El 28 de julio, TechCrunch publicó que Fish Audio cerró una ronda semilla de 52 millones de dólares, liderada por Coreline Ventures y Capital Today, con participación de 359 Capital, Parable, Play Time, Alphalist Partners, Bayhouse Ventures, Carya Venture Partners y HF0. Dicho así suena a una más de las decenas de rondas de IA que se anuncian cada semana de 2026.
Pero hay un detalle que la vuelve interesante para cualquiera que esté construyendo software en América Latina: la empresa liberó como open source tres de sus cuatro modelos de generación de voz, tiene más de 8 millones de usuarios y factura 21 millones de dólares anuales de ingresos recurrentes.
No es una startup que encontró la fórmula para vender IA cara. Es una que encontró la fórmula para regalar la mayor parte de su tecnología y aun así cobrar.
De una sola GPU a un repositorio con 31.000 estrellas
La historia de origen es sorprendentemente chica. Fish Audio empezó como proyecto personal de Shijia Liao, un ex investigador de Nvidia que, según TechCrunch, estaba frustrado con lo poco expresivas que eran las voces sintéticas disponibles en el mercado. Entrenó un modelo de generación de voz en una sola GPU y lo publicó abierto.
Ese repositorio —Fish Speech— hoy tiene más de 31.000 estrellas en GitHub y lo usan desarrolladores independientes, diseñadores de videojuegos y creadores de contenido. La empresa formal, con sede en Palo Alto y cofundada junto a Rissa Cao (CEO), se lanzó recién el año pasado.
En doce meses sacaron cinco modelos: cuatro de generación de voz y uno de speech-to-text. Tres de los de generación son abiertos. El más nuevo, S2.1 Pro, es el único cerrado y solo se accede por API paga.
Esa asimetría —abierto casi todo, cerrado lo último y mejor— es toda la estrategia comercial resumida en una línea.
Qué se vende cuando el modelo es gratis
La pregunta obvia: si cualquiera puede bajar el modelo y correrlo, ¿quién paga 21 millones al año?
Según el artículo, dos grupos bien distintos.
Creadores y equipos chicos pagan planes mensuales por minutos de generación y funciones de clonación de voz. Es el clásico "no quiero administrar una GPU, quiero un botón". Para un editor de video o un podcaster, la matemática de mantener infraestructura propia no cierra nunca.
Empresas pagan por API y plataforma. Entre los clientes que menciona TechCrunch están HeyGen (avatares de video generados por IA), Sanas (tecnología de voz aplicada a centros de contacto) y LiveKit (infraestructura para agentes de voz en tiempo real).
Y acá aparece la cita más útil de toda la nota, de la CEO Rissa Cao: "Cada empresa tiene casos de uso distintos y preferencias distintas." Algunas buscan realismo para avatares de IA, otras voces expresivas para juegos, y las empresas de agentes de voz como LiveKit quieren voces naturales y de baja latencia.
Ese es el negocio real: no es vender "una voz", es vender la voz correcta para cada caso, con la latencia que ese caso tolera. Fish Audio dice ofrecer más de 15.000 controles en lenguaje natural para ajustar la salida. El artículo no detalla ejemplos concretos de esos controles, así que no los vamos a inventar acá.
El open source como canal de distribución, no como caridad
Hay una lectura perezosa del open source en IA: "lo liberan porque no pueden competir con los grandes". La evidencia de Fish Audio apunta a otra cosa.
Liberar el modelo base te da algo que ninguna campaña de marketing compra al mismo precio: 8 millones de personas que ya saben usar tu producto. Cuando uno de esos usuarios pasa de proyecto personal a producto con clientes reales —y necesita SLA, latencia garantizada y el modelo que no está en GitHub— ya está adentro de tu embudo. No tuviste que salir a buscarlo.
El inversor Rico Mallozzi lo planteó en términos de eficiencia: destacó la capacidad de Fish Audio de construir "modelos de última generación" con muchos menos recursos que laboratorios de IA bien financiados.
Ese es el punto que más debería llamar la atención de un equipo técnico en Santa Cruz, Bogotá o Buenos Aires. El costo de estar en la frontera de una vertical específica bajó lo suficiente como para que un investigador con una GPU arranque algo que después levanta 52 millones. No hace falta competir con OpenAI en generalidad; alcanza con ser el mejor del mundo en un problema angosto.
