开源攒下800万用户，Fish Audio现在靠闭源模型赚钱

成立刚满一年，Fish Audio对外报出的数字是：800多万用户，年化经常性收入（ARR）2100万美元。周二，这家总部在Palo Alto的AI语音公司宣布完成5000万美元种子轮，由Coreline Ventures和今日资本领投。

这轮钱背后藏着一个转身：靠开源攒起来的公司，现在要拿真金白银去啃企业客户。它把最新最强的模型S2.1 Pro锁进了付费API，社区版本从没享受过这种待遇。声音像不像真人，已经不是这条赛道的分水岭；能不能把开源流量变成企业愿意长期付费的订单，同时把声音授权这块最容易翻船的地方补上，才是。

一年跑出的数字：融资、用户和产品线取舍

Fish Audio由前NVIDIA研究员Shijia Liao创立。他最初的动机很简单：市面上的语音合成"没有表情"。他在一张GPU上练出模型，随手开源，取名Fish Speech。

这个决定攒出了社区。GitHub上Fish Speech仓库现在有3.1万星标，被独立开发者和游戏工作室大量拿去用。

一年下来，公司交出的成绩单是这样：

这些数字都是公司自己披露的，没有第三方审计。用户活跃度、付费转化率，公司都没细分。

五个模型里，四个是语音生成，一个语音转文字。语音生成的三个开源，最新的S2.1 Pro只走付费API——这是公司第一次把最强的东西锁进收费墙。

企业客户名单里有HeyGen、Sanas、Plaud。CEO Rissa Cao说的意思很直接：不同客户要的东西完全不一样。

Sanas做实时语音转换，Plaud做AI硬件笔记本，两家的诉求更偏向可控性——细节能不能按需求调，比单纯"像不像真人"更重要。

Fish Audio打的差异化牌，是1.5万余种自然语言可控参数，加上投资人所说的更高训练效率。这套说法目前没有和ElevenLabs等对手做过统一测试，只能算公司自己的说法。

声音怎么来的：征集、下架和没补上的时间差

Fish Audio攒声音库的一种方式，是直接向用户征集，用了就给补偿——但具体分成比例，公司没有公开。几个月前，这套机制惹了麻烦：有创作者指控自己的声音被上传到平台，自己毫不知情。

公司当时的DMCA下架流程很慢。CEO Rissa Cao告诉TechCrunch，现在流程已经自动化：创作者提交语音样本或合同证明，3分钟内声音就能被下架。

3分钟解决的是"发现之后"，没解决"发现之前"。任何人的声音都可能先被上传、先被使用，直到本人偶然撞见、提交申诉，才会被撤下。

把这套流程画出来，缺口在哪一眼就能看到：

投资人Oskue Honda（Coreline Ventures）说得直白：社区驱动的模式要成为持久优势，前提是创作者信任平台——同意、透明和归属得写进产品设计，不能当事后补丁。这话像风险提示，其实是投资人给这轮钱设的及格线。

我的判断：护城河是授权秩序，不是模型效果

语音生成这条赛道，模型好不好听早就不是护城河。ElevenLabs、Cartesia、Speechify、Krisp全在拼参数和延迟，谁都能说自己更像真人。

Fish Audio真正要过的关，是能不能把开源攒下的800万用户，转成企业愿意持续付费的订单，同时把声音授权补上。这两件事是一个问题的两面：开源社区带来用户增长，也带来"谁的声音归谁管"这团乱账。企业客户越大，越在意合规，没人愿意用一段可能涉及侵权的声音去伺候自己的付费用户。

天下熙熙，皆为利来。创作者上传声音换补偿，平台开源换用户，企业付费换效率——这条链上每个人都在算自己的账。唯独授权和归属这一环，现在还是靠事后补救，不是靠事前约束。

对准备接入语音API的开发者和创业团队，实际动作很简单：先用开源模型本地跑一遍效果和成本，再决定要不要升级到S2.1 Pro的付费API。采购前问清楚声音来源和授权链条，拿不到书面授权凭证，就该把集成往后挪一挪，或者换一家能给出更完整版权凭证的供应商。

对关注创作者权益和平台治理的人，值得盯住的不是下架速度，而是审核有没有可能前置——比如上传前的声纹核验、公开的收益分成比例。3分钟下架再快，也只是善后。

5000万美元能买来更好的模型，买不来创作者的信任度自动生成。

• 风险.未经同意上传的声音，只要没人发现，就可能一直被使用——3分钟下架解决不了这个时间差。

接下来最该盯的，是Fish Audio会不会公开收益分成比例、会不会把声纹核验做到上传之前，还有企业客户数量能不能撑住这2100万美元ARR的说法。

【锐评】开源换来的是流量，不是信任；这轮钱先买模型，账真正难还的是授权那一笔。