IA Traitement du son · 22 October 2026

Fish Audio : 52 M$ en seed, 15 000 contrôles vocaux et l’ambition de devenir la couche vocale de l’IA

Le 28 juillet 2026, une startup discrète, née d’un hobby sur une carte graphique NVIDIA RTX 4090, annonce une levée de fonds seed de 52 millions de dollars – un montant qui dépasse de loin les tours de table de ses concurrents au même stade. Fish Audio revendique 8 millions d’utilisateurs, 21 millions de dollars de revenus annuels récurrents et une bibliothèque de plus de 15 000 contrôles en langage naturel pour piloter ses voix. Trois mois plus tard, alors que l’écosystème audio IA a basculé vers le traitement local sur NPU, que des modèles unifiés émergent et qu’Adobe a lancé son propre générateur audio Firefly, la question n’est plus seulement « qui a le meilleur TTS ? » mais « qui dominera la prochaine génération d’infrastructure vocale ? » Plongée dans le phénomène qui bouscule l’industrie de la voix IA.

52 millions de dollars en seed : le signal d’alarme qui réveille l’industrie de la voix IA

Le 28 juillet 2026, l’écosystème de l’audio IA a sursauté. Fish Audio, une jeune pousse basée à Palo Alto, a officialisé une levée de fonds seed de 52 millions de dollars – certains titres de presse ont arrondi à 50 millions (le titre original de TechCrunch parlait de « $50M »), mais le blog officiel et le communiqué PRNewswire confirment le montant exact de 52 M$. Ce tour de table, mené par Coreline Ventures et Capital Today, avec la participation de 359 Capital, Play Time, HF0, 645 Ventures, Parable, Carya Venture Partners, Alphalist Partners et Bayhouse Ventures, est l’un des plus importants jamais réalisés en seed dans le domaine de la voix synthétique.

Pour comprendre l’ampleur du signal, il faut le replacer dans le contexte de 2026. La synthèse vocale par IA n’est plus une curiosité de laboratoire : elle alimente des millions de podcasts, de doublages vidéo, d’assistants vocaux et de jeux vidéo. Des acteurs comme ElevenLabs, Respeecher ou Amazon Polly se disputent le marché, mais aucun n’avait levé une telle somme à un stade aussi précoce. Fish Audio, en un seul tour, s’est hissé au rang de prétendant sérieux au trône.

Mais ce montant record soulève aussi une question : s’agit-il d’un pari sur une technologie réellement disruptive, ou d’une bulle spéculative dans un secteur en pleine effervescence ? Pour y répondre, il faut remonter aux origines du projet.

De la carte graphique 4090 au tour de table record : la genèse de Fish Audio

L’histoire de Fish Audio commence modestement, presque comme un jeu. Shijia Liao, ancien ingénieur de recherche chez NVIDIA (sur la vidéo) et grand fan de VTuber et d’anime, a commencé à entraîner des modèles de synthèse vocale sur une seule carte graphique NVIDIA RTX 4090 dans sa chambre. « C’était un hobby », raconte-t-on du côté de la startup. L’objectif initial : donner vie aux voix de ses VTuber préférés, qu’il trouvait désespérément monotones. C’est là qu’il aurait fait « très tôt le pari d’une architecture autorégressive double que le reste de l’industrie ne rattraperait que deux ans plus tard », selon le blog officiel.

Le projet a rapidement dépassé le cadre du passe-temps. En un an, l’équipe est passée de 3 à 22 personnes, et le dépôt GitHub Fish Speech a accumulé plus de 31 000 étoiles, devenant l’un des référentiels open source les plus populaires pour la génération vocale. Cette communauté a servi de rampe de lancement : les retours des développeurs ont permis d’affiner les modèles, et la notoriété a attiré l’attention des investisseurs.

Le passage du hobby à l’entreprise s’est fait sans précipitation. Fish Audio a d’abord lancé des modèles open source (trois modèles TTS), puis un modèle payant, S2.1 Pro, accessible uniquement via une API payante, et enfin un modèle de reconnaissance vocale (STT). En tout, 5 modèles audio expédiés en un an : quatre text-to-speech et un speech-to-text. La startup a su capitaliser sur la vague open source tout en construisant une offre commerciale – une stratégie hybride qui a séduit les fonds.

