Fish Audio 在成立一周年时披露：22 人团队已做到 2100 万美元年经常性收入（ARR），平台用户超过 800 万。这家语音 AI 公司也在此时宣布了种子轮融资。
7 月 28 日，Palo Alto 的 Fish Audio（运营主体 Hanabi AI Inc.）宣布完成 5200 万美元种子轮融资，由 Coreline Ventures 和 Capital Today 联合领投，359 Capital、Play Time、HF0、645 Ventures、Parable、Carya Venture Partners、Alphaist Partners 及多位天使投资人跟投。这笔融资将支持公司继续开发语音模型和企业产品。
同处语音 AI 市场，ElevenLabs 今年 2 月以 110 亿美元估值完成了 5 亿美元 D 轮融资。Fish Audio 则从开放模型和创作者社区起步，逐步发展企业业务。不过，允许用户上传声音的社区，也让公司在过去几个月面临未经授权克隆声音的争议。
优化语音推理后，一张 H200 可以承接更多请求
Fish Audio 的起点是首席科学家 Shijia Liao 在 NVIDIA 做视频研究期间的一个副业。作为 VTuber 和动漫粉丝，他对当时市面上合成语音的机械感感到不满，开始在卧室用一张 RTX 4090 训练语音模型。
Liao 采用了 Dual Autoregressive（Dual-AR）架构——一个 4B 参数的 Slow AR 模型沿时间轴预测语义编码，一个 400M 参数的 Fast AR 模型在每个时间步生成剩余 9 个残差编码本，重建细颗粒度的声学细节。公司在博客中将这个架构选择描述为「领先了行业两年」。
到 2026 年 7 月，公司公布的 S2.1 Pro 推理测试显示，单张 NVIDIA H200 在 64 并发时可达到 8,000+ tokens/s 的总吞吐量，首音频延迟中位数约 110ms。更早的 S2 论文还在另一项测试中报告了 0.195 的实时因子（RTF）和约 100ms 的首音频延迟。公司还报告，S2.1 Pro 在盲听测试中获得 66% 的偏好率；其更早的 S2 Pro 盲测报告列出 Bradley-Terry 得分 3.07，对比模型包括 ElevenLabs V3 和 Inworld。
推理效率的提升直接影响了商业模式。7 月 23 日，Fish Audio 介绍了 S2.1 Pro API 免费开放背后的技术；融资公告随后明确，免费期持续到 8 月底。支撑这一决策的是自研的 fish-scales-ops CUDA 内核库——针对 TTS 推理中 M≤128 的小矩阵乘（decode shapes）做了 FP8 GEMM 和 FlashAttention 的深度优化，在其 decode 场景测试中，速度达到经 torch.compile 融合的 cuBLAS 实现的 2.1–4.3 倍。配合连续批处理（continuous batching），总吞吐量从 1 并发到 64 并发增至约 52 倍。公司称，同样的请求量，原本需要四张 H200，如今一张就能承接。公司还自建了约 500 张卡的 GPU 集群、ASN 网络和 Ceph 存储，绕过了云厂商的算力和带宽加价。
「推理成本的断崖式下降，是免费 API 的经济前提，不是一场慈善。」Shijia Liao 在技术博客中写道。
模型开放研究使用，企业和开发者贡献三分之二收入
Fish Audio 在 GitHub 上的 Fish Speech 仓库已获得 31,400+ stars，公开了三个语音生成模型的权重、微调代码、技术报告和生产级推理引擎（通过 SGLang-Omni），让开发者可以自行研究、部署和调整模型。
这些资源的使用范围仍受许可证约束。S2 采用 Fish Audio Research License：研究和非商业用途完全免费，商业部署需单独购买授权。公司 CEO Rissa Cao 在博客中说明，S2 是「开放权重」而非 OSI 定义的「开源」，理由是「要在社区可及性和商业可持续性之间取得平衡」。
这套做法让 Fish Audio 可以同时服务研究社区和付费客户。自建推理系统、22 人的团队规模，以及社区反馈带来的多语言和口音覆盖，都有助于控制成本、改进产品；能否持续以更低价格竞争，还取决于服务规模和维护投入。
CEO Rissa Cao 在融资公告中透露，企业与开发者业务合计占公司总收入的三分之二。客户名单包括 AI 数字人公司 HeyGen、语音实时交互平台 LiveKit、呼叫中心降噪方案商 Sanas、AI 录音笔品牌 Plaud，以及 Retell、OpenArt、Telnyx 等。公司称，企业产品支持本地部署（on-premises）、零数据留存，以及符合 HIPAA 要求的配置。
