22人年入2100万美元，上海00后人均产出反超ElevenLabs

22 个人，一年干到年化收入 2100 万美元。对面的 ElevenLabs，580 人，年化收入 5 亿美元，估值 110 亿美元，41% 的财富 500 强在用。但算人均账：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 00 后前英伟达研究员廖世嘉。起点是他上海卧室里的一张 4090 显卡。

2024 年，廖世嘉从马里兰大学计算机毕业进英伟达做视觉基础模型研究。他业余是动漫和 VTuber 重度用户，最受不了合成语音没有情绪、没有呼吸、没有停顿。他混开源语音社区，玩过 So-VITS-SVC、GPT-SoVITS，想自己训一个。最初不是创业，就是在卧室用一张 RTX 4090 按自己想的架构训模型玩。他押的是双自回归架构——时间轴 40 亿参数管语义和节奏，深度轴 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，官方博客称行业其他公司两年后才追上这个判断。模型训完顺手开源，起名 Fish Speech 挂上 GitHub。

他预期来的是研究员、工程师，结果涌进仓库的是游戏开发者、动漫迷、独立创作者。这帮人不看文档，拿模型试各种奇怪口音、情绪、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。团队没把这当噪音，而是拿真实使用数据做后训练，模型越被瞎玩越强。S2 在重口音英语、中文、日语、韩语、西班牙语上都扛打，而只用标准美式英语训练的对手恰恰在这些场景崩。仓库现有 33,000+ 星、101 位贡献者，社区声音库超 200 万个语音模型。

商业化后，真正掏钱的是企业采购部。企业客户加开发者贡献三分之二营收，企业是压舱的那个。HeyGen、LiveKit、Retell、Sanas、OpenArt AI 都接了 API。企业要 SLA、零数据留存、HIPAA 合规、本地部署——一个从动漫配音玩起来的开源项目被逼着长出企业级骨架。营收曲线：2025 年初年化 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 2100 万。一年翻五倍多，团队从 3 人扩到 22 人。7 月 28 日公司成立一周年当天，宣布 5200 万美元种子轮，今日资本领投，Coreline Ventures 联合领投，梅西参与创办的 Play Time 参投。

小档案：中文运营主体上海奇塔灵动科技有限公司，英文主体 Hanabi AI Inc.。团队 22 人。创始人廖世嘉，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。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）。

对面 ElevenLabs，2022 年成立，2026 年一季度年化收入 5 亿美元，估值 110 亿，红杉领投，41% 的财富 500 强在用。硬碰产品线，Fish Audio 一条都打不过。但它押了三个点：一是便宜，API 每百万字节 15 美元，约 1.25 美元一小时，ElevenLabs 同样量 60-120 美元，差 4 到 8 倍；二是盲测真赢，TTS Arena 连续 7 个月第一，S2.1 Pro 盲听 66% 偏好胜过对手旗舰，Seed-TTS Eval 中文字错率 0.54%、英文 0.99%；三是逐词级情绪控制，开发者直接在剧本里写 [whisper in small voice]、[super happy]、[emphasis]，系统按自然语言指令控制每句语速、气息、情绪。

短剧出海这条线关系最大。海外微短剧 2025 年市场规模突破 40 亿美元，2026 年预计破 50 亿，译制剧占六成以上。但 80%-90% 出海项目回不了本，稳赚的是“卖铲子”的技术服务商。Fish Audio 在这条链上：10-15 秒干净人声样本，二十来秒克隆出可用音色，跨 80+ 语种直接开口。第三方实测：笔记本麦克风录 15 秒，22 秒后拿到可用克隆音色。API 15 美元/百万字节，英文约等于 12 小时语音，一部 90 分钟短剧配音成本不到 2 美元；中文一个字占 3 字节，同样量要乘 3，但仍只有真人