Fish Audio recauda 52 millones de dólares para regalar inteligencia artificial de voz y cobrar a las empresas.

      Fish Audio, una startup de voz-AI de Palo Alto, ha recaudado $52 millones en una ronda que aún llama semilla, según informó por primera vez TechCrunch. Llega a una empresa con una forma inusual. Regala sus mejores modelos y cobra por el cableado que los rodea.

      La startup tiene un año. Dice que más de 8 millones de personas ahora utilizan sus modelos, ya sea a través de las versiones de peso abierto o su plataforma alojada. El negocio opera con $21 millones en ingresos recurrentes anuales.

      Regala el modelo, cobra por la latencia

      La lógica de Fish Audio es el manual de código abierto aplicado a la voz. Ha lanzado cinco modelos en un año y ha abierto tres de ellos. Los pesos gratuitos y un modelo de frontera gratuito compran distribución entre los desarrolladores. Los ingresos provienen de las empresas que necesitan contratos.

      Incluso su modelo más nuevo, S2.1 Pro, que retiene de la liberación abierta, es gratuito a través de la API hasta el 31 de agosto. Clona una voz a partir de un clip de cinco segundos, soporta 83 idiomas y devuelve el primer audio en aproximadamente 70 milisegundos. Los planes de pago son donde viven las garantías de latencia y tiempo de actividad. Fish pide a cualquiera con más de $1 millón en ingresos que hable antes de construir sobre el nivel gratuito, informó Unite.AI.

      Ese es todo el negocio en una línea. Los pesos abiertos ganan a los desarrolladores, y las empresas pagan por las promesas. HeyGen, LiveKit, Retell, Sanas y OpenArt ya funcionan en sus APIs. Una “semilla” de $52 millones con $21 millones en ingresos muestra cuán rápido la voz pasó de ser una característica a un ítem de infraestructura.

      La voz se está convirtiendo en la interfaz

      El momento ayuda. La voz se está convirtiendo en la forma predeterminada en que las personas hablan con la IA, desde el modo de voz de Claude hasta los agentes que ahora manejan llamadas de ventas y soporte. La directora ejecutiva Rissa Cao dice que la demanda se divide por caso de uso. Las empresas de avatares quieren realismo, los estudios de juegos quieren personajes expresivos, y las empresas de agentes de voz quieren baja latencia que aún suene humana.

      También es un campo abarrotado y bien financiado. ElevenLabs tiene una valoración de alrededor de $22 mil millones, y el dinero sigue fluyendo hacia rivales como Bland. La propuesta de Fish es que su propia pila de inferencia la hace mucho más barata, y afirma que S2.1 Pro funciona a una fracción del costo de ElevenLabs.

      La biblioteca es la trinchera, y el riesgo

      El activo que los inversores realmente están comprando es la comunidad. La biblioteca de voz de Fish Audio es suministrada por los usuarios: las personas envían sus propias voces y reciben pago cuando alguien usa una. Ahora tiene más de dos millones de ellas.

      Esa misma biblioteca es la responsabilidad. A principios de este año, los creadores dijeron que otros habían subido sus voces sin consentimiento, y que las eliminaciones avanzaban lentamente. Fish ha construido desde entonces un proceso de disputa dedicado, y dice que las eliminaciones ahora se completan en menos de tres minutos. La solución solo ayuda después del hecho, sin embargo. Nada impide que alguien suba tu voz, y permanece en uso hasta que lo notes y presentes una queja.

      El propio inversor principal de Fish nombró el problema. “Un enfoque centrado en la comunidad solo puede convertirse en una ventaja duradera si los creadores confían en la plataforma”, dijo Osuke Honda de Coreline Ventures, quien co-lideró la ronda. El consentimiento, la transparencia y la atribución, agregó, “deben estar integrados en el producto en lugar de ser tratados como pensamientos posteriores.”

      La recaudación financia una apuesta cuyo foso y cuyo riesgo son la misma cosa, y esta tensión de consentimiento abierto atraviesa también el debate más amplio sobre los pesos abiertos.