Fish Audio、音声生成モデル S2.1 Pro を公開──5,200 万ドルの資金調達と ElevenLabs の 1/11 の低価格化を実現
創業 1 年で ARR 2,100 万ドルを突破した Fish Audio が 5,200 万ドルを資金調達し、ElevenLabs 比で最大 11 分の 1 の低価格かつ 5 秒クローンに対応する S2.1 Pro を発表した。
リリース: 2026-07-28 · 読了 3 分記事の要約
1. 核心（What）
- Fish Audio は Coreline Ventures および Capital Today が主導するラウンドで 5,200 万ドルのシード資金調達を実施し、創業 1 年で ARR 2,100 万ドルとユーザー数 800 万人を達成した。
- 新型音声モデル S2.1 Pro を公開し、5 秒の音声クリップからのボイスクローンや 83 言語への対応、15,000 以上の自然言語タグによる単語レベルの感情・イントネーション制御機能を実装した。
- API 料金は 100 万文字あたり 15 ドルに設定され、ElevenLabs の 60〜165 ドルと比較して圧倒的な低価格化を達成、さらに 56.3 文字/秒のスループット性能を実証した。
- HeyGen、LiveKit、Retell、Sanas などの企業が顧客として名を連ね、HIPAA 準拠のオンプレミスデプロイにも対応した。
2. 影響（Why）
- 音声合成 API のコスト構造の崩壊: 100 万文字あたり 15 ドルという価格設定は、商用音声合成を大量展開するプロダクトの単体利益率を劇的に改善し、API 依存のビジネスモデルを再定義する。
- 国内音声対話 SaaS へのコスト圧力: [国内 音声対話 SaaS 業種] のような中規模事業者は、月額数万ドル規模の ElevenLabs 費用を数分の一に圧縮できるため、Q3 以降のコスト競争力確保に向けたモデル移行の検討が急務となる。
3. 根拠・詳細（How）
- 低価格化と超高速スループットの実現: 56.3 文字/秒のスループットを維持しつつ、ElevenLabs 比で約 1/11、Cartesia 比で 2 倍の高速化を低コストなインフラ構成で達成し、8 月 31 日まで API を無償提供している。
- 単語レベルの感情制御機構: 15,000 以上の自然言語タグをクロスリファレンスすることで、文単位ではなく単語単位でのイントネーションや感情トーンの精密なリアルタイム制御を可能にした。
4. 展望・課題（Next）
- 音声ネイティブ LLM への拡張計画: ロードマップには音声対話モデル (Speech-to-Speech) および音声ネイティブ LLM の開発・公開が組み込まれており、さらなる機能拡張が予定されている。