Fish Audio：上海00后闷声干翻ElevenLabs

22 个人，一年干到年化收入 2100 万美元。他们对面的 ElevenLabs，580 个人，年化收入 5 亿美元，估值 110 亿美元，41% 的财富 500 强在用它。按常理这是蚂蚁和大象。但算一笔人均账：Fish Audio 人均年创收约 95 万美元，ElevenLabs 约 86 万——蚂蚁的人均产出反超了大象。这家公司叫 Fish Audio，中文运营主体上海奇塔灵动科技，创始人是 00 后前英伟达研究员廖世嘉。更离谱的是，这一切的起点是他上海卧室里的一张 4090 显卡，和一群他根本没指望过的用户。

先把时间拨回 2024 年。廖世嘉 2023 年从马里兰大学计算机毕业，进英伟达做视觉基础模型研究，工作体面、钱不少。但他业余是个动漫和虚拟主播（VTuber）重度用户，天天看直播，最受不了的不是画面，是声音：合成语音念一句算一句，没有情绪、没有呼吸、没有停顿，听三句就想关掉。他本来就混开源语音社区，玩过 So-VITS-SVC、GPT-SoVITS 这些项目，手痒，想自己训一个。

注意他最初要做的事有多小：不是创业，不是融资，就是在卧室里用一张 RTX 4090，按自己想的架构训个模型玩。他押的是双自回归架构——时间轴走 40 亿参数管语义和节奏，深度轴走 4 亿参数管声学细节，让模型先想"怎么念"再出声。当时业内没人这么干，官方博客的原话是：行业其他公司两年后才追上这个判断。模型训完，他顺手开源，起名 Fish Speech，挂上 GitHub，本来大概率就是又一个 self-hosted 玩具。

第一道坎：涌进来的根本不是同行

他预期的剧本：开源放出去，来的是研究员、工程师，提提 issue，star 涨一涨，仅此而已。结果涌进仓库的完全是另一群人：游戏开发者、动漫迷、拿它给自己做的短片配音玩的独立创作者。官方博客写得直白："Fish Speech 从一个仓库变成一家公司，靠的是游戏开发者、动漫爱好者和给角色配音玩的人。"这帮人根本不看文档，拿模型去试各种奇怪口音、奇怪情绪、奇怪语种，印度腔英语、东北味日语、带哭腔的西语——全是廖世嘉"永远不会想到去测"的边角案例。

GitHub 上 fishaudio/fish-speech 主页：33k star、101 位贡献者，大部分增长来自游戏开发者、动漫迷和配音玩家（GitHub 官方页）

接下来发生的事，是整个故事里最值钱的一步：团队没有把这当成噪音，而是拿这些真实使用数据做后训练（post-training），模型越被瞎玩越强。结果就是 S2 在重口音英语、中文、日语、韩语、西班牙语上都扛打——而那些只用标准美式英语训练的对手，恰恰在这些场景上崩。一个卧室项目，被一群"外行"用户喂成了技术壁垒。到今天，仓库 33,000+ 星、101 位贡献者，社区声音库攒了超过 200 万个语音模型。

Fish Audio 官方 App 的音色方向（Voice Directions）标签界面：社区音色被细粒度打上情绪和效果标签，Angry、Sad、Laughing、Whispering 都能选（官方 App 截图）

第二道坎：真正掏钱的不是极客，是企业采购部

用户多了，顺势商业化，这步不稀奇。稀奇的是钱从哪来。按开源项目的惯性剧本，付费的应该是开发者和小团队，11 美元一个月的订阅费，积少成多。现实是：企业客户加上开发者，贡献了三分之二的营收，而且企业是往上压舱的那个。HeyGen、LiveKit、Retell、Sanas、OpenArt AI 这些名字都接了 Fish Audio 的 API。企业掏钱的条件跟极客完全两码事：要正常运行时长承诺（SLA）、要零数据留存、要 HIPAA 合规配置、要能本地部署——一个从动漫配音玩起来的开源项目，被逼着长出了一副企业级骨架。

