発表しました。クリエイターは短い音声サンプルまたは契約を提出して所有権を証明でき、その音声は3分未満でプラットフォームから削除されます。ただし、この遡及的アプローチは、クリエイターが不正アップロードを発見して報告するまでの間の使用を防止しません。

Coreline VenturesのパートナーであるOsuke Hondaは、コミュニティ主導モデルには信頼が必要であると述べました。「コミュニティ中心のアプローチが持続的な優位性となるには、クリエイターがプラットフォームを信頼する必要があります。つまり、同意、透明性、帰属表示は事後対応ではなく、プロダクトに組み込まれる必要があります。業界は検証済み音声所有権、明確なライセンス条件、簡単な報告と削除プロセス、そして最終的にはクリエイターがその音声がライセンスされたり商業的に使用されたりした場合に経済的に利益を得る収益共有モデルへと移行する必要があると思います。」

Caoは、Fish Audioがオープンソース製品のみを提供し、クリエイター向けプランに焦点を当てていた場合、外部資本なしで効率的に運営できたと説明しました。しかし、同社はより高度なモデルを開発し、投資家関心が高まる中でエンタープライズ顧客に対応したかったため、資金調達を求めることになりました。今後、Fish Audioは今年中に音声理解モデルをリリースし、音声間変換モデルを構築中です。音声生成市場は競争が激しく、ElevenLabs、WellSaid、Cartesia、Speechify、Async（以前のPodcastle）、Krispを含む企業がクリエイターとエンタープライズ予算をめぐって競っています。359 Capitalのパートナーであるrico Mallozziは、Fish Audioの競争上の優位性を強調しました。「彼らが構築できたものと、彼らが持つチームと比較して、他の資金が豊富なAIラボまたは企業と比較して、最先端モデルは素晴らしいと思います。人工的な音から人間のような音声への間隙を埋めるその技術的な才能を示しています。」

Fish Audioは創業者Shijia Liaoが市場で利用可能な表現力に乏しい合成音声に不満を感じたことから生まれた。単一のGPU上で小規模プロジェクトとして音声生成モデルを構築し、Liaoはこの作業をオープンソース化し、GitHubに「Fish Speech」リポジトリを作成しました。このリポジトリは現在3万1000星以上を獲得しています。このコミュニティ優先のアプローチはインディーデベロッパー、ビデオゲームデザイナー、クリエイターを引き付け、最終的に800万人を超えるユーザーと年間経常収益2100万ドルにまで拡大しました。

同社の1万5000以上の自然言語制御ライブラリは、異なる市場ニーズに対応しています。クリエイターはナレーティブコンテンツ用の表現力に富んだ音声を必要とし、企業は自動カスタマーサポートと営業運用用の操作可能なモデルを必要としています。Fish Audioはティアード提供を通じて両セグメントにサービスを提供しており、クリエイター向けの月額有料プランには生成分数と音声クローニングが含まれ、HeyGen（AIアバターを提供）やSanasなどの組織向けにはエンタープライズAPIを提供しています。

規模の拡大とエンタープライズ需要の増加により、5200万ドルのシードラウンドが実現しました。投資家は、Fish Audioが微粒度開発者制御と費用効率的なトレーニングを備えた最先端モデルを生産する技術能力が、ElevenLabs、WellSaid、Cartesiaおよびその他の企業が存在する混雑した分野で差別化していることを強調しました。しかし、ユーザー送信音声をトレーニング用に利用するコミュニティ主導モデルは摩擦を生みました。一部のクリエイターが不正な音声アップロードを主張しました。自動削除プロセス（現在は3分以内）は即時削除に対応していますが、同意なしの初期アップロードを防止するものではなく、遡及的ツールとして機能しています。

まだコメントがありません。最初のコメントを投稿しましょう！