Dual autoregressive, 15 000 contrôles et clonage expressif : décryptage de la technologie propriétaire

Fish Audio communique peu sur l’architecture précise de ses modèles. Le blog officiel évoque un modèle « dual autoregressive » – une architecture sur laquelle Shijia Liao aurait fait un pari précoce, « que le reste de l’industrie ne rattraperait pas avant deux ans ». On ignore s’il s’agit d’une variante de transformer, d’un modèle de diffusion, ou d’une approche inspirée de VALL-E ou Voicebox. Cette opacité est frustrante pour les experts, mais elle n’est pas rare dans un secteur où la propriété intellectuelle est un avantage concurrentiel.

Ce que l’on sait, c’est que le modèle S2.1 Pro revendique des capacités impressionnantes, même si les chiffres exacts varient selon les communications. La nouveauté mise en avant par la communication de juillet 2026 est la bibliothèque de plus de 15 000 contrôles en langage naturel – un chiffre repris par TechCrunch et IA-Medias, qui dépasse largement la seule granularité « mot par mot » évoquée précédemment.

Le contrôle émotionnel au niveau du mot est l’innovation la plus frappante. Là où la plupart des systèmes permettent de choisir une émotion globale (joyeux, triste, en colère), Fish Audio affirme pouvoir moduler l’intonation, le rythme et le timbre à l’échelle de chaque mot. Concrètement, une phrase comme « Je ne suis pas fâché, mais… » pourrait voir le mot « fâché » prononcé avec une légère tension, tandis que « mais » glisse vers une nuance d’excuse. Le produit narrative évoque des tags comme [whispers] ou [laughing nervously] insérés directement dans le texte. C’est un niveau de granularité qui rapproche la voix synthétique de l’expressivité humaine.

Cependant, aucun benchmark indépendant (MOS, latence, intelligibilité) n’est fourni. Les chiffres de préférence en test à l’aveugle qui circulent (autour de 66-67 %) sont auto-déclarés, sans détail méthodologique. La prudence reste de mise.

21 millions de dollars de revenus, 8 millions d’utilisateurs : les chiffres qui font trembler ElevenLabs

Les métriques avancées par Fish Audio donnent le vertige :

Pour mettre ces chiffres en perspective, rappelons qu’ElevenLabs revendiquait environ 1 million d’utilisateurs en 2023 et des revenus estimés à 20 millions de dollars à la même époque (chiffres non sourcés dans notre base, mais couramment cités). Fish Audio, avec 8 millions d’utilisateurs et 21 M$ d’ARR, semble avoir rattrapé – voire dépassé – son rival en termes de base installée.

Mais attention : ces chiffres sont auto-déclarés. Aucun auditeur indépendant n’a vérifié le nombre d’utilisateurs actifs, le taux de conversion ou la répartition entre comptes gratuits et payants. La croissance fulgurante pourrait être portée par une adoption massive de l’offre gratuite, sans garantie de monétisation durable. ElevenLabs, de son côté, a levé des fonds à des valorisations plus élevées et dispose d’une reconnaissance de marque plus forte.

Face aux géants, aux alternatives open source et au nouveau venu Adobe : où se situe vraiment Fish Audio ?

Le paysage de la synthèse vocale en cette fin 2026 est fragmenté et en pleine recomposition. D’un côté, les géants du cloud (Amazon Polly, Google TTS, Microsoft Azure) proposent des solutions robustes mais génériques. De l’autre, des spécialistes comme ElevenLabs, Respeecher ou Cartesia misent sur la qualité et l’expressivité. Enfin, l’open source offre des alternatives comme Bark (Suno), Coqui TTS ou Tortoise-TTS, souvent moins polies mais gratuites.

Et depuis le 20 août 2026, un nouveau concurrent de taille est entré dans la danse : Adobe Firefly Audio. Le géant de la création a rendu disponibles en version générale ses outils de génération de musique, de voix off et d’effets sonores, intégrés nativement dans Premiere Pro et After Effects. L’argument d’Adobe n’est pas tant la qualité audio que la sécurité commerciale : les morceaux générés sont accompagnés d’une licence universelle, utilisable pour tout projet. Le service est proposé à 10 dollars par mois (abonnement Firefly seul), avec un système de crédits génératifs. Fait notable : Adobe permet d’utiliser le modèle d’ElevenLabs dans son module Generate Speech, signe que les frontières entre acteurs s’estompent.