营收曲线也说明了这波是被真实需求推着走的：2025 年初年化收入才 40 万美元，四个月冲到 500 万；2026 年 2 月约 1000 万，7 月宣布融资时已经 2100 万。一年翻了五倍多，同期团队从 3 人扩到 22 人。今年 7 月 28 日，公司成立一周年当天，宣布拿下 5200 万美元种子轮，领投的是今日资本——徐新的基金，联合领投 Coreline Ventures，参投名单里甚至有梅西参与创办的 Play Time。种子轮融 5200 万美元，这个金额本身就是个信号：投资人不是按"开源小工具"给它估值的。

2100万美元

年化收入 ARR（2026-07 融资日）

22人

团队规模（一年前 3 人起步）

800万+

注册用户

5200万美元

种子轮融资（今日资本领投）

Fish Audio 小档案

中文运营主体：上海奇塔灵动科技有限公司（统一社会信用代码 91310114MAK5YYN53C），注册地上海市嘉定区江桥镇。英文运营主体 Hanabi AI Inc.。团队：22 人（仍在招），一年从 3 人扩来。创始人廖世嘉（00 后，马里兰大学 CS，前英伟达），CEO Rissa Cao（前 Amazon Alexa + Meta，联合创办过 PixAI），CTO Jiahua Liu。战绩：5 个 SOTA 音频模型 / 800 万+ 用户 / 200 万+ 社区音色 / GitHub 33k 星 / TTS Arena 盲听连续 7 个月第一 / ARR 0→2100 万美元。融资：5200 万美元种子轮（2026-07-28，今日资本 + Coreline Ventures 领投）。价格：免费层每月约 7 分钟；Plus 11 美元/月约 200 分钟；Pro 75 美元/月约 27 小时；API 15 美元/百万字节（约 1.25 美元/小时语音）。已披露合作方：HeyGen、LiveKit、Retell、Sanas、OpenArt AI。

对面站着 580 人的 ElevenLabs，怎么活

把对手牌摊开看：ElevenLabs，2022 年成立，伦敦起家，2026 年一季度年化收入 5 亿美元，D 轮融资 5 亿美元、估值 110 亿，红杉领投，41% 的财富 500 强在用，Klarna 拿它做 3500 万美国用户的电话客服。硬碰产品线，Fish Audio 一条都打不过：人家有完整的工作台、配音、音效、70+ 语言、11000+ 音色。但小公司有小的活法，Fish Audio 押了三个点。

一是便宜到离谱：API 每百万 UTF-8 字节 15 美元，约合 1.25 美元一小时的语音；ElevenLabs 同样的量是 60-120 美元，差着 4 到 8 倍，第三方对比站直接算出"11 倍差价"的标题。二是盲测真赢：TTS Arena 第三方盲听榜连续 7 个月第一，S2.1 Pro 盲听 66% 偏好胜过对手旗舰；Seed-TTS Eval 上中文字错率 0.54%、英文 0.99%，把字节、阿里、MiniMax 的闭源模型全压在下面。三是逐词级情绪控制：开发者不是在后台拉滑块，是直接在剧本里写 [whisper in small voice]、[super happy]、[emphasis]，系统按自然语言指令控制每一句的语速、气息、情绪。游戏 NPC、有声书多人对谈、虚拟主播，要的就是这种细颗粒度。

Fish Audio S2 官方能力示意图：细粒度情感控制 / 多人多轮对话 / 高速流式推理 / 长音频一致性（GitHub 官方图）

中国读者最该看的一条线：短剧出海的算盘

这条线跟在座的各位关系最大。海外微短剧 2025 年市场规模突破 40 亿美元，2026 年预计破 50 亿，其中译制剧还占六成以上——把国内爆款配上外语卖出去，仍是主流生意。但行业有个公开的秘密：80%-90% 的出海项目回不了本，真正稳赚的是"卖铲子"的技术服务商。杭州小影科技用 AI 把一部剧的译制成本从 1500-3000 元压到 300-500 元，月产能从 10 部拉到 1000 部；趣丸千音单日能译制 3000 分钟。配音和克隆，正是这条铲子生意里最核心的一环。

