Fish Audio : 52 millions pour dompter les voix IA qui parlent comme vous

UN MARCHÉ EN PLEINE EXPANSION

Imaginez une voix d’IA qui ne parle pas comme un robot, mais comme votre acteur préféré, avec des émotions, des nuances et même des silences calculés. C’est exactement ce que promet le marché des modèles vocaux IA, estimé à plusieurs milliards de dollars. Deux mondes s’affrontent ici : d’un côté, les créateurs de contenu veulent des voix expressives pour leurs vidéos ou leurs jeux. De l’autre, les entreprises cherchent des Outils pour automatiser leurs services clients ou leurs ventes. Dans les deux cas, la qualité sonore et la flexibilité sont devenues des critères non négociables.

FISH AUDIO, LA STARTUP QUI VEUT TOUT COUVRIR

Basée à Palo Alto, Fish Audio se positionne comme une solution unique pour ces deux besoins. Avec plus de 15 000 contrôles de langage naturel dans sa bibliothèque, la startup promet de répondre à toutes les attentes. Depuis son lancement l’an dernier, Fish Audio a séduit plus de 8 millions d’utilisateurs, que ce soit via sa version open source ou ses services hébergés. Résultat : la société génère aujourd’hui un revenu annuel récurrent de 21 millions de dollars.

UNE LEVÉE DE FONDS DE 52 MILLIONS POUR ACCÉLÉRER

Pour poursuivre sur cette lancée, Fish Audio vient de lever 52 millions de dollars lors d’un tour de table mené par Coreline Ventures et Capital Today. D’autres investisseurs ont participé, comme 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners et HF0. Cette manne financière va permettre à la startup de développer des modèles encore plus avancés et d’élargir son offre aux entreprises.

DE L’OPEN SOURCE À UNE ENTREPRISE STRUCTURÉE

L’histoire de Fish Audio commence il y a un an, presque par accident. Shijia Liao, un ancien chercheur chez Nvidia, en avait assez des voix synthétiques peu expressives disponibles sur le marché. Il a donc entraîné un modèle de génération vocale sur un seul GPU, avant de le partager en open source. Le projet, baptisé Fish Speech, a rapidement séduit les développeurs indépendants, les créateurs de jeux vidéo et les designers. Aujourd’hui, le dépôt GitHub de Fish Speech compte plus de 31 000 étoiles et continue d’attirer des contributeurs du monde entier.

CINQ MODÈLES POUR COUVRIR TOUS LES BESOINS

En un an, Fish Audio a lancé cinq modèles différents : quatre pour générer de la parole et un pour convertir la parole en texte. Trois de ses modèles de génération vocale sont open source, mais son dernier-né, le S2.1 Pro, est réservé à une utilisation payante via son API. Cette stratégie permet à la startup de monétiser ses innovations tout en gardant une communauté engagée autour de ses outils gratuits.

DES ABONNEMENTS TAILOR-MADE POUR LES CRÉATEURS

Fish Audio propose des formules mensuelles adaptées aux créateurs et aux équipes, avec un nombre limité de minutes de génération et des fonctionnalités de clonage vocal. Pour les entreprises, la startup offre une version dédiée de ses API et plateformes. Des sociétés comme HeyGen et Sanas utilisent déjà ces services pour alimenter leurs avatars IA ou améliorer leurs interactions clients. Le réalisme des voix est souvent cité comme un critère clé par ces clients.

Rissa Cao, PDG et cofondatrice de Fish Audio, explique cette diversité d’usages. Pour elle, la clé du succès réside dans la flexibilité des modèles proposés.

LE DÉFI ÉTHIQUE : DES VOIX VOLÉES SANS CONSENTEMENT

Pour enrichir sa bibliothèque de voix, Fish Audio a longtemps demandé aux utilisateurs de soumettre leur propre voix pour entraîner ses modèles. En échange, les contributeurs étaient rémunérés si leur voix était utilisée. Mais cette méthode a rapidement posé problème : certains créateurs ont découvert que leur voix avait été uploadée sur la plateforme sans leur accord. Malgré un processus de retrait DMCA en place, les délais étaient trop longs, laissant les artistes impuissants pendant des semaines.

