Fish Audio, startup z Palo Alto budujący modele głosowe AI, ogłosił 28 lipca 2026 rundę seed o wartości 52 mln USD (ok. 208 mln zł). Pieniądze mają przyspieszyć rozwój modeli generowania mowy, klonowania głosu i rozpoznawania mowy, z których korzysta już ponad 8 mln użytkowników.
Najważniejsze w skrócie
- Runda seed: 52 mln USD (ok. 208 mln zł), prowadzona przez Coreline Ventures i Capital Today.
- Ponad 8 mln użytkowników wersji open source i hostowanej.
- Powtarzalne przychody roczne (ARR): 21 mln USD (ok. 84 mln zł).
- Pięć modeli w rok: cztery do generowania mowy i jeden do rozpoznawania mowy — trzy z nich open source.
- Repozytorium Fish Speech na GitHubie ma ponad 31 tys. gwiazdek.
Model otwarty jako lejek, płatne API jako przychód
Fish Audio założył Shijia Liao, były badacz Nvidii, a stanowisko CEO objęła Rissa Cao. Firma stawia na hybrydę: udostępnia część modeli jako open source i jednocześnie sprzedaje dostęp przez płatne API. Z pięciu modeli wypuszczonych w ciągu roku trzy generatory mowy są otwarte, a najmocniejszy — S2.1 Pro — dostępny wyłącznie przez płatne API. To wyjaśnia, skąd biorą się zarówno masowa baza użytkowników, jak i 21 mln USD powtarzalnych przychodów. Repozytorium Fish Speech zebrało ponad 31 tys. gwiazdek na GitHubie, a społeczność deweloperów napędza rozpoznawalność, którą firma monetyzuje po stronie firm i twórców. Model biznesowy opiera się na miesięcznych abonamentach dla twórców i zespołów oraz ofercie API i platformy dla przedsiębiorstw.
Kontrola nad brzmieniem głosu jako wyróżnik
Technicznym wyróżnikiem Fish Audio ma być drobiazgowa kontrola nad generowanym głosem — firma podaje ponad 15 tys. parametrów sterujących sposobem mówienia. Chodzi o dopasowanie brzmienia do konkretnego zastosowania, od realistycznych lektorów po ekspresyjne głosy postaci w grach.
Każde przedsiębiorstwo ma inne zastosowania i inne preferencje. Firmy takie jak HeyGen chcą realizmu w głosach, a studio growe potrzebuje ekspresyjnych głosów dla swoich postaci.
Rissa Cao, CEO Fish Audio. Ta różnorodność potrzeb jest argumentem za elastycznym API zamiast jednego uniwersalnego głosu.
Rynek jest jednak zatłoczony. Fish Audio konkuruje z ElevenLabs — najbardziej rozpoznawalną marką w syntezie mowy — a także z Cartesią, Speechify, WellSaid, Async i Krisp. Wyróżnikiem Fish Audio pozostaje strategia open source, której najwięksi rywale w większości nie stosują, oraz nacisk na sterowalność głosu.
Dlaczego to ważne?
Synteza mowy przeszła w ostatnich latach od funkcji dodatkowej do samodzielnego rynku, na którym liczą się realizm, opóźnienie i cena. Runda seed rzędu 52 mln USD dla firmy, która ma już 21 mln USD powtarzalnych przychodów, jest sygnałem, że inwestorzy traktują głos jako osobną warstwę infrastruktury AI, a nie dodatek do modeli językowych. Strategia open source Fish Audio jest tu istotna: w segmencie zdominowanym przez zamknięte API otwarte modele obniżają barierę wejścia dla deweloperów i budują społeczność, którą trudno odtworzyć samą reklamą. Ryzyko polega na tym, że otwarty kod ułatwia klonowanie głosu bez zgody — problem, który ciąży całej branży i może ściągnąć uwagę regulatorów. Dla twórców i firm większa liczba realnych konkurentów wobec ElevenLabs oznacza presję na ceny i szybszy postęp w jakości głosu.
Co dalej?
- Fish Audio zapowiedziało model rozumienia dźwięku (audio understanding) oraz model mowa-do-mowy (speech-to-speech) jako kolejne premiery.
- Środki z rundy seed mają zasilić rozwój modeli i ekspansję oferty dla przedsiębiorstw obok istniejących abonamentów dla twórców.
- Otwarty charakter części modeli utrzyma napięcie między dostępnością a ryzykiem nadużyć klonowania głosu — obszar możliwej regulacji.