Fish Audio 在这条链上的位置很微妙：10-15 秒的干净人声样本，二十来秒克隆出可用音色，跨 80+ 语种直接开口——一个演员的英语声，立刻能说日语、阿拉伯语、西班牙语。第三方实测过：笔记本麦克风录 15 秒，22 秒后拿到能用的克隆音色，200 词测试稿的音高和节奏都对得上。给算笔账：API 15 美元/百万字节，英文约等于 12 小时语音，一部 90 分钟的短剧配音成本不到 2 美元；注意中文一个字占 3 字节，同样的量要乘 3——但这仍然只有真人配音价的零头。预算紧的团队甚至可以自部署：模型权重全部开源，一张 4090 就能跑，API 费直接归零。当然，业内用 Fish Audio 做短剧译制的工作流到底占多少，没有公开数据，只能说方向对得上、账算得过来。

这篇提到的工具和算账逻辑，我整理了一份清单放在读者群里，文末扫码自取。

风险与槽点

几条实话也得摆在桌上。一是合规炸弹：社区那 200 万个声音模型里，已经有真人声优投诉自己声音未经授权被克隆上传，增长飞轮和侵权争议是同一个东西，溯源和下架机制还在补。二是免费层很薄：每月 7 分钟、单次 500 字符，商用必须上 11 美元/月的 Plus。三是非英语语种实际质量仍比英文弱一档，长篇英文有声书这种场景 ElevenLabs 还是有优势。四是 22 个人接企业单，SLA、私有化、合规这套架子刚搭起来，能不能承接住企业采购的节奏，接下来一年见分晓。

这故事里能抄的东西

拆开看，这条路是"最小成本出手 → 世界给意外反应 → 顺着意外下重注"：他没一开始就辞职创业，是先花业余时间训了个模型；开源不是战略是习惯；用户不是目标用户，是一群玩家；收入不是规划出来的，是企业自己找上门的。每一步都不是按剧本走的，但每一步都接住了。对想做点什么的普通人，两个可操作的点：其一，开源依然是个人开发者最低成本的获客渠道，一个能跑的 demo 顶一百篇营销文；其二，别嫌弃"不正经"的用户——给角色配音玩的人看着不掏钱，但他们的瞎折腾就是模型的数据、产品的口碑、企业的入口。短剧出海这条链还在缺人缺工具，铲子生意值得盘一盘。

“他只是受不了虚拟主播的声音太假，最后 22 个人的公司一年收了 2100 万美元——世界给的剧本，从来比自己的计划野。”

——卧室、一张显卡、一个开源仓库，再加上一群"不正经"的用户。

来源：Fish Audio 官方博客《5 Models, 22 People, 1 Year》（2026-07-28） / 澎湃新闻《徐新投一位00后》《中国AI出海新锐15强》 / Speech Technology Magazine / DevCuration（5200 万美元种子轮报道） / Sacra《ElevenLabs revenue, valuation & funding》、AI2Work《ElevenLabs Crosses $500M ARR》（2026-05） / DataEye《2026 年海外微短剧市场洞察》（36氪/澎湃转载） / 观察者网《短剧出海"狂飙"，谁在幕后稳稳收割红利》 / texttolab.com《Fish Audio Pricing 2026》、knowara.com《Fish Audio Review》（2026-07 实测评测） / GitHub API github.com/fishaudio/fish-speech 实时数据（2026-09-05） / fishaudio.org 条款页（披露上海奇塔灵动科技主体） / 商业智能AI++ 整理

文章来自于微信公众号 “商业智能AI++”，作者 “商业智能AI++”