Fish Audio sammelt 50 Millionen Dollar ein, um jedem das Klonen von Stimmen zu ermöglichen – Fragen zur Zustimmung bleiben offen

Wichtigste Punkte

• Fish Audio schloss am Dienstag eine Serie-Seed-Finanzierung in Höhe von 50 Millionen Dollar ab, angeführt von Coreline Ventures und Capital Today.
• Das Startup meldete 21 Millionen Dollar jährlich wiederkehrende Einnahmen und mehr als 8 Millionen Nutzer in dieser Woche.
• Fish Audios Stimmbibliothek wurde teilweise aus von Nutzern eingereichten Aufnahmen aufgebaut, von denen einige ohne Zustimmung der ursprünglichen Ersteller hochgeladen wurden.
• Das Unternehmen automatisierte seinen Stimm-Lösch-Prozess und verspricht die Entfernung in unter drei Minuten nach einem verifizierten Antrag.
• Fish Audio plant die Veröffentlichung eines Audio-Verständnismodells und eines Speech-to-Speech-Modells vor Ende 2025.

Ein Palo-Alto-Startup, das Entwicklern, Spieledesignern und Unternehmen ermöglicht, realistische synthetische Stimmen zu generieren, hat gerade eine beträchtliche Finanzierungsspritze in der Frühphase gesichert und bestätigt damit das starke Interesse von Investoren an KI-Sprachentechnologie – selbst während der Sektor mit schwierigen Fragen darüber ringt, wem welche Stimme gehört.

Fish Audio kündigte am Dienstag an, dass es in einer Seed-Runde 50 Millionen Dollar eingesammelt hat, die Art von Früh-Finanzierung, die typischerweise kommt, bevor ein Unternehmen sich im großen Maßstab bewährt hat. Coreline Ventures und Capital Today führten die Runde an, wobei 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners und HF0 ebenfalls teilnahmen.

Was macht Fish Audio eigentlich?

Das Unternehmen entwickelt Text-zu-Sprache-Modelle – Software, die geschriebene Wörter in gesprochenes Audio umwandelt – mit Fokus auf Ausdrucksfähigkeit und feingranulare Kontrolle. Seine Bibliothek bietet mehr als 15.000 Steuerungen in natürlicher Sprache, was bedeutet, dass ein Entwickler eine Anweisung wie „klingt nervös aber beruhigend" schreiben kann, anstatt technische Schieberegler anzupassen.

Fish Audio startete im vergangenen Jahr fünf Modelle: vier Sprachgenerations-Modelle und ein Speech-to-Text-Modell, das das Gegenteil tut und Audio in geschriebenen Text umwandelt. Drei der Sprach-Modelle sind Open-Source, was bedeutet, dass jeder den Code kostenlos herunterladen und verwenden kann. Sein neuestes Modell, S2.1 Pro, ist nur über eine kostenpflichtige API erhältlich – eine Programmierschnittstelle, die anderen Apps ermöglicht, sich in Fish Audios Technologie zu integrieren.

Das Unternehmen geht auf ein Nebenprojekt des ehemaligen Nvidia-Forschers Shijia Liao zurück. Frustriert davon, wie roboterhaft synthetische Stimmen klangen, trainierte er ein Modell auf einer einzelnen GPU – dem spezialisierten Chip, der die intensive numerische Rechenleistung durchführt, die KI benötigt – und veröffentlichte den Code öffentlich. Dieses Repository hat seitdem mehr als 31.000 Stars auf GitHub erhalten, ein grobes Maß für das Interesse von Entwicklern.

Heutige zahlende Kunden sind HeyGen, das KI-Avatare mit Leben erfüllt, und Enterprise-Sprach-Agent-Plattformen. Fish Audio generiert 21 Millionen Dollar in jährlich wiederkehrenden Einnahmen, zuerst berichtet von TechCrunch.

Sollten Kreative besorgt sein, dass ihre Stimmen ohne Genehmigung verwendet werden?

