Shijia Liao曾经是英伟达的一名视频研究员，也是一位痴迷日本动漫的开发者。几年前，他宅在家里的卧室里，受够了早期AI语音那种呆板、毫无起伏的机器人腔。在他眼里，那些合成声音根本配不上动漫里充满情绪的角色。于是他决定自己动手——用卧室里笔记本电脑上那块单GPU，开始训练自己的语音AI模型。

这个周末项目很快有了名字：Fish Speech。一个开源文本转语音与声音克隆项目，在GitHub上像野火一样传开，吸引了独立开发者、内容创作者和游戏设计师。他们想要的，是更生动、更有表现力的语音生成工具。Fish Speech获得了超过31000颗星，也直接催生了今天的Fish Audio（公司注册名Hanabi AI Inc.）。

打开网易新闻 查看精彩图片

从2023年推出到现在，Fish Audio已经变成业界最全面的语音AI平台之一。开发者用它快速搭建文本转语音、语音克隆系统，甚至构建语音智能体。它最大的不同在于针对早期AI语音“无生命感”的设计思路：平台内置超过15000条自然语言提示，提供词级情感控制，允许开发者精细调节合成语音的语气、语调和节奏。不再是平铺直叙的念白，而是带上喜怒哀乐的说话方式。

它的性能同样硬核。据官方数据，只需5秒音频片段，不到15秒就能完成声音克隆；原生支持83种语言。在一次盲听测试中，67%的听者更偏爱Fish Audio的语音输出，超过了它的主要竞争对手。这样的表现也反映在商业数据上：全球用户已超过800万，年度经常性收入超过2100万美元。

今天，Fish Audio宣布完成5200万美元种子轮融资，由Coreline Ventures和今日资本领投，359 Capital、Play Time、HF0、645 Ventures、Parable、Carya Venture Partners、Alphalist Partners以及多位未公开天使投资人跟投。这笔资金将用于把语音打造成每一个AI模型的默认交互界面。最初瞄准游戏和内容创作的Fish Audio，现在也开始向受监管行业渗透，把富有情感的语音能力带到更严肃的产业场景里。