Fish Audio wurde von Shijia Liao gegründet, einem ehemaligen Nvidia-Forscher, der aus Frustration über nicht-expressive Sprachsynthese ein Sprachgenerierungsmodell auf einer einzigen GPU trainierte und es anschließend open-sourcedte. Das GitHub-Repository Fish Speech verzeichnet inzwischen über 31.000 Sterne und wird von Indie-Entwicklern, Videospieldesignern und Content-Creatorn genutzt. Das Unternehmen hat in den vergangenen Monaten fünf Modelle veröffentlicht – vier zur Sprachgenerierung und eines zur Spracherkennung (Speech-to-Text); drei der Sprachgenerierungsmodelle sind Open Source, während das neueste Modell S2.1 Pro ausschließlich über eine kostenpflichtige API verfügbar ist. Zu den Enterprise-Kunden zählen bereits HeyGen, das Fish Audio für KI-Avatare einsetzt, sowie Sanas; LiveKit ist ein weiteres Beispiel für Voice-Agent-Anwendungsfälle mit Anforderungen an niedrige Latenz. Zuletzt geriet das Unternehmen in die Kritik, weil Stimmen von Creatorn ohne deren Zustimmung auf die Plattform hochgeladen worden waren – ein strukturelles Problem, da Uploads ohne Vorprüfung möglich bleiben und Betroffene aktiv einen Takedown beantragen müssen. CEO Rissa Cao betonte gegenüber TechCrunch, dass der Takedown-Prozess inzwischen vollständig automatisiert wurde und betroffene Stimmen innerhalb von unter drei Minuten entfernt werden. Mit dem frischen Kapital plant Fish Audio die Entwicklung eines Audio-Understanding-Modells sowie eines Speech-to-Speech-Modells, die noch dieses Jahr erscheinen sollen.