Fish Audio、AI音声開発で5200万ドル調達

花火AI社として正式登録されているFish Audioは本日、すべてのAIモデルのデフォルトインターフェースとして音声を確立するため、シードラウンドで5200万ドルの資金調達を完了したと発表した。ラウンドはCoreline VenturesとCapital Todayが主導し、359 Capital、Play Time、HF0、645 Ventures、Parable、Carya Venture Partners、Alphalist Partners、および複数の匿名エンジェル投資家が参加した。

同社の創業ストーリーは初期段階のAI音声品質への不満に根ざしている。共同創業者で最高科学責任者の廖世嘉は、Nvidiaのビデオ研究者として働いていた経歴を持ち、日本アニメの生涯ファンである。彼は初期のAIモデルが生み出した単調でロボット的な合成音声に疲れ果て、自分自身で音声AIモデルを訓練することを決意した。寝室のノートパソコンに搭載された1枚のGPUのみを使用という過酷なハードウェア制限の中で、廖は当初のテキスト音声変換と音声クローン化モデルを開発し、それはやがてFish Speechへと進化した。このオープンソースプロジェクトはGitHub上で急速に注目を集め、3万1000ユーザー超のスターを累積し、より表現豊かな音声生成機能を求めるインディー開発者、コンテンツクリエイター、ビデオゲームデザイナーの目を引いた。

2023年の公式立ち上げ以来、Fish Audioは利用可能な最も包括的な音声AIプラットフォームの一つへと進化した。プラットフォームは、初期モデルが生み出した生気のない合成音声を排除することを中心に構築されており、1万5000を超える自然言語プロンプトで駆動する単語レベルの感情コントロール機能を提供する。これにより開発者はAI生成音声の正確なトーン、イントネーション、ペーシングを細かく調整できる。プラットフォームはわずか5秒のオーディオクリップから15秒以内に音声をクローン化でき、ネイティブで83言語をサポートし、同社のフラグシップS2.1 Proモデルは盲検リスニングテストで競合他社を上回り、リスナーの67%がFish Audioの音声出力を選好している。これらの機能により同社は800万ユーザーを超える利用者を獲得し、年間経常収益は2100万ドルを上回るようになった。

当初はビデオゲーム開発者とコンテンツクリエイターを対象としていたFish Audioは、医療や金融サービスといった規制対象業種に事業を拡大した。同社は現在、顧客プライバシー保護のため、ゼロデータリテンション対応でHIPAAコンプライアンス対応のセキュアなオンプレミス展開を提供している。この企業向け拡大により、Fish AudioはElevenLabsなど知名度のあるライバル企業への強力な対抗馬として位置付けられている。ElevenLabsは最近5億ドルを調達し、企業評価が110億ドルに達している。

共同創業者のリサ・カオ最高経営責任者は、人間らしいAI音声を誰もが利用できるようにするという使命を述べた。「我々は初心者クリエイターから100万ドル規模の企業まで、あらゆるユーザーが利用可能な高品質で人間らしい音声を提供し、コミュニケーションがより効率的で信頼できるものになるようにしている。モデルを改善し続ければ人々は気づくだろうと、我々は常に信じてきた。800万の人々がそうしてくれた」と述べた。

新たな資金により、Fish Audioはモデルラインアップの大幅な拡大を計画している。現在のテキスト音声変換機能を超えて、同社は音声ネイティブ大規模言語モデルとリアルタイム音声間翻訳ツールで構成される完全なオーディオネイティブスタックの構築を意図している。企業営業チームへの投資拡大、Retell AIやLiveKitなどのパートナーを通じた追加的なAPI統合によるデベロッパーツーリングの拡張も行う。プラットフォーム採用を加速するため、Fish Audioは8月末から公式API経由でフラグシップモデルS2.1 Proを全開発者に無料で利用可能にする。

Coreline Venturesのマネージングパートナーである本田大輔は投資決定の理由を説明した。「Fish Audioは短い歴史の中で、パフォーマンス、多言語サポート、感情表現、コストの面で限界を押し広げるという比類なき実績を構築してきた。これらすべての要因が、Fish Audioをクリエイター、開発者、そして現在は世界中の企業にとってデフォルトの選択肢として迅速に位置付け、彼らが今後も先導し続けることを期待している」と述べた。