Fish Audio подняла 52 млн и открыла S2.1 Pro: голос клонируется с пяти секунд
Fish Audio привлекла 52 млн долларов и запустила S2.1 Pro: клон голоса с пяти секунд, 83 языка и управление эмоцией на уровне слова.
Fish Audio привлекла 52 млн долларов seed-раунда и открыла публичный доступ к модели S2.1 Pro. Заявленные возможности: клон голоса по пятисекундному образцу, синтез на 83 языках, управление эмоцией, интонацией и темпом на уровне отдельного слова.
Компания сравнивает себя напрямую: вдвое быстрее Cartesia и в шесть раз дешевле ElevenLabs. Цена API — 15 долларов за миллион UTF-8 байт, это около 12 часов речи, а до конца августа S2.1 Pro отдают бесплатно. За первый год Fish Audio набрала 8 млн пользователей и 21 млн долларов годовой выручки, её модель работает в продакшене у HeyGen, LiveKit, Retell, Sanas и OpenArt.
Интереснее цифр то, где теперь проходит граница доступности. Год назад выразительный синтез с клонированием голоса был отдельной строкой бюджета и поводом для переговоров с вендором. Сейчас это API, который подключается за вечер, с бесплатным тарифом на тесты и открытой моделью S2 для локального запуска.
Прежде чем переносить озвучку на новый движок, прогоните его на своих сценариях. Как звучит клон на русском в длинных текстах. Какая задержка в стриминге под реальной нагрузкой. Сколько выходит минута речи с учётом перегенераций и правок. Обещанная экономия в 50% считается от чужого прайса, а не от вашего процесса.
Второй вопрос — права на голос. Условия использования загруженных образцов у площадок различаются, и читать их стоит до того, как вы клонируете свой голос или голос диктора.
По теме
Голосовой слой почти всегда встраивается в уже работающие процессы: озвучку материалов, поддержку, локализацию видео. Разговор будет полезен тем, кто считает стоимость минуты речи и отвечает за качество звука в проде.
Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov
Если хотите разобрать свою задачу — напишите мне Если хотите разобрать свою задачу — напишите мне.
Можно прийти с идеей, черновым контекстом или уже живой задачей. Помогу быстро понять, где реальный следующий шаг, а где лишний шум.
Обычно хватает 2–3 сообщений, чтобы понять, могу ли я здесь реально помочь и в каком формате лучше двигаться дальше.