Fish Audio、音声生成アプリ Fish Audio を iOS 向けに公開──200 万超の音声とクローン機能を搭載
デスクトップ環境と同等の音声スタジオ機能をネイティブ iOS アプリに移植し、月額 14.99 ドルの Plus プランや 82.8 MB のビルドサイズで提供する。
リリース: 2026-08-26 · 読了 3 分記事の要約
1. 核心（What）
- Fish Audio はデスクトップ版の機能を踏襲した iOS 向け公式アプリを公開し、200 万以上の音声カタログと 80 言語以上のマルチスピーカー対話機能を提供した。
- アプリ本体のサイズは 82.8 MB で動作要件は iOS 16.4 以降、利用料金は無料ダウンロードに加え月額 14.99 ドルの Plus プランが用意されている。
- 本アプリの音声生成を支える基盤モデル S2.1 Pro は、Seed-TTS Eval ベンチマークで Qwen3-TTS や MiniMax Speech-02 と比較して低い単語誤り率を記録した。
- 同社はオープンソースの Fish Speech（GitHub 31,000 超のスター）を起点に成長し、創業 1 年目で ARR 2,100 万ドルとユーザー数 800 万人を突破した。
2. 影響（Why）
- モバイル完結の音声制作ワークフロー: PCレスで音声クローンや感情タグ付きの生成を行えるため、[ポッドキャスト・音声コンテンツ制作業種] の現場における制作リードタイムを短縮できる。
- API からアプリへの垂直統合: ElevenLabs などの既存ライバルに対し、デスクトップからモバイルまで一貫したエコシステムを提示することで、開発者のマルチプラットフォーム展開の判断基準が変わる。
3. 根拠・詳細（How）
- S2.1 Pro モデルと 0-shot 推論: 1,000 万時間以上の音声データで事前学習されたゼロショット推論を採用し、スピーカーエンコーダが短い音声クリップからトーンやピッチ分布を抽出する。
- オープン-エンド感情タグの統合: 固定のプリセットリストではなく括弧構文による自由記述式の感情・パラリンギスティックタグをスクリプト内に埋め込み、Web 版と同等の制御を実現している。
4. 展望・課題（Next）
- 音声ネイティブ LLM への拡張計画: 単なる Text-to-Speech から音声ネイティブ LLM や Speech-to-Speech へスタックを拡張し、LiveKit や Retell とのインテグレーションを深める予定。