Fish Audio capta US$ 52 milhões para modelos de voz com IA

A startup Fish Audio, sediada em Palo Alto, anunciou na última terça-feira a captação de US$ 52 milhões em uma rodada de investimento seed liderada pelos fundos Coreline Ventures e Capital Today. O aporte, que também contou com a participação dos fundos 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners e HF0, destina-se a acelerar o desenvolvimento de modelos de inteligência artificial focados em geração, clonagem e síntese de voz para criadores de conteúdo e clientes corporativos.

O anúncio reflete a forte tração comercial alcançada pela empresa desde a sua fundação no ano passado. Atualmente, a Fish Audio registra uma receita recorrente anual (ARR) de US$ 21 milhões e conta com uma base superior a 8 milhões de pessoas utilizando as versões open source ou hospedadas de suas ferramentas. A plataforma se diferencia no mercado por oferecer uma biblioteca com mais de 15.000 controles em linguagem natural, permitindo que desenvolvedores ajustem Nuances de expressividade, tom e direcionamento da fala sintética com alta precisão.

A transição de um projeto de código aberto para uma operação corporativa estruturada e financiada por venture capital ocorreu devido à crescente demanda de grandes empresas e à complexidade no treinamento de novos sistemas. Segundo a CEO e cofundadora da Fish Audio, Rissa Cao, a startup mantinha uma operação altamente eficiente e sustentável do ponto de vista financeiro enquanto oferecia apenas produtos de código aberto e planos para criadores independentes, mas a busca por modelos mais avançados e o forte interesse de investidores aceleraram a decisão de captar recursos externos.

Origem no open source

A história da Fish Audio começou como um projeto pessoal liderado pelo pesquisador Shijia Liao, ex-integrante da equipe de IA da Nvidia. Frustrado com as limitações técnicas e com a falta de expressividade das vozes sintéticas disponíveis no mercado, Shijia Liao treinou um modelo inicial de geração de voz utilizando apenas uma única placa gráfica (GPU). Após atingir resultados promissores, o pesquisador optou por disponibilizar o código-fonte publicamente na plataforma GitHub sob o nome de repositório Fish Speech.

O projeto Fish Speech tornou-se rapidamente um fenômeno entre desenvolvedores independentes, criadores de conteúdo e designers de videogames, acumulando mais de 31.000 estrelas no GitHub. O engajamento orgânico da comunidade impulsionou a evolução arquitetônica do software, que em apenas 12 meses evoluiu de um experimento individual para um ecossistema composto por cinco modelos distintos lançados no mercado: quatro modelos dedicados à geração de fala e um modelo especializado em transcrição de áudio para texto (speech-to-text).

Mantendo sua filosofia de compartilhamento técnico, a Fish Audio disponibilizou três de seus modelos de geração de fala sob licenças open source para a comunidade global. No entanto, o modelo mais avançado e recente da startup, denominado S2.1 Pro, foi mantido como tecnologia proprietária e está disponível exclusivamente por meio de acesso pago via API. Essa estratégia híbrida permite capturar receita de uso intensivo enquanto preserva a base de desenvolvedores que impulsionou o projeto no GitHub.

Casos de uso corporativos

Para monetizar a plataforma, a Fish Audio estruturou planos mensais por assinatura voltados a criadores individuais e pequenas equipes, garantindo uma cota mensal de minutos de geração de áudio e acesso a recursos de clonagem de voz. Paralelamente, a empresa lançou uma divisão corporativa de sua plataforma e de suas APIs, atraindo organizações de escala global, como a plataforma de avatares virtuais HeyGen e a desenvolvedora de tecnologias de áudio Sanas.

A demanda no setor enterprise exige características técnicas distintas dependendo do segmento de atuação. Enquanto empresas de automação e suporte necessitam de sistemas altamente direcionáveis (steerable), o setor de entretenimento busca maxima expressividade emocional. A flexibilidade do catálogo de 15.000 controles em linguagem natural da Fish Audio permite atender a essa heterogeneidade de requisitos operacionais sem a necessidade de reconstruir a arquitetura base do modelo.

“Cada empresa possui casos de uso e preferências diferentes. Por exemplo, companhias como a HeyGen, que usam nossas vozes para dar vida a avatares de IA, buscam realismo extremo; um estúdio de games precisa de vozes altamente expressivas para seus personagens; já empresas de agentes de voz como a LiveKit demandam vozes de som natural, com baixíssima latência e expressividade suficiente para chamadas em tempo real”, explicou a CEO Rissa Cao em entrevista ao TechCrunch.

A arquitetura oferecida pela Fish Audio permite que clientes corporativos configurem desde parâmetros finos de prosódia até sotaques e variações regionais. Essa capacidade de adaptação em tempo real tem sido apontada por parceiros como a LiveKit como um fator determinante para a adoção da tecnologia em agentes virtuais de atendimento ativo, nos quais a latência reduzida e o tom humano da conversa impactam diretamente os índices de retenção e satisfação do usuário final.

