Fish Audio Nhận 52 Triệu Đô La Mỹ Vòng Vốn Hạt Giống Để Chuyển Đổi Mô Hình Giọng Nói Mở thành Doanh Thu

Fish Audio đã huy động 52 triệu USD trong vòng hạt giống do Coreline Ventures và Capital Today đồng dẫn dắt. Khoản vốn đến với công ty chuyển văn bản thành giọng nói có trụ sở tại Palo Alto sau một năm họ cung cấp miễn phí các mô hình và thu phí cho những dịch vụ xoay quanh chúng. Fish Audio cho biết hơn 8 triệu người đang sử dụng các mô hình này qua những bản phát hành trọng số mở hoặc nền tảng do công ty vận hành, còn doanh nghiệp hiện đạt 21 triệu USD doanh thu định kỳ hằng năm.

Vòng gọi vốn được công bố ngày 28 tháng 7 năm 2026, với sự tham gia của 359 Capital, chương trình ươm tạo nhà sáng lập HF0 và năm quỹ khác. Thông tin này được TechCrunch đưa tin đầu tiên. CEO kiêm đồng sáng lập Rissa Cao cho biết công ty vận hành đủ hiệu quả nhờ phân phối mã nguồn mở và các gói đăng ký dành cho nhà sáng tạo nên không cần vốn bên ngoài để duy trì hoạt động. Công ty gọi vốn nhằm phát triển những mô hình tiên tiến hơn và mở rộng sang khách hàng doanh nghiệp. Một công ty đã có doanh thu định kỳ ở mức hàng chục triệu USD nhưng vẫn huy động 52 triệu USD dưới tên vòng hạt giống cho thấy giọng nói đã chuyển nhanh thế nào từ một tính năng sản phẩm thành một hạng mục hạ tầng.

Từ trọng số mở đến API miễn phí

Công ty bắt đầu từ dự án phụ của Shijia Liao, cựu nhà nghiên cứu Nvidia (NVDA ). Ông huấn luyện một mô hình giọng nói trên một GPU rồi công bố nó. Kho mã đó, Fish Speech, hiện có hơn 31.000 lượt đánh dấu sao và thu hút cộng đồng nhà phát triển độc lập cùng các studio trò chơi. Liao hiện là nhà khoa học trưởng của Fish Audio. Trong khoảng một năm, công ty đã phát hành năm mô hình, gồm bốn mô hình tạo giọng nói và một hệ thống chuyển giọng nói thành văn bản.

Ba mô hình tạo giọng nói được phát hành công khai. Fish Audio công bố trọng số của S2 vào ngày 9 tháng 3 năm 2026 cùng mã tinh chỉnh và công cụ suy luận trực tuyến. S2 có 4 tỷ tham số, được huấn luyện trên hơn 10 triệu giờ âm thanh bằng khoảng 80 ngôn ngữ. Người dùng điều khiển mô hình bằng các thẻ tự do như [whisper] hoặc [professional broadcast tone] được chèn ngay tại cấp độ từ. Công ty cho biết hệ thống hỗ trợ hơn 15.000 lệnh điều khiển như vậy.

Mô hình mới nhất, S2.1 Pro, chưa được phát hành dưới dạng trọng số mở nhưng hiện vẫn được cung cấp miễn phí qua API: không có giới hạn cứng về số ký tự, hỗ trợ 83 ngôn ngữ và không kèm cam kết mức dịch vụ. Thời gian miễn phí được kéo dài đến ngày 31 tháng 8 năm 2026. Các gói trả phí bổ sung cam kết về độ trễ và thời gian hoạt động; công ty yêu cầu những sản phẩm có doanh thu định kỳ hằng năm trên 1 triệu USD trao đổi trực tiếp trước khi xây dựng trên tầng miễn phí. Fish Audio cho biết ngăn xếp suy luận được xây dựng lại, trong đó có thư viện nhân GPU FP8 riêng, giúp công ty chịu được chi phí của chương trình này. Thời gian tạo ra âm thanh đầu tiên được báo cáo ở mức khoảng 70 mili giây cho một yêu cầu.

