Empresa de voz com IA já alcança 8 milhões de usuários e registra receita recorrente anual de US$ 21 milhões.
A Fish Audio, startup de Palo Alto, quer tornar vozes sintéticas mais naturais, expressivas e fáceis de controlar.
A empresa oferece modelos de geração de fala, clonagem de voz e ferramentas para criadores, desenvolvedores e grandes organizações.
Conforme informação divulgada pelo TechCrunch, a startup captou US$ 50 milhões em uma rodada seed para acelerar seus modelos e serviços corporativos.
Fish Audio amplia modelos de voz com inteligência artificial
A rodada foi liderada pela Coreline Ventures e pela Capital Today. Também participaram 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners e HF0.
O investimento chega após um período de forte crescimento. Desde o lançamento, no ano passado, mais de 8 milhões de pessoas usam as versões de código aberto ou hospedadas dos modelos.
A Fish Audio também afirma ter alcançado US$ 21 milhões em receita recorrente anual, indicador que mede quanto a empresa pode faturar continuamente com seus contratos e assinaturas.
A startup nasceu como um projeto de Shijia Liao, ex-pesquisador da NVIDIA. Insatisfeito com vozes artificiais pouco expressivas, ele treinou um modelo em uma única GPU e publicou o sistema como código aberto.
O repositório Fish Speech, no GitHub, já supera 31 mil estrelas. A ferramenta é usada por desenvolvedores independentes, designers de jogos e produtores de conteúdo.
Controles de linguagem tentam atender diferentes públicos
A empresa lançou cinco modelos no último ano, sendo quatro de geração de fala e um de conversão de voz em texto.
Três modelos de geração de fala foram disponibilizados como código aberto. O modelo mais recente, chamado S2.1 Pro, é oferecido somente por meio da API paga.
A plataforma reúne mais de 15 mil controles em linguagem natural. Eles permitem ajustar características como emoção, ritmo, tom e estilo da fala.
Esse nível de controle atende a necessidades diferentes. Empresas como a HeyGen buscam realismo para avatares digitais, enquanto estúdios de jogos precisam de vozes mais expressivas para personagens.
Companhias de agentes de voz, como a LiveKit, procuram sistemas naturais, rápidos e adequados para conversas telefônicas em tempo real.
“Cada empresa tem diferentes casos de uso e preferências”, afirmou Rissa Cao, CEO e cofundadora da Fish Audio, segundo o TechCrunch.
A Fish Audio oferece planos mensais para criadores e equipes, com uma quantidade definida de minutos para geração de áudio e recursos de clonagem de voz.
A companhia também comercializa APIs e uma plataforma empresarial. Segundo a startup, organizações como HeyGen, Sanas e Plaud já utilizam sua tecnologia.
Consentimento é desafio para o treinamento de vozes
Parte da biblioteca foi criada com vozes enviadas pelos próprios usuários. Quando uma voz é usada no treinamento dos modelos, o participante pode receber uma compensação.
O sistema, porém, enfrentou críticas meses atrás. Alguns criadores disseram que suas vozes foram carregadas na plataforma sem autorização.
A empresa já tinha um processo de remoção baseado na legislação de direitos autorais dos Estados Unidos, mas as solicitações demoravam para ser concluídas.
Cao afirmou que o processo foi automatizado. Agora, o criador pode enviar uma amostra curta da voz ou um contrato que comprove sua propriedade.
De acordo com a executiva, a voz pode ser retirada da plataforma em menos de 3 minutos após a solicitação.
A medida acelera a remoção, mas não impede que alguém envie a voz de um artista sem conhecimento ou autorização. Até a denúncia, o material pode continuar disponível.
Oskue Honda, sócio da Coreline Ventures, disse que um modelo baseado em comunidade só será duradouro se os criadores confiarem na plataforma.
“Consentimento, transparência e atribuição precisam estar incorporados ao produto, e não ser tratados como algo secundário”, declarou Honda, conforme tradução do TechCrunch.
O investidor também defendeu propriedade verificada da voz, regras claras de licenciamento, denúncias simples e divisão de receita quando houver uso comercial.
Mercado de voz com IA reúne concorrentes fortes
A Fish Audio atua em um setor disputado, que inclui ElevenLabs, WellSaid, Cartesia, Speechify, Async, anteriormente chamada Podcastle, e Krisp.
Para Rico Mallozzi, sócio da 359 Capital, os controles detalhados e o treinamento eficiente dos modelos podem ajudar a empresa a competir com laboratórios maiores de inteligência artificial.
“Eles conseguiram construir modelos de ponta com a equipe que têm, em comparação com laboratórios e empresas de IA muito mais financiados”, afirmou Mallozzi ao TechCrunch.
Segundo ele, o resultado demonstra capacidade técnica para reduzir a distância entre vozes artificiais e vozes humanas.
Cao explicou que a Fish Audio operava de forma eficiente quando oferecia apenas um projeto de código aberto para criadores. A necessidade de investir em modelos avançados levou a empresa a buscar capital.
A startup planeja lançar ainda neste ano um modelo de compreensão de áudio. Também trabalha em uma tecnologia de conversão de fala em fala.
Esses sistemas podem ampliar o uso da inteligência artificial em dublagem, atendimento ao cliente, criação de personagens, produção de vídeos e automação de vendas.
Com informações de techcrunch
Aviso legal
Este conteúdo foi produzido com o apoio de ferramentas de Inteligência Artificial, sendo posteriormente revisado, validado e aprimorado por Lc Palauro . Em conformidade com os critérios definidos em nossa Política Editorial , garantindo precisão, clareza e confiabilidade nas informações apresentadas.