Controvérsias e direitos autorais

Para construir seu extenso banco de dados e biblioteca de vozes, a Fish Audio adotou um modelo comunitário no qual usuários podem enviar amostras de suas próprias vozes para o treinamento dos modelos de IA, recebendo compensação financeira caso o material seja utilizado comercialmente. Contudo, esse modelo gerou forte controvérsia há alguns meses, quando diversos criadores de conteúdo acusaram a plataforma de hospedar e utilizar suas vozes sem autorização prévia ou consentimento formal.

A controvérsia expôs gargalos no processo de remoção por violação de direitos autorais (DMCA) adotado inicialmente pela startup, considerado lento e burocrático pelos afetados. Em resposta às críticas da comunidade de dubladores e criadores, a CEO Rissa Cao afirmou que a Fish Audio automatizou integralmente o sistema de verificação e derrubada de conteúdo. Atualmente, criadores podem enviar uma pequena amostra vocal ou cópia de contrato comprovando a identidade para que o áudio seja removido do sistema em menos de 3 minutos.

Apesar da otimização no tempo de resposta, o modelo de proteção da Fish Audio permanece reativo. Isso significa que a plataforma não impede preventivamente que um usuário mal-intencionado faça o upload da voz de um artista sem autorização; a voz continuará ativa e disponível para geração até que o verdadeiro detentor dos direitos identifique a infração e solicite formalmente a sua exclusão da base de dados.

“Uma abordagem centrada na comunidade só se torna uma vantagem duradoura se os criadores confiarem na plataforma. Isso significa que consentimento, transparência e atribuição devem ser incorporados ao produto, e não tratados como soluções de última hora. Acredito que a indústria precisa avançar para a propriedade vocal verificada, termos claros de licenciamento, processos simples de denúncia e remoção e, eventualmente, modelos de divisão de receita nos quais os criadores se beneficiem financeiramente quando suas vozes forem licenciadas ou usadas comercialmente”, destacou Osuke Honda, sócio da Coreline Ventures.

O cenário de concorrência

O investimento de US$ 52 milhões na Fish Audio ocorre em um momento de acirramento da concorrência no setor de síntese de voz baseada em inteligência artificial. A startup de Palo Alto disputa o orçamento de criadores e empresas com concorrentes bem capitalizadas, incluindo a ElevenLabs, WellSaid, Cartesia, Speechify, Async (anteriormente conhecida como Podcastle) e a Krisp.

A diferenciação no setor tem migrado da simples capacidade de gerar voz humana para métricas operacionais, como custo por minuto de áudio gerado, latência na resposta de APIs e nível de controle oferecido aos desenvolvedores. A capacidade da Fish Audio de treinar modelos eficientes com orçamentos reduzidos — herdada da cultura de otimização introduzida por Shijia Liao ao treinar o modelo inicial em uma única GPU — é vista por investidores como um trunfo estratégico frente aos grandes laboratórios de IA.

“Acho incrível o que eles foram capazes de construir, desenvolvendo modelos no estado da arte com a equipe que possuem, em comparação com alguns desses outros laboratórios e empresas de IA altamente financiados. Isso demonstra sua capacidade técnica em fechar a lacuna entre vozes artificiais e vozes humanas”, afirmou Rico Mallozzi, sócio do fundo 359 Capital.

A busca por eficiência de custos de inferência é um elemento crucial no cenário atual. Desenvolvedores que utilizam o repositório Fish Speech ou a API do modelo S2.1 Pro conseguem implementar soluções de voz sintética com consumo computacional otimizado, o que reduz o custo por requisição para empresas que operam milhares de chamadas simultâneas ou geram centenas de horas de conteúdo em áudio diariamente.

Próximos passos e produtos

Com o capital recebido na rodada seed, a Fish Audio planeja expandir seu portfólio de produtos ainda este ano. Entre os lançamentos confirmados pela diretoria está um novo modelo de compreensão de áudio (audio understanding model), projetado para analisar, interpretar e extrair contexto de arquivos sonoros complexos, indo além da simples transcrição textual ao identificar emoções, ruídos de fundo e intenção do locutor.

Além disso, a equipe liderada por Shijia Liao e Rissa Cao está trabalhando no desenvolvimento de um modelo direto de fala para fala (speech-to-speech). Essa tecnologia promete revolucionar a interação em tempo real ao traduzir ou modificar a voz do usuário instantaneamente preservando a entonação original e eliminando a etapa intermediária de conversão de áudio para texto e texto para áudio, reduzindo drasticamente a latência em chamadas e transmissões ao vivo.

Para o ecossistema de tecnologia no Brasil e na América Latina, a ascensão de modelos como o Fish Speech e o S2.1 Pro abre oportunidades para desenvolvedores locais criarem aplicações adaptadas ao português brasileiro. A oferta de modelos open source combinada com APIs de baixo custo permite que startups brasileiras de atendimento automatizado, games e e-learning incorporem vozes expressivas sem a necessidade de investir milhões de dólares no treinamento de infraestrutura própria de IA.

O avanço da Fish Audio consolida a tendência de modelos especializados de IA que desafiam os ecossistemas genéricos das Big Techs. Ao alinhar uma base sólida no GitHub, parcerias de peso com empresas como HeyGen e LiveKit e um processo automatizado de proteção a direitos autorais, a startup busca transformar seus US$ 52 milhões de capital em liderança duradoura no disputado mercado global de sintetização vocal.