記事のサマリー（TL;DR）
- Fish Audio がシードで5,200万ドル調達、ARR 2,100万ドル・ユーザー800万人超を達成済み
- GitHub リポジトリ「Fish Speech」は3万1,000超のスターを持ち、最新モデル S2.1 Pro は有料 API のみで提供
- 無断アップロード問題への対処として声の削除申請を3分以内に自動処理する仕組みを整備
国内クリエイター・音声エージェント事業者が注目すべき声の権利と活用の論点
AI音声市場では ElevenLabs や Cartesia など有力プレイヤーが既に国内でも使われているが、Fish Audio の差別化点は1万5,000超の自然言語コントロールと、オープンソースモデルの有無を含む柔軟な価格帯にある。日本では音声合成をキャラクターボイス・ナレーション・カスタマーサポートに活用する需要が大きく、Fish Audio が HeyGen（AIアバター）や LiveKit（音声エージェント）と連携実績を持つことは、国内で同種の構成を検討する事業者にとって参考になる。一方、声の無断アップロード問題は日本でも他人事ではない。著名声優・タレントの声が許可なく学習データに含まれるリスクへの法的整備は国内でも進行中であり、プラットフォームとしての削除プロセスの速度（3分以内）と透明性は導入可否を判断する際の重要指標になる。音声エージェントや Twilio・LiveKit ベースの電話自動化を検討する企業は、Fish Audio の低遅延モデルと API コストを既存サービスと比較検討する価値がある。
詳細
Fish Audio とは何か
Fish Audio はカリフォルニア州パロアルトに拠点を置くスタートアップで、創業者の Shijia Liao（廖士嘉）氏はかつて Nvidia の研究員だった。既存の合成音声が表現力に乏しいことに不満を持ち、単一の GPU で音声生成モデルをトレーニングしてオープンソースとして公開したことが同社の出発点だ。GitHub 上の「Fish Speech」リポジトリは現在3万1,000超のスターを獲得し、インディー開発者・ゲームデザイナー・コンテンツクリエイターに広く使われている。
調達の概要
Fish Audio は2025年7月29日（現地時間）、5,200万ドルのシードラウンドを完了したと発表した。ラウンドをリードしたのは Coreline Ventures と Capital Today で、359 Capital・Parable・Play Time・Alphalist Partners・Bayhouse Ventures・Carya Venture Partners・HF0 が参加した。調達前時点で同社の年間経常収益（ARR）は2,100万ドル、オープンソース版・ホスト版の合計ユーザー数は800万人を超えている。
製品ラインナップ
Fish Audio はこの1年間で5つのモデルをリリースした。内訳は音声生成モデルが4つ、音声テキスト変換（STT）モデルが1つ。このうち音声生成モデル3つはオープンソースで提供されているが、最新の S2.1 Pro は有料 API 経由のみで利用できる。
クリエイター・チーム向けの月額プランでは、一定分数の音声生成とボイスクローニング機能がセットになっている。企業向けには専用 API とプラットフォームも用意されており、HeyGen（AI アバター）や Sanas（リアルタイム音声変換）などがすでに採用している。
CEO 兼共同創業者の Rissa Cao 氏はユースケースの多様性をこう説明する。「HeyGen のように AI アバターに音声を組み込む企業はリアリズムを求め、ゲームスタジオはキャラクターに表現力を求める。そして LiveKit のような音声エージェント企業は、通話に耐えうる自然さと低遅延の両立を必要としている」
声の権利問題と自動削除プロセス
Fish Audio のモデル構築手法のひとつは、ユーザーに自分の声を提供してもらい、使用実績に応じて報酬を支払うコミュニティ駆動型モデルだ。しかし数か月前、クリエイターから「同意なく自分の声がアップロードされた」という申告が相次ぎ、問題となった。従来は DMCA 削除申請のプロセスが存在したものの、実際の削除に時間がかかっていた。
現在は自動化が完了しており、声のサンプルまたは権利を証明する書類を提出すれば 3分以内にプラットフォームから削除される と Cao 氏は説明した。ただし、この仕組みはアーティストが自分の声の無断アップロードを「気づいた後」にのみ機能する。申請されるまでの間、その声は引き続き利用される状態にある。
Coreline Ventures のパートナー Osuke Honda 氏はこう述べる。「コミュニティ中心のモデルは、クリエイターがプラットフォームを信頼して初めて機能する。同意・透明性・帰属表示をプロダクトの核に組み込まなければならない。業界全体が、検証済みの声の所有権・明確なライセンス条件・迅速な報告・削除プロセス、そして最終的には商業利用時に声の提供者が収益を得られるモデルへ進化する必要がある」
競合状況と今後の展開
音声生成市場には ElevenLabs・WellSaid・Cartesia・Speechify・Async（旧 Podcastle）・Krisp などが競合として存在する。359 Capital のパートナー Rico Mallozzi 氏は「開発者向けのきめ細かいコントロールとコスト効率の高いモデルトレーニングが、大手 AI ラボとの差別化になる」と評価する。「この規模のチームで最先端のモデルを作り上げたことは、人工的な音声と人間らしい音声のギャップを埋める技術力の高さを示している」とも語っている。
Fish Audio は今後、音声理解（Audio Understanding）モデルを2025年内にリリースする予定のほか、音声から音声への変換（Speech-to-Speech）モデルも開発中だ。Cao 氏は、オープンソースプロジェクトとして運営していた段階は外部資本不要だったが、より高度なモデル開発と企業向け展開にはスケールが必要と判断し、今回の調達に踏み切ったと説明している。