Fish Audio：卧室里一张显卡训出来的模型，一年做到 ¥1.41亿收入

产品是什么

Fish Audio 是一家做 AI 语音生成的公司。

它能做的事：从一段很短的音频里克隆一个声音，几秒钟完成；支持 83 种以上语言；提供文本转语音、语音识别、语音克隆和长音频工具。

真正让它在开发者圈里出圈的，是这套东西的可控性：

• 15000 多项自然语言控制。你可以直接用自然语言描述「语速快一点、带点犹豫、情绪上扬」，而不是调一堆抽象参数。
• 用户提交的声音库超过 200 万个。
• 旗舰模型 S2.1 Pro 只通过付费 API 提供；其余几个语音生成模型开源。
• 盲测中约三分之二的听众更偏好它的输出而非竞品。

它的根是一个开源项目：Fish Speech，在 GitHub 上有 3.1 万多个 star。

怎么赚的钱

开源引流，托管 API 与企业授权变现。

• 个人与团队：按月购买生成时长，解锁声音克隆等能力
• 企业客户：专属 API、私有化部署、服务水平保障、HIPAA 合规与零数据留存

关键数字：

• ¥1.41亿 ARR（2026 年 7 月）
• 800 万以上用户
• 融资 ¥3.49亿，全部是一轮种子轮，2026 年 7 月 28 日宣布

一家还在把融资叫「种子轮」的公司已经有 ¥1.41亿 ARR，这件事本身就说明了它的商业化速度。

流量从哪来

第一，开源就是分发渠道。Fish Speech 开源之后，独立开发者、独立游戏工作室、内容创作者开始自发使用并在社区传播。3.1 万个 GitHub star 不是虚荣指标，是真实的安装量与口碑。

第二，被其他公司的产品带进去。HeyGen 用它做 AI 数字人的语音，LiveKit 与 Retell AI 用它做语音 Agent 的实时对话。这些集成本身带来了企业侧的曝光。

第三，成本结构本身就是卖点。他们重写了推理栈并自研 FP8 GPU 算子库，让免费档位也能负担得起，同时给付费客户留出利润空间。

第四，创始人故事自带传播性。前 NVIDIA 研究员在卧室里用一张游戏显卡，因为受不了合成语音「没有情绪」而自己训了一个模型——这个故事在开发者社区几乎不需要花钱就能传开。

站长是谁

Shijia Liao，联合创始人兼首席科学家，曾是 NVIDIA 的视频研究员。

他对现有合成语音的不满非常具体：太平了，没有情绪表达。于是他在自己的卧室里，用一张游戏显卡训练了早期的语音生成模型，然后直接开源。这就是 Fish Speech 的起点。

Rissa Cao，联合创始人兼 CEO，负责把这件事从开源项目变成一门生意。她的公开规划包括：为医疗、金融等受监管行业做私有化部署和零数据留存方案。

这个案例能学到什么

第一，开源和赚钱不是二选一，可以是同一件事的两半。开源负责分发，托管 API 负责变现。绝大多数用开源模型的人不会自己部署和运维，这正是付费服务的空间。

第二，起点可以只是「不满」。他没有做市场调研，只是受不了现有的合成语音没有情绪，然后自己动手训了一个。最好的产品动机往往来自创始人的真实痛点，不是来自一份分析报告。

第三，在巨头环伺的赛道里，换一个维度切进去。语音合成领域有 ElevenLabs 这样的头部玩家。Fish Audio 不比「谁的声音更像真人」，它比的是开发者可控性——15000 项自然语言控制、开源、便宜、能私有化部署。这是一群完全不同的买家。

第四，把合规做成产品能力，而不是应付法务。声音克隆的版权争议是真实存在的：有过英国配音演员的声音被他人上传并出售、被下载 900 多次的报道。Fish Audio 的应对是把下架流程做到3 分钟内完成。在企业采购里，这件事的权重正在快速上升。

第五，创作者工具是企业生意的入口，不是终点。他们从创作者做起，做到 800 万用户后才往企业走。这时候合规部署能力（HIPAA、零数据留存、私有化）就成了门票——没有它，根本进不了医疗和金融的采购名单。

来源与数据

• 站点：https://fish.audio
• 融资：¥3.49亿种子轮，2026 年 7 月 28 日宣布，Coreline Ventures 与 Capital Today 共同领投，359 Capital、Parable、Play Time、Alphalist Partners、Bayhouse Ventures、Carya Venture Partners、HF0 参投（TechCrunch、SiliconANGLE、Yahoo Finance）
• 营收与用户：超 800 万用户、¥1.41亿 ARR，数据截至 2026 年 7 月，距商业化上线约一年（TechCrunch、TMC Insight、Fundraise Insider）
• 开源：Fish Speech 仓库 GitHub 3.1 万+ star（TechCrunch、TMC Insight）
• 产品：文本转语音、语音识别、语音克隆、长音频工具；支持 83+ 语言；15000+ 项自然语言情绪与节奏控制；用户提交声音库超 200 万个；旗舰模型 S2.1 Pro 仅限付费 API；盲测中约三分之二听众更偏好其输出（TechCrunch、Brief News）
• 客户：HeyGen、Sanas、Plaud、LiveKit、Retell AI（TechCrunch、TMC Insight）
• 合规：提供 HIPAA 合规的私有化部署与零数据留存方案；存在声音版权争议，公司提供 DMCA 下架流程并称可在 3 分钟内完成移除（TechCrunch、TMC Insight、BBC 相关报道）
• 创始人：Shijia Liao 前 NVIDIA 视频研究员，在卧室用单张游戏 GPU 训练早期模型并开源；Rissa Cao 任 CEO（Fundraise Insider、TechCrunch）

一句话总结

一个前 NVIDIA 的视频研究员，受不了合成语音「太平了没有情绪」，在自己卧室里用一张游戏显卡训了个模型，直接开源——这就是 Fish Speech，后来拿到 3.1 万个 GitHub star。公司做起来的路径很清晰：开源负责分发，托管 API 负责变现。一年时间，800 万用户、¥1.41亿 ARR，然后拿了 ¥3.49亿种子轮。它没跟 ElevenLabs 比谁的声音更像真人，它比的是开发者可控性——15000 项自然语言控制、能私有化部署、便宜。连声音版权争议都被他们做成了产品能力：下架流程压到 3 分钟。真正可迁移的那句话是：开源和赚钱不是二选一，绝大多数用开源模型的人不会自己部署运维，那正是你的付费空间。