社区已有 200 万个语音模型，上传前授权核验仍不足
Fish Audio 平台上有超过 200 万个语音模型，其中包括用户上传声音样本后建立的模型。公司鼓励用户贡献自己的声音用于训练，并在使用后给予补偿。公司也表示，会用真实用户偏好做后训练，以改善 83 种语言中的不同口音和少见场景。CEO 将社区的作用概括为「用户帮我们测试了我们永远不会想到的用例」。
声音上传也带来了授权纠纷。2026 年上半年，多名创作者指控自己的声音在未经授权的情况下被上传到 Fish Audio 平台。英国布里斯托尔的配音演员 Faye Dicker 向 BBC 表示，她在 Fish Audio 上发现了自己被克隆的声音，已被下载超过 900 次。据她描述，克隆声音被用于生成她从未录制的商业和创意内容，她称之为「难以置信」的侵犯。
今年 6 月，英国演员工会 Equity 公开致函 Fish Audio，要求立即移除平台上所有未经授权的克隆声音，并披露底层录音和相关生物识别数据的处理方式。Equity 在 Instagram 上的声明下面，多名声优表达了担忧和愤怒。
Fish Audio 随后加强了投诉和下架机制。CEO Rissa Cao 告诉 TechCrunch，公司已将 DMCA 下架流程自动化：权利人可以提交一段短声音样本或合同证明声音归属，公司称平台可在 3 分钟内完成移除。今年 7 月 4 日，公司发布了详细的声音所有权申诉指南，引入了实时语音验证功能。
不过，据 TechCrunch 报道，Fish Audio 仍未要求所有用户在上传声音前验证归属权。这意味着未经授权的声音有可能在权利人发现并申诉前被使用和下载。领投方 Coreline Ventures 的合伙人 Osuke Honda 也谈到了授权管理的重要性：「社区驱动模式只有在创作者信任平台时才能成为持久优势。同意、透明和归因必须被内建到产品中，而不是事后补救。」他在 TechCrunch 的采访中提到，行业需要走向「验证声音所有权、清晰的许可条款、简便的报告和下架流程，以及最终的收益分享机制」。
ElevenLabs、Speechify、Murf 等平台也面临声音授权问题。2024–2026 年间，美国田纳西州、加州和欧洲多地围绕数字分身加强保护或提出立法，但这些制度的范围并不相同：田纳西州扩展了公开形象权保护，加州规定了表演者数字分身的部分使用条件，欧盟各国的人格权制度也有差异。美国联邦级 NO FAKES 法案则旨在保护个人对数字分身中的声音和形象的控制权，仍处于立法进程中。DMCA 下架主要处理版权问题；仅仅「听起来像你」，未必构成对受保护录音的复制，也可能涉及人格、合同或数据保护等其他权利。声优能否迅速获得救济，要看所在地法律、具体使用方式和举证条件。
公司将扩展语音理解和直接语音交互
Fish Audio 此次获得 5200 万美元，低于 ElevenLabs 今年 2 月 D 轮融资的 5 亿美元。投资人看中的还包括它已披露的 2100 万美元 ARR 和 800 万用户。按 22 人计算，人均对应约 95 万美元 ARR；这是经常性收入的年化口径，不等于每位员工当年已实现的收入或利润。
第三方市场数据为这条赛道提供了宏观背景。MarketIntelo 估计全球语音 AI 平台市场 2025 年约 52 亿美元，2034 年可达 486 亿美元，年复合增长率 28.6%。该预测的增长预期来自 LLM 驱动的对话式 AI、实时语音交互，以及 AI Agent 对语音接口的需求。
Fish Audio 的路线图指向了 TTS 之外的产品。公司在融资公告中表示，将开发 Audio Understanding Language Model（语音理解大模型）和 speech-to-speech 模型，后者以语音作为输入和输出。这些产品将使它进一步进入实时语音交互市场，与 ElevenLabs 的 ElevenAgents 和 OpenAI 的 GPT-Realtime-2 竞争。
359 Capital 合伙人 Rico Mallozzi 在 TechCrunch 采访中表示，Fish Audio「用比那些资金充裕得多的 AI 实验室更小的团队实现了最先进的模型，这证明了他们在缩小人工感与自然声音之间差距方面的技术能力」。
Faye Dicker 的声音仍有被重新上传的风险。自动化下架可以缩短投诉后的处理时间，却无法代替上传前的授权核验。实时语音验证有助于确认上传者身份，但还需要处理代理授权、合同范围等问题，也会增加用户的操作步骤。
Fish Audio 接下来需要把声音授权、上传核验和收益分配纳入社区运营。5200 万美元融资为模型研发和这些机制提供了更多资源；能否让创作者清楚知道声音如何被使用，将影响这个社区能否继续发展。