Fish Audio se positionne à l’intersection de ces mondes. Son modèle open source (Fish Speech) attire les développeurs et alimente la communauté ; son modèle payant (S2.1 Pro) cible les professionnels. La startup met en avant trois avantages :

1. Vitesse de clonage : environ 10 secondes d’audio suffisent pour cloner une voix avec une fidélité naturelle (selon le site officiel).
2. Prix : selon l’analyse d’Explainx, Fish Audio se positionne à environ 1/6 du coût d’ElevenLabs, avec une promesse commerciale agressive : « 50 % moins cher ou une année gratuite ».
3. Multilinguisme et contrôle : plus de 30 langues supportées selon le site officiel, avec des voix qui conservent leur caractère, et plus de 15 000 contrôles en langage naturel pour piloter finement l’interprétation.

Mais des lacunes subsistent. Aucune donnée indépendante sur la latence (temps de génération) n’est fournie – la revendication sub-90 ms reste un chiffre constructeur. Les plans tarifaires ne sont pas détaillés publiquement. Et surtout, aucun benchmark indépendant ne compare Fish Audio à ElevenLabs, Respeecher ou Google TTS sur des critères objectifs comme le MOS (Mean Opinion Score) ou l’intelligibilité dans le bruit.

De HeyGen à Sanas : les applications concrètes qui séduisent les entreprises

Fish Audio ne se contente pas de séduire les développeurs isolés. Selon TechCrunch et IA-Medias, la startup compte parmi ses clients HeyGen (créateur d’avatars IA), LiveKit (infrastructure pour agents vocaux), Retell (agents téléphoniques), Sanas (plateforme de voix pour le support client) et OpenArt (création artistique IA). Ces noms dessinent un portefeuille d’applications variées :

• Doublage vidéo : HeyGen utilise Fish Audio pour synchroniser la voix des avatars avec les mouvements labiaux, dans plusieurs langues.
• Jeux vidéo : des studios (et des designers de jeux indépendants) auraient intégré le modèle pour générer les voix de personnages non-joueurs (PNJ) en temps réel.
• Agents vocaux : LiveKit exploite Fish Audio pour des assistants téléphoniques capables de moduler leur ton selon le contexte – la latence est le produit.
• Support client : Sanas et d’autres entreprises automatisent les appels de vente et de service après-vente, où le coût à la minute domine les marges.
• Création artistique : OpenArt utilise la voix IA pour des projets créatifs.

Le blog officiel mentionne également des cas d’usage communautaires : des fans d’anime doublant des personnages, des développeurs de jeux indépendants, et des créateurs de contenu sur YouTube/TikTok. Mais aucun partenariat formel avec des studios de cinéma ou des plateformes de streaming n’est évoqué.

Le virage NPU : quand la voix IA quitte le cloud pour le silicium local

Si Fish Audio a bâti sa croissance sur une infrastructure cloud, l’écosystème dans lequel il évolue a profondément changé en 2026 : le traitement audio par IA migre vers la périphérie. Les Neural Processing Units (NPU) intégrées aux processeurs modernes permettent désormais d’exécuter en local des tâches qui exigeaient hier un aller-retour vers un data center – réduction de bruit, séparation de sources, inférence de modèles légers. Ce mouvement, documenté dans notre dossier sur l’audio edge en 2026, repose sur trois constats : la latence du cloud, le coût énergétique des data centers et les exigences croissantes de confidentialité.

Cette bascule a des conséquences directes pour un acteur comme Fish Audio. D’un côté, elle fragilise le modèle « tout-cloud » sur lequel repose son API payante : si un plugin local peut cloner une voix en quelques secondes sur un PC équipé d’une NPU, la valeur d’un service hébergé se déplace vers la qualité du modèle et la bibliothèque de contrôles, pas vers la simple disponibilité. De l’autre, elle ouvre un relais de croissance : les modèles open source de Fish Audio (Fish Speech) peuvent être exécutés localement, ce qui en fait un candidat naturel pour les workflows « edge » des studios.

Le rapprochement est d’autant plus pertinent que les outils de monitoring NPU, comme le NPU Monitoring déployé par Microsoft dans Windows 11 (KB5094126, juin 2026), rendent enfin visible ce que fait l’IA sous le capot – une condition indispensable pour que les ingénieurs du son fassent confiance à un traitement neural en amont de leur DAW. Reste une inconnue : Fish Audio n’a, à notre connaissance, annoncé aucun partenariat silicium ni aucune version embarquée de ses modèles. C’est peut-être sa prochaine étape.

