Fish Audio-მ $52 მილიონი მოიზიდა: AI ხმის მოდელები კრეატორებისა და ბიზნესისთვის

ხელოვნური ინტელექტის მიერ გენერირებული ხმის მოდელების ბაზარი სწრაფად იზრდება. კრეატიული სფეროსთვის საჭიროა უფრო ექსპრესიული ხმები, ხოლო ბიზნესებისთვის, რომლებსაც მომხმარებელთა მხარდაჭერისა და გაყიდვების ოპერაციების ავტომატიზაცია სურთ, მნიშვნელოვანია ხმის მართვის მეტი შესაძლებლობა. პალო-ალტოში დაფუძნებული სტარტაპი Fish Audio სწორედ ამ მოთხოვნების დაკმაყოფილებას ცდილობს თავისი ბიბლიოთეკით, რომელიც 15,000-ზე მეტ ბუნებრივი ენის კონტროლს მოიცავს.

გასულ წელს გაშვების შემდეგ, სტარტაპის ღია კოდის თუ ჰოსტირებული ვერსიებით უკვე 8 მილიონზე მეტი ადამიანი სარგებლობს, ხოლო კომპანიის წლიური განმეორებადი შემოსავალი (ARR) 21 მილიონ დოლარს აღწევს. ამ წარმატების გასამყარებლად, სამშაბათს კომპანიამ გამოაცხადა, რომ საწყის (seed) რაუნდში 52 მილიონი დოლარი მოიზიდა.

საინვესტიციო რაუნდს Coreline Ventures და Capital Today ხელმძღვანელობდნენ. მასში ასევე მონაწილეობდნენ 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners და HF0. Fish Audio თავდაპირველად Nvidia-ს ყოფილი მკვლევრის, შიჯია ლიაოს (Shijia Liao) მცირე პროექტი იყო. ბაზარზე არსებული სინთეზური ხმების არაექსპრესიულობით უკმაყოფილო ლიაომ ხმის გენერაციის მოდელი ერთ გრაფიკულ პროცესორზე (GPU) გაწვრთნა და შემდეგ მისი კოდი საჯაროდ ხელმისაწვდომი გახადა.

პროდუქტები და ტექნოლოგიური მიღწევები

GitHub-ზე Fish Speech-ის რეპოზიტორს ახლა 31,000-ზე მეტი „ვარსკვლავი“ აქვს და მას აქტიურად იყენებენ დამოუკიდებელი დეველოპერები, ვიდეო თამაშების დიზაინერები და კრეატორები. ბოლო ერთი წლის განმავლობაში კომპანიამ ხუთი მოდელი წარადგინა: ოთხი მეტყველების გენერაციისთვის და ერთი მეტყველების ტექსტად გარდაქმნისთვის (speech-to-text).

სტარტაპმა თავისი მეტყველების გენერაციის სამი მოდელის ღია კოდი გამოაქვეყნა, თუმცა უახლესი S2.1 Pro მოდელი მხოლოდ ფასიანი API-ს საშუალებით არის ხელმისაწვდომი. Fish Audio სთავაზობს ყოველთვიურ ფასიან პაკეტებს კრეატორებსა და გუნდებს, რაც მოიცავს გენერირების გარკვეულ დროსა და ხმის კლონირების ფუნქციებს. კომპანიას ასევე აქვს პლატფორმის საწარმოო (enterprise) ვერსია, რომელსაც ისეთი ორგანიზაციები იყენებენ, როგორიცაა HeyGen და Sanas.

Fish Audio-ს აღმასრულებელი დირექტორისა და თანადამფუძნებლის, რისა კაოს (Rissa Cao) თქმით, სხვადასხვა ბიზნესს განსხვავებული მოთხოვნები აქვს. მაგალითად, HeyGen-ს, რომელიც ხმებს AI ავატარებისთვის იყენებს, რეალისტურობა სჭირდება; სათამაშო სტუდიებს — ექსპრესიული ხმები პერსონაჟებისთვის; ხოლო ხმოვანი აგენტების კომპანიებს, როგორიცაა LiveKit — ბუნებრივი ჟღერადობისა და დაბალი დაყოვნების (low-latency) მქონე ხმები სატელეფონო ზარებისთვის.

