Fish Audio 发布 S2.1 Pro 语音模型并宣布 5200 万美元种子轮融资，挑战 ElevenLabs 定价体系

7 月 28 日，AI 语音初创公司 Fish Audio（注册名 Hanabi AI Inc.）公开宣布完成 5200 万美元种子轮融资，同时正式发布其旗舰语音模型 S2.1 Pro。该公司宣称在盲测中以 6/10 胜率击败 ElevenLabs、以 8/10 胜率击败 OpenAI 语音服务，且 API 定价仅为 ElevenLabs 的约六分之一。发布 24 小时内，其官方推文在 X 平台获得超过 450 万次浏览。

融资与背景

本轮融资由 Coreline Ventures 和 Capital Today 联合领投，参投方包括 359 Capital、Play Time、HF0、645 Ventures、Parable、Carya Venture Partners、Alphalist Partners 及多位未披露的天使投资人。公司未公布估值。

Fish Audio 由前 NVIDIA 视频研究员廖世嘉（Shijia Liao）与 CEO Rissa Cao 联合创立，总部位于 Palo Alto。起源颇具故事性：廖世嘉因不满早期合成语音的机械感，在卧室中使用单张游戏 GPU 开始训练语音模型。其开源项目 Fish Speech 在 GitHub 累计获得超过 31,000 星标，随后发展为商业平台。公司成立仅一年即实现 2100 万美元年经常性收入（ARR）和超过 800 万用户。

S2.1 Pro 核心能力

5 秒声音克隆：从 5 秒音频样本中克隆声音，克隆过程不超过 15 秒。
83 种语言：单一模型覆盖英、中、日、韩、西、阿、法、德、葡、俄等语言，无需切换模型。
词级情感标签控制：支持超过 15,000 个自然语言提示词，可在文本中插入 [whisper]、[sigh]、[laughing nervously] 等标签，精确控制语调、情感和节奏。
低延迟：单次请求首音延迟约 70 毫秒，标准 API 约 90 毫秒，适用于实时语音代理场景。
吞吐量：据 AlphaSignal 报道，达 56.3 字符/秒，高于 GPT-Realtime-2 和 Gemini 3.1 Flash TTS。

定价与竞争策略

Fish Audio 的定价为每百万字符 15 美元。相比之下，ElevenLabs 的价格区间为每百万字符 60 至 165 美元，这意味着 Fish Audio 的价格约为其 1/6 至 1/11。公司同时在官方推文中做出极端承诺：如果无法将企业客户的语音 AI 成本削减至少 50%，则提供一年免费服务。

S2.1 Pro 通过 API 免费提供服务直至 2026 年 8 月 31 日（无硬性字符数上限，受合理使用政策约束）。企业客户包括 HeyGen、LiveKit、Retell、Sanas、OpenArt 等，并支持 HIPAA 合规的本地部署。

盲测结果及其局限性

Fish Audio 在其官方博客中公开了盲测方法论：该测试于 2026 年 3 月 26 日至 4 月 5 日在其自有平台上进行，持续 10 天，收集超过 5,000 对偏好数据。测试采用 Bradley-Terry 模型计算得分，以用户"播放后下载"作为行为偏好信号。结果显示，Fish Audio S2 Pro 以 BT 得分 3.07 排名第一，其后依次为 ElevenLabs V3（1.80）、ElevenLabs Multilingual V2（1.35）和 ElevenLabs 2.5 Flash（1.00）。

需要审慎看待以下几点：

盲测在 Fish Audio 自有平台进行，非独立第三方测试，目前缺乏外部复验。
约 30% 的参与者为 Fish Audio 老用户，可能引入平台熟悉度偏差。
各竞品对情感标签的支持程度不一——例如 Inworld、ElevenLabs Flash 仅接收无标签纯文本，测试条件并不完全对等。
公司自行承认其 MiniMax API 集成可能未达最优，该模型得分异常低后提前终止测试。

截至发稿时，ElevenLabs 尚未公开回应 Fish Audio 的盲测声明或定价挑战。

社区反应

发布后，Fish Audio 官方推文获得了 7400 余次转发、超过 1 万次点赞和近 9200 次收藏。KOL 账号 @EXM7777 的测评推文也获得超过 100 万次浏览和 5200 余次点赞，称"ElevenLabs 创始人现在应该紧张了"。社区讨论中，部分用户对"开放权重"的实际含义提出质疑，指出模型许可证仅限研究用途、不允许商业使用；另有用户反映模型需要较高 GPU 配置才能在本地运行。

后续计划

Fish Audio 计划将本轮融资用于三方面：（1）扩展模型矩阵，从文字转语音拓展至语音原生大语言模型和实时语音到语音翻译；（2）通过 LiveKit、Retell AI 等合作伙伴深化开发者集成；（3）组建企业销售团队，推动从创作者和开发者群体向大客户市场延伸。