Đó là logic thương mại của mô hình kinh doanh. Trọng số mở và một mô hình tiên tiến miễn phí giúp Fish Audio tiếp cận nhà phát triển; doanh thu đến từ các công ty cần cam kết độ trễ theo hợp đồng. Fish Audio cho biết các khách hàng doanh nghiệp như HeyGen, Livekit, Retell, Sanas và OpenArt đã chạy trên API của họ. Cao chia nhu cầu theo từng trường hợp sử dụng: sản phẩm hình đại diện cần độ chân thực, studio trò chơi cần giọng nhân vật giàu biểu cảm, còn các công ty xây dựng tác nhân giọng nói cần độ trễ thấp nhưng âm thanh vẫn tự nhiên. Phân khúc cuối đang tăng nhanh nhất khi những trợ lý phổ biến bổ sung giao diện giọng nói — Anthropic đã đưa các mô hình Opus và Sonnet vào chế độ giọng nói của Claude trong tháng 7 năm 2026 — và các studio nhỏ hơn cũng theo đuổi cùng thị trường, trong đó có Tryll Engine với hội thoại trò chơi chạy ngay trên thiết bị.

Ai đã đầu tư

Hai nhà đầu tư dẫn dắt là một cặp khá khác thường đối với công ty công cụ dành cho nhà phát triển tại Mỹ. Coreline Ventures là quỹ đầu tư xuyên biên giới quy mô nhỏ được tách ra từ DCM Ventures. Quỹ này đầu tư giai đoạn sớm tại Mỹ, Nhật Bản và Hàn Quốc, duy trì danh mục cô đọng có chủ đích và đã rót vốn vào một phòng thí nghiệm giọng nói tạo sinh của Nhật Bản. Capital Today là quỹ chuyên về internet tiêu dùng Trung Quốc do Kathy Xu thành lập năm 2005, với JD.com (JD ), Meituan, ByteDance và Moonshot AI trong danh mục, cùng một quỹ thường trực khoảng 2,8 tỷ USD. 359 Capital tách khỏi Sapphire Ventures vào tháng 11 năm 2025 với khoảng 300 triệu USD tài sản quản lý và đầu tư vào doanh nghiệp tiêu dùng hoặc phục vụ thị trường liền kề. Nói cách khác, vốn từ lĩnh vực tiêu dùng đang hậu thuẫn một API cho nhà phát triển dựa trên giả thuyết rằng thư viện giọng nói do cộng đồng đóng góp là tài sản bền vững.

Osuke Honda, đồng sáng lập kiêm đối tác quản lý của Coreline, đặt ra một điều kiện cho giả thuyết này. “Cách tiếp cận lấy cộng đồng làm trung tâm chỉ có thể trở thành lợi thế bền vững nếu các nhà sáng tạo tin tưởng nền tảng”, ông nói trong cùng cuộc phỏng vấn. “Điều đó có nghĩa là sự đồng thuận, tính minh bạch và việc ghi nhận đóng góp phải được tích hợp ngay trong sản phẩm, thay vì được xem là những việc bổ sung sau cùng.”

Thư viện được người dùng đóng góp. Fish Audio mời mọi người gửi giọng nói của chính họ để huấn luyện và trả tiền khi giọng nói đó được sử dụng; thư viện công khai hiện có hơn hai triệu giọng nói. Mô hình này từng vấp phải khiếu nại vào đầu năm 2026 khi các nhà sáng tạo cho biết giọng nói của họ bị tải lên mà chưa được đồng ý và quá trình gỡ bỏ diễn ra chậm. Ngày 4 tháng 7 năm 2026, công ty công bố một quy trình giải quyết tranh chấp quyền sở hữu giọng nói riêng thay cho hàng đợi hỗ trợ chung. Người khiếu nại gửi yêu cầu từ trang của mô hình, cung cấp giấy tờ tùy thân do chính phủ cấp hoặc giấy ủy quyền của doanh nghiệp, rồi đọc to một câu xác minh. Cao cho biết việc gỡ bỏ hiện được hoàn tất trong chưa đầy ba phút.

Những sản phẩm tiếp theo

Hai mô hình khác đang nằm trong lộ trình: một hệ thống hiểu âm thanh dự kiến ra mắt trong năm nay và một mô hình chuyển giọng nói thành giọng nói vẫn đang được phát triển. Cả hai đều hướng đến ngăn xếp tác nhân giọng nói thay vì nội dung tường thuật một chiều. Thị trường tạo giọng nói đã đông đúc, với ElevenLabs, Cartesia, Speechify và Krisp cùng phục vụ các nhóm nhà sáng tạo và nhà phát triển có nhiều điểm giao nhau. Một vòng gọi vốn quy mô này không còn hiếm như hai năm trước; Enigma đã huy động vòng hạt giống 71 triệu USD cho các giao diện robot vào đầu tháng 7 năm 2026. Phép thử gần nhất với Fish Audio nằm ở khả năng thương mại hóa: thời gian dùng miễn phí S2.1 Pro kết thúc vào cuối tháng 8 năm 2026, và nguồn vốn mới phải giúp công ty chuyển những nhà phát triển đã thu hút thành các hợp đồng doanh nghiệp.