Face à ces critiques, Fish Audio a automatisé son système de retrait. Désormais, les créateurs peuvent soumettre un échantillon vocal ou un contrat pour prouver qu’une voix leur appartient. Le processus prend moins de trois minutes pour retirer la voix de la plateforme. Pourtant, ce système ne protège pas contre les uploads frauduleux : tant que l’artiste n’a pas repéré l’utilisation de sa voix, celle-ci reste disponible sur la plateforme.

LA CONFIANCE DES CRÉATEURS, CLÉ DU SUCCÈS

Osuke Honda, associé chez Coreline Ventures, insiste sur l’importance de la confiance dans ce modèle communautaire. Pour lui, une approche centrée sur la communauté ne peut fonctionner que si les créateurs font confiance à la plateforme. Cela implique une gestion rigoureuse du consentement, de la transparence et de la propriété des voix. Il appelle l’industrie à adopter des standards plus stricts : vérification de la propriété vocale, termes de licence clairs, processus de signalement simplifiés et, à terme, des modèles de partage des revenus où les créateurs bénéficient financièrement lorsque leur voix est utilisée commercialement.

DE L’OPEN SOURCE À L’ENTREPRISE : UNE TRANSITION DIFFICILE

Rissa Cao révèle que, lorsque Fish Audio fonctionnait uniquement en open source et se concentrait sur les créateurs, la startup n’avait pas besoin de levée de fonds. Mais pour développer des modèles plus avancés et attirer les entreprises, elle a dû se tourner vers les investisseurs. Cette transition a marqué un tournant dans la stratégie de la jeune pousse, qui doit désormais concilier innovation technique et rentabilité.

DES MODÈLES FUTURS POUR UNE IA PLUS INTELLIGENTE

Fish Audio ne compte pas s’arrêter là. D’ici la fin de l’année, la startup prévoit de lancer un modèle de compréhension audio. Elle travaille également sur un modèle de conversion de la parole en parole, une technologie qui pourrait révolutionner les communications en temps réel. Ces innovations visent à rendre les interactions vocales encore plus naturelles et fluides.

UNE CONCURRENCE FÉROCE DANS LE SECTEUR

Le marché des modèles vocaux IA est déjà très disputé. Des acteurs comme ElevenLabs, WellSaid, Cartesia, Speechify, Async (anciennement Podcastle) et Krisp se disputent les budgets des créateurs et des entreprises. Pour se démarquer, Fish Audio mise sur des contrôles granulaires pour les développeurs et des coûts d’entraînement de modèles optimisés.

Rico Mallozzi, associé chez 359 Capital, souligne que ces avantages pourraient donner à Fish Audio un avantage décisif. « Ce qu’ils ont réussi à construire, des modèles de pointe avec une équipe réduite, comparé à d’autres laboratoires ou entreprises bien financés, est incroyable. Cela montre leur expertise technique pour combler l’écart entre les voix artificielles et les voix humaines », explique-t-il.

LA COURSE AU RÉALISME VOCAL

Le défi majeur pour Fish Audio et ses concurrents reste la qualité sonore. Les voix artificielles doivent être suffisamment réalistes pour ne plus être distinguables des voix humaines, tout en restant expressives et adaptables. Cette quête de perfection technique explique en partie l’engouement des investisseurs pour ce secteur.

UNE QUESTION DE CONFIANCE ET DE SÉCURITÉ

Au-delà des performances techniques, Fish Audio doit aussi rassurer sur la sécurité des voix uploadées. Le système actuel, bien qu’amélioré, reste vulnérable aux uploads frauduleux. La startup devra donc trouver un équilibre entre simplicité d’utilisation et protection des créateurs. Sans cela, la confiance des utilisateurs pourrait s’effriter, mettant en péril tout le modèle économique.

QUEL AVENIR POUR LES VOIX IA ?

Avec 52 millions de dollars en poche et une communauté grandissante, Fish Audio a les moyens de ses ambitions. Mais le vrai test ne sera pas seulement technique : il sera aussi éthique. Dans un monde où les voix peuvent être clonées en quelques secondes, la question de la propriété et du consentement devient cruciale. Si la startup parvient à concilier innovation et respect des créateurs, elle pourrait bien redéfinir les standards de l’industrie vocale IA.