Möglicherweise ja. Anfang diesen Jahres behaupteten einige Künstler, ihre Stimmen seien auf Fish Audios Plattform ohne ihre Zustimmung aufgetaucht. Ein Teil von Fish Audios Wachstumsstrategie beinhaltet, Nutzer aufzufordern, Stimmen für das Modelltraining einzureichen, und Beitragende zu entschädigen, wenn ihre Aufnahmen verwendet werden. Das System beruht auf Vertrauen, und dieses Vertrauen ist gebrochen.

Das Unternehmen automatisierte seitdem seinen DMCA-Lösch-Prozess. DMCA, der Digital Millennium Copyright Act, ist ein US-amerikanisches Gesetz, das Kreativen einen formalen Weg gibt, die Entfernung ihres urheberrechtlich geschützten Materials von Online-Plattformen zu verlangen. CEO Rissa Cao sagt, dass ein verifizierter Antrag jetzt eine Entfernung in weniger als drei Minuten auslöst.

Die Lücke im Prozess bleibt jedoch real. Nichts hindert jemanden daran, die Stimme einer anderen Person ohne deren Wissen hochzuladen. Die Stimme bleibt online, bis der betroffene Ersteller sie entdeckt und einen Antrag einreicht.

Oskue Honda, Partner des Leitinvestors Coreline Ventures, würdigte das Problem direkt an: „Zustimmung, Transparenz und Zuschreibung müssen in das Produkt integriert sein, nicht als Nachgedanken behandelt werden."

Was passiert als Nächstes?

Fish Audio wird die Finanzierung zur Entwicklung fortgeschrittenerer Modelle und zur Gewinnung größerer Enterprise-Kunden einsetzen. Zwei neue Produkte sind auf der Roadmap für 2025: ein Audio-Verständnismodell, das die Bedeutung und den Inhalt von Audioclips interpretieren würde, und ein Speech-to-Speech-Modell, das eine gesprochene Stimme in Echtzeit in eine andere umwandelt.

Der Markt ist überlaufen. ElevenLabs, WellSaid, Cartesia und Speechify konkurrieren alle um dieselben Entwickler und Business-Budgets. Fish Audios Argument ist, dass es hochwertige Qualität zu niedrigeren Kosten erreichen kann, teilweise weil sein schlankes Gründungsteam die Trainingskosten niedrig gehalten hat.

Für normale Nutzer ist die praktische Schlussfolgerung geradlinig: Suchen Sie nach Ihrem Namen oder Ihrer Stimme auf jeder KI-Audio-Plattform, bei der Sie sich nicht explizit angemeldet haben. Falls Sie etwas finden, haben die meisten Plattformen jetzt einen Lösch-Weg. Fish Audios ist jetzt schneller als die meisten.

Häufig gestellte Fragen

Kann ein Unternehmen rechtlich Ihre Stimme verwenden, um ein KI-Modell zu trainieren, ohne Sie zu fragen?

In den meisten Jurisdiktionen nein. Das Urheberrecht und in einigen US-Bundesstaaten Statuten über die Recht am eigenen Bild geben dem Einzelnen Kontrolle über die kommerzielle Nutzung ihrer Stimme. Das rechtliche Bild entwickelt sich noch immer, aber das Hochladen der Stimme einer anderen Person ohne Zustimmung birgt bereits ein echtes Risiko für den Uploader.

Was ist eine Seed-Runde, und warum klingt 50 Millionen Dollar in dieser Phase groß?

Eine Seed-Runde ist die erste formale externe Investition, die ein Startup erhält, normalerweise verwendet, um Produkt zu bauen und Personal einzustellen. Fünfzig Millionen Dollar ist in dieser Phase ungewöhnlich groß und spiegelt wider, wie viel Wettbewerb es gibt, um KI-Infrastruktur-Unternehmen zu finanzieren, bevor sie später, teurere Finanzierungsrunden erreichen.