Un marché qui se recompose : VARCO Sound, Firefly, modèles unifiés

Le tour de table de Fish Audio s’inscrit dans une accélération plus large. Le 20 octobre 2026, le coréen NC AI a lancé VARCO Sound, un service de production sonore générative qui génère des sons à partir de texte, d’images ou de vidéos et les livre en multitrack – une approche pensée pour le jeu vidéo et la post-production, avec un agent conversationnel intégré et un plugin Unity. Ce positionnement « pipeline complet » diffère de celui de Fish Audio, centré sur la voix : là où VARCO vend un environnement de création sonore, Fish Audio vend une brique vocale que d’autres intègrent.

La même semaine, l’actualité a rappelé que le marché des plugins ne dort pas : Boris FX Samplitude 2026.5 (8 octobre 2026) a ajouté un panner spatial et une séparation de stems par IA, tandis que Lunacy Audio a lancé NOVA (22 septembre 2026), une plateforme gratuite de construction et de partage de plugins assistée par IA. Autant d’outils qui, en aval, consomment des voix et des stems générés – et donc autant de débouchés potentiels pour un fournisseur de modèles vocaux.

Face à cette fragmentation, la thèse de Fish Audio est claire : ne pas être un produit final, mais la couche vocale sur laquelle se construisent les autres. C’est exactement le pari qu’a fait Adobe en intégrant ElevenLabs dans Firefly plutôt qu’en développant seul son TTS. La question ouverte est de savoir si Fish Audio parviendra à devenir, pour les agents vocaux et les jeux, ce qu’ElevenLabs est devenu pour la création de contenu – ou s’il restera un fournisseur parmi d’autres dans un marché où les modèles unifiés (voix, musique, effets) tendent à absorber les spécialistes.

Ce qu’il faut retenir (et ce qui reste à prouver)

Fish Audio a réussi en un an ce que peu de startups audio accomplissent en cinq : une communauté open source solide (31 000 étoiles), cinq modèles expédiés, 21 M$ d’ARR revendiqués et un tour de seed de 52 M$. Sa différenciation – le contrôle fin de l’interprétation via 15 000 commandes en langage naturel – répond à un vrai problème : la plupart des TTS savent prononcer, peu savent jouer.

Mais trois réserves demeurent. D’abord, l’absence de benchmarks indépendants : ni MOS, ni latence vérifiée, ni test comparatif face à ElevenLabs ou Adobe. Ensuite, l’opacité de l’architecture « dual autoregressive », qui empêche toute évaluation technique sérieuse. Enfin, le contexte réglementaire : avec l’AI Act européen, dont les obligations d’étiquetage sont entrées en vigueur le 2 août 2026 pour les nouveaux modèles et s’appliqueront aux modèles existants le 2 décembre 2026, tout acteur de la voix synthétique devra documenter ses données d’entraînement et signaler les contenus générés. Fish Audio, qui n’a pas communiqué sur ce point, devra s’y plier pour servir ses clients européens.

La prochaine étape logique – une version embarquée sur NPU, ou un partenariat avec un fabricant de silicium – n’a pas été annoncée. C’est précisément là que se jouera la suite : dans un écosystème qui bascule vers l’edge, la voix IA de demain ne sera peut-être plus un service cloud, mais un modèle qui tourne dans votre machine. Fish Audio a les modèles ouverts pour y prétendre. Il lui reste à le prouver.

Sources

• Fish Audio lève 52 M$ et impose ses voix IA — IA-Medias (28 juillet 2026)
• 5 modèles, 22 personnes, 1 an — Fish Audio Blog
• Fish Audio décroche 52 M$ en seed pour ses modèles de voix IA à 15 000 contrôles en langage naturel — AI Weekly (d’après TechCrunch)
• Fish Audio Raises $52M in Seed Funding — PRNewswire
• Fish Audio raises $52M seed to build AI voice models for creators and enterprises — TechCrunch (28 juillet 2026)
• Fish Audio lands $52M seed to turn open voice models into revenue — Unite.AI
• NC AI Officially Releases VARCO Sound — PRNewswire (20 octobre 2026)
• Boris FX Samplitude 2026.5 Adds Spatial Panner and AI Stem Separation — MajorHiFi (8 octobre 2026)
• Lunacy Audio launches new AI-powered plugin sharing platform, NOVA — MusicTech (22 septembre 2026)
• Dossiers internes du magazine : « Audio edge en 2026 : NPU, acquisitions et AI Act », « Windows 11, KB5094126 et l’audio local », « NPU et réduction de bruit en 2026 », « VARCO Sound : ce que vaut vraiment la plateforme de production sonore générative de NC AI ».

Article recherché et rédigé automatiquement · Magazine Electrosens