Hay un detalle más que vale marcar, porque es raro en la industria: según TechCrunch, Fish Audio compensa económicamente a los usuarios que aportan voces que terminan usándose en el entrenamiento. En un año donde los juicios por datos de entrenamiento son noticia recurrente, montar el pipeline de datos sobre una base de consentimiento pagado es una decisión de arquitectura legal, no solo un gesto ético.
Siete jugadores peleando por el mismo presupuesto
TechCrunch enumera a los competidores directos: ElevenLabs, WellSaid, Cartesia, Speechify, Async y Krisp. Seis nombres, más Fish Audio, disputándose los mismos presupuestos de creadores y empresas.
Cuando siete compañías bien financiadas atacan la misma categoría, dos cosas suelen pasar al mismo tiempo: los precios por minuto bajan, y la diferenciación se muda de "¿suena bien?" a "¿se integra con lo que ya tengo?".
Para quien compra —o sea, para casi todos nuestros clientes— eso es buena noticia y advertencia a la vez. Buena noticia porque el costo de poner voz sintética decente en un producto va a seguir cayendo. Advertencia porque construir tu producto encima de un único proveedor de voz, en un mercado de siete jugadores donde alguno va a ser adquirido o va a cerrar, es asumir un riesgo que se evita con una capa de abstracción de dos días de trabajo.
Qué significa esto para un negocio en Bolivia o la región
Seamos honestos sobre lo que la nota dice y lo que no. TechCrunch no menciona qué idiomas cubre Fish Audio ni publica precios específicos, así que cualquiera que hoy te asegure "ya funciona perfecto en español boliviano" está adivinando. Eso se verifica probando, no leyendo.
Lo que sí se puede sacar en limpio:
1. La voz dejó de ser el cuello de botella. Hace tres años, un agente telefónico que sonara humano era un proyecto de meses. Hoy hay al menos siete proveedores compitiendo por vendértelo por API, y varios con modelos abiertos que podés correr vos mismo.
2. El caso de uso más valioso no es el más llamativo. De los clientes que menciona el artículo, el que más se parece a lo que necesita una PyME latinoamericana es Sanas: voz aplicada a centros de contacto. No avatares, no videojuegos. Atención al cliente y ventas. Ahí es donde la voz sintética paga sus propias facturas.
3. La latencia define la arquitectura, no el timbre. Cao lo dice explícitamente al hablar de empresas de agentes de voz. Un modelo que genera audio hermoso en tres segundos es inútil en una llamada telefónica y perfectamente adecuado en un video institucional. Antes de elegir proveedor, definí cuál de los dos casos es el tuyo: la respuesta cambia todo lo demás.
4. Open source no significa gratis en producción. Correr un modelo de voz propio implica GPUs, monitoreo y alguien que lo mantenga. La razón por la que Fish Audio factura 21 millones es justamente que, para muchísimos equipos, pagar la API sale más barato que el ingeniero que administra la infraestructura. Hacé esa cuenta antes de decidir por ideología.
Lo que viene: speech-to-speech
La empresa anunció que este año lanza dos modelos más: uno de comprensión de audio y uno de speech-to-speech (voz a voz, sin pasar por texto intermedio).
El segundo es el que importa de verdad. Speech-to-speech elimina el paso de transcribir → procesar → sintetizar, que es exactamente donde se acumula la latencia que hace que una conversación con IA se sienta robótica. Si ese modelo funciona bien y además termina siendo abierto, la barrera de entrada para construir agentes de voz conversacionales baja otro escalón completo.
Según Cao, la ronda se levantó porque querían "desarrollar modelos más avanzados y dar soporte a empresas" a medida que crecía el interés de los inversores.
El cierre
La lección de Fish Audio no es "regalá tu producto". Es más específica y más útil: en IA, la distribución vale más que el secreto. Un modelo cerrado que nadie probó no tiene valor comercial; un modelo abierto que usan 8 millones de personas construye el canal por el que después vendés el que sí es cerrado.
Es un patrón que se puede copiar sin tener 52 millones de dólares en el banco. Liberá la parte que te da alcance, cobrá la parte que resuelve el problema en producción, y asegurate de que el salto de una a la otra sea trivial.
Fuente: TechCrunch