newsify

Fish Speech

1. サービス概要

Fish Speech は、最先端の生成AIを活用した、次世代型のオープンソース・テキスト読み上げ（TTS）および音声クローンサービスです。

  • 主な機能:
  • テキスト読み上げ (TTS): 100万時間を超える多言語音声データで学習された、極めて自然な音声合成。
  • 音声クローン (Voice Cloning): 数十秒程度の参照音声から、特定の人物の声、感情、抑揚を忠実に再現。
  • 多言語対応: 日本語（10万時間以上）、英語（30万時間以上）、中国語（30万時間以上）を含む、20以上の言語に対応。
  • WebUI / API 提供: ブラウザ上で操作できるインターフェースのほか、開発者向けのAPIも提供。
  • ユーザー数: 公開されている GitHub のスター数は 2.7万（2025年3月時点）を超えており、世界中の開発者やクリエイターに利用されています。具体的な総登録ユーザー数は非公開。
  • 対応プラットフォーム: Webブラウザ（クラウド版）、Windows / Linux / macOS（ローカル環境、Docker対応）、Python SDK、API。

2. 使用している技術スタック

Fish Speech は、従来の VITS 等のモデルとは異なる「DualAR（デュアル自己回帰）」アーキテクチャを採用しているのが特徴です。

  • アーキテクチャ:
  • LLM (Large Language Model): Llama アーキテクチャに基づいた自己回帰型モデル。
  • DualAR (Dual Auto-Regressive): テキストから音響トークンへの変換にデュアル自己回帰トランスフォーマーを使用。
  • VITS / VQGAN / EnCodec: 音声の離散化および高品質なデコードに使用。
  • 開発言語・フレームワーク: Python, PyTorch (torch.compile による高速化に対応).
  • 環境構築: Docker, NVIDIA CUDA, Triton（高速化プラグイン）, UV（パッケージ管理）.
  • モデル配布: Hugging Face にてチェックポイント（重みファイル）を公開。

3. 会社概要

運営実体は、米国のデラウェア州に登記されているスタートアップ企業です。

  • 運営会社名: Hanabi AI Inc.（サービスブランド名は Fish Audio）
  • 設立年: 2024年（ドメイン取得およびプロジェクトの本格始動時期より）
  • 本社所在地: 131 Continental Dr, Suite 305, Newark, DE 19713, United States
  • 従業員数: 不明（GitHub の主要なコントリビューターおよびコアメンバーは数名〜10名程度と推測される）

4. 沿革、資本構成、国籍、役員情報

  • 沿革:
  • 2024年5月：Fish Speech V1.0 を発表。当初は商用利用不可のライセンス（CC BY-NC-SA 4.0）であった。
  • 2024年12月：ライセンスを Apache License 2.0 に変更し、完全なオープンソース化と商用利用を解禁。
  • 2025年3月：性能を大幅に向上させた Fish Speech V1.5 および最新の S2 モデルシリーズを発表。
  • 資本構成: 外部からの大規模な資金調達（Series A等）の詳細は公表されておらず、現状は「Unfunded（自己資金またはエンジェル投資家等）」の段階とされている。
  • 国籍: 会社登記は米国（デラウェア州）であるが、主要開発者および研究チームの多くが中国出身のエンジニアである。
  • 役員情報:
  • Songting Liu (CEO/Founder): 代表的な論文『Fish Audio S2 Technical Report』の筆頭著者であり、主要な開発を主導。
  • 主要メンバー: Yifan Cheng, Ruoyi Zhang, Yisheng Zheng 等、AI・音声合成分野の研究者が名を連ねている。役員の詳細なキャリアパスについては、学術研究およびオープンソース開発を基盤としており、特定の国籍（中国系・米国籍等）や詳しい経歴の詳細は公式には非公開。
TTS に戻る