საავტორო უფლებები და ხმის წაშლის პროცესი

ხმების ბიბლიოთეკის გასაზრდელად სტარტაპი მომხმარებლებს სთხოვდა საკუთარი ხმების წარდგენას მოდელების გასაწვრთნელად, რის სანაცვლოდაც მათ ანაზღაურებას სთავაზობდა. თუმცა, რამდენიმე თვის წინ პრობლემები შეიქმნა: ზოგიერთმა კრეატორმა განაცხადა, რომ მათი ხმები პლატფორმაზე მათი თანხმობის გარეშე აიტვირთა. ადრე DMCA-ს საფუძველზე ხმის წაშლის პროცესი დიდ დროს მოითხოვდა, თუმცა ახლა კომპანიამ ეს პროცესი ავტომატიზებული გახადა.

ხმის წაშლის განახლებული პროცედურა შემდეგნაირად მუშაობს:

• კრეატორმა უნდა წარადგინოს ხმის მოკლე ნიმუში ან ხელშეკრულება იმის დასამტკიცებლად, რომ ატვირთული ხმა მას ეკუთვნის.
• სისტემა ავტომატურად ამუშავებს მოთხოვნას.
• ხმა პლატფორმიდან სამ წუთზე ნაკლებ დროში იშლება.

მიუხედავად ამისა, ეს მექანიზმი ვერ უშლის ხელს ვინმეს, წინასწარ ატვირთოს სხვისი ხმა მფლობელის ცოდნის გარეშე. Coreline Ventures-ის პარტნიორის, ოსუკე ჰონდას თქმით, საზოგადოებაზე ორიენტირებული მოდელი მხოლოდ მაშინ მუშაობს, როცა კრეატორებს პლატფორმის მიმართ ნდობა აქვთ. მისი აზრით, ინდუსტრია უნდა გადავიდეს ხმის საკუთრების ვერიფიკაციაზე, მკაფიო ლიცენზირებაზე და შემოსავლის გაზიარების მოდელებზე.

სამომავლო გეგმები და კონკურენცია

რისა კაოს განმარტებით, როდესაც სტარტაპი მხოლოდ ღია კოდის პროექტს სთავაზობდა კრეატორებს, ის ეფექტურად მუშაობდა და გარე კაპიტალი არ სჭირდებოდა. თუმცა, უფრო მოწინავე მოდელების შესაქმნელად და მსხვილი ორგანიზაციების მოთხოვნების დასაკმაყოფილებლად დამატებითი ინვესტიცია გახდა საჭირო. სამომავლოდ Fish Audio გეგმავს წელს აუდიოს აღქმის (audio understanding) მოდელის გამოშვებას და ასევე მუშაობს მეტყველებიდან მეტყველებაში (speech-to-speech) გადამყვან მოდელზე.

მეტყველების გენერაციის ბაზარი საკმაოდ გადატვირთულია. Fish Audio-ს ისეთ კომპანიებთან უწევს კონკურენცია, როგორიცაა ElevenLabs, WellSaid, Cartesia, Speechify, Async (ყოფილი Podcastle) და Krisp. 359 Capital-ის პარტნიორის, რიკო მალოზის თქმით, დეველოპერებისთვის განკუთვნილი დეტალური კონტროლის მექანიზმები და მოდელების წვრთნის ხარჯეფექტურობა დაეხმარება Fish Audio-ს დიდ AI ლაბორატორიებთან კონკურენციაში.

„ის, რაც მათ შეძლეს — უახლესი მოდელების შექმნა მცირე გუნდით — წარმოუდგენელია სხვა კარგად დაფინანსებულ AI ლაბორატორიებთან შედარებით. ეს აჩვენებს მათ ტექნიკურ უნარს, შეამცირონ განსხვავება ხელოვნურ და ადამიანურ ხმებს შორის“, — აღნიშნა მალოზიმ.