Fish Audio sammelt 50 Millionen Dollar für Voice-Cloning ein – Fragen zur Zustimmung bleiben offen

Wichtigste Punkte

• Fish Audio schloss am Dienstag eine Seed-Finanzierungsrunde in Höhe von 50 Millionen Dollar ab, angeführt von Coreline Ventures und Capital Today.
• Das Startup meldete 21 Millionen Dollar jährlich wiederkehrende Einnahmen und über 8 Millionen Nutzer in dieser Woche.
• Fish Audios Voice-Bibliothek wurde teilweise aus von Nutzern eingereichten Aufnahmen erstellt, von denen einige ohne Zustimmung der ursprünglichen Ersteller hochgeladen wurden.
• Das Unternehmen automatisierte seinen Voice-Takedown-Prozess und versprach die Entfernung in weniger als drei Minuten nach einer verifizierten Beschwerde.
• Fish Audio plant die Veröffentlichung eines Audio-Verständnismodells und eines Speech-to-Speech-Modells vor Ende 2025.

Ein Startup aus Palo Alto, das Entwicklern und Spieledesignern ermöglicht, realistische synthetische Stimmen zu generieren, hat sich eine umfangreiche Frühphase-Finanzierung gesichert und bestätigt damit das starke Investoreninteresse an KI-Sprachentechnologie, auch wenn der Sektor mit schwierigen Fragen darüber ringt, wem eine Stimme gehört.

Fish Audio kündigte am Dienstag an, dass es 50 Millionen Dollar in einer Seed-Runde aufgebracht hat, der Art von Frühfinanzierung, die typischerweise vor dem Nachweis der Skalierbarkeit eines Unternehmens kommt. Coreline Ventures und Capital Today führten die Runde an, an der auch 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners und HF0 teilnahmen.

Was macht Fish Audio eigentlich?

Das Unternehmen entwickelt Text-to-Speech-Modelle, Software, die geschriebene Wörter in gesprochenes Audio umwandelt, mit Fokus auf Ausdruckskraft und granulare Kontrolle. Seine Bibliothek bietet mehr als 15.000 Steuerbefehle in natürlicher Sprache, sodass ein Entwickler eine Anweisung wie „klingt nervös aber beruhigend" schreiben kann, anstatt technische Schieber anzupassen.

Fish Audio startete im vergangenen Jahr fünf Modelle: vier Sprachgenerierungsmodelle und ein Speech-to-Text-Modell, das das Gegenteil tut und Audio in geschriebenen Text umwandelt. Drei der Sprachmodelle sind Open-Source, was bedeutet, dass jeder den Code frei herunterladen und verwenden kann. Das neueste Modell, S2.1 Pro, ist nur über eine kostenpflichtige API verfügbar, eine Programmierschnittstelle, die anderen Apps ermöglicht, sich mit Fish Audios Technologie zu verbinden.

Das Unternehmen geht auf ein Nebenprojekt des ehemaligen Nvidia-Forschers Shijia Liao zurück. Frustriert von der roboterhaften Wirkung synthetischer Stimmen trainierte er ein Modell auf einer einzelnen GPU, dem spezialisierten Chip, der die aufwändigen Berechnungen durchführt, die KI erfordert, und veröffentlichte den Code öffentlich. Dieses Repository hat seitdem mehr als 31.000 Stars auf GitHub gesammelt, ein ungefähres Maß für das Entwicklerinteresse.

Zu den zahlenden Kunden gehören HeyGen, das KI-Avatare unterstützt, und Enterprise-Voice-Agent-Plattformen. Fish Audio generiert 21 Millionen Dollar jährlich wiederkehrende Einnahmen, wie zuerst von TechCrunch berichtet.

Sollten Creator sich Sorgen machen, dass ihre Stimmen ohne Erlaubnis verwendet werden?

Möglicherweise ja. Früher in diesem Jahr behaupteten einige Künstler, dass ihre Stimmen auf Fish Audios Plattform ohne ihre Zustimmung erschienen. Fish Audios Wachstumsstrategie besteht darin, Nutzer zur Übermittlung von Stimmen zum Modelltraining aufzufordern und Mitwirkende zu entschädigen, wenn ihre Aufnahmen verwendet werden. Dieses Vertrauen ist gebrochen worden.

Das Unternehmen hat seitdem seinen DMCA-Takedown-Prozess automatisiert. DMCA, der Digital Millennium Copyright Act, ist ein US-amerikanisches Gesetz, das Urhebern ein formales Verfahren gibt, um die Entfernung ihres urheberrechtlich geschützten Materials von Online-Plattformen zu fordern. CEO Rissa Cao teilte TechCrunch mit, dass eine verifizierte Beschwerde nun die Entfernung in weniger als drei Minuten auslöst.

Die Lücke im Prozess bleibt jedoch real. Niemand kann jemanden daran hindern, die Stimme einer anderen Person ohne deren Wissen hochzuladen, und die Stimme bleibt online, bis der betroffene Creator sie entdeckt und eine Beschwerde einreicht. Es ist das gleiche strukturelle Problem, das wir im Suno-Datenschutz früher in diesem Jahr berichteten: Schnellere Entfernung hilft, behebt aber nicht das eigentliche Problem, wie das Material dorthin kam.

Oskue Honda, Partner des Lead-Investors Coreline Ventures, erkannte das Problem direkt an: „Zustimmung, Transparenz und Zuschreibung müssen in das Produkt eingebaut werden, nicht als nachträgliche Gedanken behandelt werden."

Was passiert als Nächstes?

Fish Audio wird die Finanzierung nutzen, um fortgeschrittenere Modelle zu entwickeln und größere Enterprise-Kunden zu gewinnen. Zwei neue Produkte stehen für 2025 auf der Roadmap: 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 überfüllt. ElevenLabs, WellSaid, Cartesia und Speechify konkurrieren um die gleichen Entwickler und Geschäftsbudgets. Fish Audios Argument ist, dass es führende Qualität zu niedrigeren Kosten erreichen kann, teilweise weil sein schlankes Gründungsteam die Trainingskosten niedrig gehalten hat.

Für gewöhnliche Nutzer ist die praktische Konsequenz einfach: Suchen Sie Ihren Namen oder Ihre Stimme auf jeder KI-Audio-Plattform, bei der Sie sich nicht explizit registriert haben. Wenn Sie etwas finden, haben die meisten Plattformen jetzt einen Takedown-Weg, und Fish Audios ist jetzt schneller als die meisten.

Häufig gestellte Fragen

Kann ein Unternehmen Ihre Stimme legal zum Training einer KI verwenden, ohne Sie zu fragen?

In den meisten Ländern nein. Urheberrechtsgesetze und in einigen US-Bundesstaaten auch Gesetze über Persönlichkeitsrechte geben Einzelpersonen die Kontrolle über die kommerzielle Nutzung ihrer Stimme. Die rechtliche Situation entwickelt sich noch immer, aber das Hochladen der Stimme einer anderen Person ohne Zustimmung birgt bereits reale Risiken für den Uploader.

Was ist eine Seed-Runde und warum klingt 50 Millionen Dollar in diesem Stadium groß?

Eine Seed-Runde ist die erste formale Außenfinanzierung, die ein Startup aufnimmt, normalerweise um Produkte zu entwickeln und Personal einzustellen. Fünfzig Millionen Dollar ist in diesem Stadium ungewöhnlich groß und spiegelt wider, wie viel Wettbewerb es gibt, um KI-Infrastruktur-Unternehmen zu unterstützen, bevor sie spätere, teurere Finanzierungsrunden erreichen.