5つのモデル、22名のチーム、1年の軌跡

Fish Audioはシードラウンドで5,200万ドルの資金調達を実施しました。たった1枚のRTX 4090から始まった趣味のプロジェクトが、いかにして現在の姿へと成長したのか、そして私たちが次に何を目指しているのか。私たちのストーリーをご覧ください。

今日、Fish Audioはまた一つ大きな節目を迎えました。 創業1周年を記念して、5,200万ドルのシード資金調達を発表いたします。このラウンドをリードしてくださった Coreline Ventures と Capital Today、そして 359 Capital、Play Time、HF0、645 Ventures、Parable、Carya Venture Partners、Alphalist Partners、そしてまだ形も定まっていない時期から投資してくださったエンジェル投資家の方々に深く感謝いたします。

テキスト読み上げ（TTS）は、1つの文章だけであれば、この10年ほどで十分なレベルに達していました。しかし、10文も続けばボロが出始めます。このカテゴリー全体の失敗は、常に同じ場所で、同じ理由で起こります。つまり、「正しい言葉を生成すること」と「正しい表現で伝えること」は別の問題であり、ほとんどの企業は前者のみに注力してきたからです。

Amazon AlexaやMetaでのAI音声開発に携わった数年間で、私は従来のTTSの限界を目の当たりにしました。読むために作られた声は、演じることを学ぶことはありません。そこで私たちは、正反対のアプローチから始めました。Fish Audioは単なる優れた音声アシスタントではありません。その先にあるあらゆるもののための「音声レイヤー」なのです。

4090

私たちのチーフサイエンティストであるShijia Liaoも、別の角度から同じ結論に達していました。NVIDIAでビデオ関連のリサーチエンジニアをしていた彼は、自由時間にVTuberの配信を見ていましたが、その音声がいかに生命力に欠けているかという点がどうしても気になっていました。彼は自宅の寝室にあるたった1枚のRTX 4090でモデルのトレーニングを開始しました。業界の他社が2年経っても追いつけないようなデュアル・オートリグレッシブ（自己回帰）アーキテクチャに早期に賭けたのです。その成果が、S2の基盤となりました。

この1年間の歩み

• 5つの最先端オーディオモデルをリリース。うち4つはテキスト読み上げ（TTS）、1つは音声文字起こし（STT）。
• チームを3名から22名に拡大。現在も採用進行中。
• 年間経常収益（ARR）が0から2,100万ドルに到達。
• プラットフォーム上のクリエイター、開発者、企業ユーザー数は800万人以上。
• コミュニティライブラリには200万以上の音声モデルが集結。
• S2.1 Proは、ブラインドリスニングテストにおいて66%のリスナーが主要な競合他社よりも優れていると回答。
• 15,000以上の自然言語コントロールを介し、83以上の言語でネイティブなリズムと単語レベルの感情制御を実現。

コミュニティが作り上げたモデル

私たちは実際のユーザーの好みに基づいてポストトレーニングを行っています。つまり、使われれば使われるほどモデルが進化する仕組みです。だからこそ、標準的なアメリカ英語でトレーニングされたモデルが苦手とする、アクセントのある英語、中国語、日本語、韓国語、スペイン語でも、高い品質を維持できています。この能力は、私たちがテストでは思いつかなかったような言語やアクセント、エッジケースでツールを使ってくれた人々から生まれました。

Fish Speechが単なるリポジトリから会社へと成長できたのは、ゲーム開発者、アニメファン、そして楽しみながらキャラクターの吹き替えを行っているユーザーたちのおかげです。当初から、私たちは透明性とオープンさを信条とし、表現力豊かで高品質な音声AIを誰もが利用できるようにすることを目指してきました。

そして、800万人もの方々が私たちを信頼してくれました。

企業が信頼するモデルへ

その信頼こそが、多くの企業がFish Audioを採用している理由です。開発者と並び、現在では企業収益が全体の3分の2を占めています。

私たちは、オンプレミス展開、データ非保持ポリシー、HIPAA準拠の構成など、厳しい調達基準をクリアする稼働率、低レイテンシ、セキュリティ体制を最初から構築してきました。S2.1 Proは、すでにブラインドテストで主要モデルに勝利しており、単一のH200上で毎秒8,000トークン以上の速度で動作します。また、特定の方言に特化したモデルが機能しなくなるような言語環境でも、その品質を維持します。

企業のお客様が私たちの元を訪れるのは、「言葉」だけでなく「伝え方」を正しく実現することが、私たちが解決しようとしている課題そのものだからです。これは私たちがさらに推し進めていくミッションでもあります。

次の展開

テキスト読み上げ（TTS）は、最終的なゴールではありませんでした。それは、単一のGPUで最初に構築でき、私たちの理論（言葉と同じくらい「伝え方」が重要であり、誰もそれを解決していなかったということ）を証明できる部分だったに過ぎません。

これからは、スタックの残りの部分に挑みます。音声理解言語モデル（Audio LM）や音声対音声（Speech-to-Speech）の開発です。また、開発者向けツールやAPIの強化、エンタープライズチームの拡大、そしてLiveKitやRetellといったパートナーとの連携を深め、表現力豊かな音声をより多くの場所に、より速く届けていきます。

8月末まで無料提供

この大きな節目を祝して、S2.1 Proを8月末までAPI経由ですべての開発者に無料で提供します。これは企業のお客様が利用しているものと同じモデルです。また、クリエイタープランを50%オフ、他社からの移行をご検討の方には3ヶ月間無料で提供いたします。

これを実現できるのは技術的な理由があり、リサーチチームの功績です。彼らは今年、推論スタック全体を再構築しました。カスタムFP8カーネルにより、単一のH200で毎秒8,000トークン以上の速度を実現。これによりリクエストあたりのコストを大幅に削減できたため、モデルを無料開放するという戦略が可能になったのです。

感謝を込めて

1年前、Fish Audioはリビングルームから始まった趣味のプロジェクトでした。音声をトレーニングした方、キャラクターを吹き替えた方、APIで開発した方、あるいはまだ実績がなかった頃に私たちに賭けてくださったすべての方々――この成果は、私たちと同じように皆さんのものです。

これまで多くの失敗もありました。しかし、これからはより多くのことを正しく成し遂げるためのリソースが手に入ります。

2年目も、よろしくお願いいたします。