「棒読みのAI音声」はもう古い — 声を1.5万通りに操るFish Audioが78億円を調達

AI音声の話をすると、いまだに「あの棒読みでしょ？」という反応が返ってくることがある。数年前のイメージのまま止まっている人は、正直まだ多い。

だが現場はとっくに先へ進んでいる。喜怒哀楽を単語ごとに指定でき、15秒の録音から自分の声をまるごと再現し、その声で英語も日本語もスペイン語も喋らせる——そんなことが、もう普通にできる。それを牽引している一社が Fish Audio だ。

78億円のシード、その裏にある数字

7月28日、Fish Audioが5,200万ドル（日本円で約78億円）のシードラウンドを調達したと報じられた。Coreline VenturesとCapital Todayが主導したパロアルト拠点のスタートアップだ。

「シードで78億円」という響きに驚くかもしれないが、注目すべきはむしろ足元の実績のほうだと思う。ローンチからおよそ1年でユーザーは800万人を超え、年間経常収益（ARR）は2,100万ドル（約31億円）に達している。まだ資金を大量投下する前に、これだけ使われて、これだけ売れている。投資家が群がるのも分かる。

何ができるのか

Fish Audioの核は、同社が開発する音声モデル群だ。2025年にはOpenAudio S1がTTS-Arena（音声合成の人気投票ベンチマーク）で1位を獲得し、2026年2月末には後継のS2（s2-pro）へと世代交代している。

売りは、公式が掲げる「15,000以上の自然言語コントロール」。これは要するに、声の質感や話し方を言葉で細かく指定できるということだ。[angry] [sad] [whispering] といった感情タグを文中に差し込めば、ナレーションが一気に生々しくなる。従来のTTSが苦手だった「棒読み感」を、この粒度の制御で潰しにいっている。

もう一つの目玉が音声クローン。わずか15秒の音源から声を複製でき、しかもそのクローン音声は30以上（S2では80言語）の言語で使える。つまり、自分の英語音声を一度クローンすれば、その声のまま日本語やスペイン語を喋らせられる。「自分の声で多言語コンテンツを量産する」という使い方が、現実的なコストで手に入る。

料金

個人向けプランはこうなっている。

• 無料: 月8,000クレジット（生成にしておよそ7分）。コミュニティの音声ライブラリと、1回500文字までの基本クローンが使える
• Plus（月11ドル / 約1,700円）: 月200分、フルの音声クローン付き
• Pro（月75ドル / 約1.1万円）: 大量生成・業務利用向け

開発者向けAPIは100万UTF-8バイトあたり約15ドル。英単語でおよそ18万語、音声にして約12時間分に相当する。低レイテンシ（S1系で150ms未満）と、この価格の安さが、スケールして使う開発者に刺さっている。

ElevenLabsとの立ち位置

音声AIといえば ElevenLabs が代名詞的な存在で、品質面での評価も高い。ではFish Audioは何で戦うのか。ひとつは価格、もうひとつはオープン性だ。OpenAudioという名の通り、モデルをオープンに公開してきた経緯があり、開発者コミュニティを巻き込みながら伸びてきた。「高品質だが囲い込み型のElevenLabs」に対して、「安くて開かれたFish Audio」という対比で捉えると分かりやすい。

正直に言えば、日本語の細かな抑揚やイントネーションの自然さは、実際に自分の原稿で試してみないと判断できない領域だ。感情タグや多言語対応は英語圏を主眼に磨かれてきた機能でもあり、日本語での再現度は一段割り引いて見ておくのが無難だと思う。ここは過度に期待せず、まず無料枠で自分の声・自分の言語で確かめるべきポイントだ。

この価格帯が意味すること

12時間の音声が約15ドルで作れる、という水準は、コンテンツ制作の前提を静かに書き換える。

たとえば、ブログ記事を全部自分の声で音声化してポッドキャスト風に配信する。オンライン講座のナレーションを、収録スタジオを押さえずに自分の声で差し替える。多言語のプロダクト動画を、声優を何人も雇わずに一人の声で展開する——これらが「思いつきでやってみる」レベルのコストに落ちてくる。

音声クローンには当然、なりすましや同意なき複製といったリスクもつきまとう。Fish Audioに限らず、この手のツールを使うなら「自分の声か、明確に許諾を得た声だけ」を鉄則にすべきだ。そのうえで、自分の声を資産のように多言語・多用途へ展開できる時代に入ったのは間違いない。まずは無料枠で15秒、自分の声を吹き込んでみるところからで十分だと思う。

詳細はFish Audio公式サイトで確認できる。