Fish Audio Får 52 Miljoner Dollar I Startkapital För Att Omvandla Öppna Röstmodeller Till Inkomst

Fish Audio har samlat in 52 miljoner dollar i en startfinansieringsrunda som lett av Coreline Ventures och Capital Today, pengar som kommer till ett text-till-tal-företag i Palo Alto som under det senaste året har gett bort sina modeller och tar betalt för allt runt omkring dem. Fish Audio säger att mer än 8 miljoner människor nu använder dessa modeller genom antingen de öppna vikterna eller deras värdplattform, och att företaget har en årlig återkommande intäkt på 21 miljoner dollar.

Finansieringsrundan offentliggjordes den 28 juli 2026, med 359 Capital, HF0:s grundarresidens och fem andra fonder som anslöt sig, och rapporterades först av TechCrunch. VD och medgrundare Rissa Cao sa att företaget hade drivits effektivt nog på öppen källkodsdistribution och skaparprenumerationer så att det inte behövde yttre kapital, och gick ut för att finansiera mer avancerade modeller och en satsning på företagskonton. En finansieringsrunda på 52 miljoner dollar som fortfarande bär startetiketten, i ett företag med åtta siffror i återkommande intäkt, visar hur snabbt röst gick från en produktfunktion till en infrastrukturpost.

Från öppna vikter till en gratis API

Företaget började som ett sidoprojekt av Shijia Liao, en tidigare Nvidia (NVDA )-forskare som tränade ett taletillverkningsmodell på en enda GPU och publicerade det. Detta repository, Fish Speech, har nu mer än 31 000 stjärnor och en följarskara bland indieutvecklare och speltillverkare. Liao är Fish Audios chefsforskare, och fem modeller har levererats under ungefär ett år: fyra taletillverkningsmodeller och ett taletilltextsystem.

Tre av taletillverkningsmodellerna är ute i det öppna. Fish Audio publicerade S2-vikterna den 9 mars 2026, tillsammans med finjusteringskod och en strömmande inferensmotor. S2 är en 4-miljardersparametarmodell som tränats på mer än 10 miljoner timmar av ljud på ungefär 80 språk, styrda av fritt formade taggar som [whisper] eller [professionell sändningston] som läggs till på ordnivå. Företaget räknar mer än 15 000 av dessa kontroller.

Den senaste modellen, S2.1 Pro, är den som de håller tillbaka från öppen utgåva, och även den är för närvarande gratis via API: ingen hård teckenbegränsning, 83 språk och ingen servicenivågaranti, med den gratisfönstret förlängt till och med den 31 augusti 2026. Betalda planer har latens- och upp tidsgarantier, och företaget ber produkter över 1 miljon dollar i årlig återkommande intäkt att prata med dem innan de bygger på den gratisnivån. Fish Audio tillskriver en ombyggd inferensstack, inklusive sin egen FP8 GPU-kernelbibliotek, för att göra den här gåvan möjlig, och rapporterar ungefär 70 millisekunder till första ljudet på en enda begäran.

Det är den kommersiella logiken i verksamheten. Öppna vikter och en gratis gränssnittsmodell köper distribution bland utvecklare; intäkt kommer från företag som behöver kontraktuell latens. Fish Audio säger att företagskunder inklusive HeyGen, Livekit, Retell, Sanas och OpenArt redan kör på deras API:er, och Cao beskriver efterfrågan som delad efter användningsfall: avatarprodukter vill ha realism, speltillverkare vill ha uttrycksfulla röstkaraktärer, och röstagentföretag vill ha låg latens som fortfarande låter mänsklig. Den sistnämnda segmentet är det som rör sig snabbast, eftersom mainstreamassistenter lägger till talgränssnitt — Anthropic lade till Opus och Sonnet-modellerna i Claudes röstläge i juli 2026 — och eftersom mindre studior jagar samma nisch, inklusive Tryll Engine med enhetsbaserad speldialog.

Vem skrev checkarna

De två ledande är en ovanlig parning för ett amerikanskt utvecklarverktygsföretag. Coreline Ventures är en liten gränsöverskridande fond som spinns ut från DCM Ventures, som skriver tidiga checkar över hela USA, Japan och Korea från ett medvetet kompakta portfölj som redan inkluderar ett japanskt generativt rösteri. Capital Today är den kinesiska konsumentinternetfranchisen som Kathy Xu grundade 2005, med JD.com (JD ), Meituan, ByteDance och Moonshot AI bland dess innehav och en evig fond på ungefär 2,8 miljarder dollar. 359 Capital, som separerade från Sapphire Ventures i november 2025 med cirka 300 miljoner dollar under förvaltning, investerar i konsument- och konsumentnära företag. Konsumentpengar, med andra ord, som stöder en utvecklartjänst, på teorin att den gemensamma röstbiblioteket är den varaktiga tillgången.

Osuke Honda, Corelines medgrundare och förvaltande partner, satte ett villkor på den teorin. “En communitycentrerad approach kan bara bli en varaktig fördel om skaparna litar på plattformen”, sa han i samma intervju. “Det betyder att samtycke, transparens och attribuering måste byggas in i produkten snarare än behandlas som eftertankar.”

Biblioteket är användargenererat. Fish Audio ber människor att skicka in sina egna röster för utbildning och betalar dem när en röst används, och det offentliga biblioteket innehåller nu mer än två miljoner röster. Den modellen drog klagomål tidigare i 2026, när skapare sa att röster hade laddats upp utan deras samtycke och att borttagningar tog lång tid. Den 4 juli 2026 dokumenterade företaget en dedikerad röstägarskapsprocess som ersätter den allmänna supportkön: anspråkstagare lämnar in från modellens sida, skickar in statlig ID eller företagsauktorisation, och läser en verifieringssats högt. Cao sa att borttagningar nu slutförs på under tre minuter.

Vad som levereras härnäst

Två fler modeller är på väg: ett ljudförståelssystem som företaget förväntar sig i år, och ett taletilltalet-modell som fortfarande är under utveckling. Båda syftar till röstagentstacken snarare än enkelriktad berättelse. Taletillverkning är redan en trång marknad, med ElevenLabs, Cartesia, Speechify och Krisp som säljer till överlappande uppsättningar av skapare och utvecklare. En upphöjning av den här storleken är inte längre den udda fugen det skulle ha varit för två år sedan; Enigma öppnade en 71-miljoner dollar stor startfinansiering för robotgränssnitt tidigare i juli 2026. Den närmare testen för Fish Audio är kommersiell: den gratis S2.1 Pro-fönstret stängs vid slutet av augusti 2026, och det nya kapitalet måste omvandla de utvecklare som de lockade till till företagsavtal.