Alpha Page | 从声音到判断：Fish Audio与Harvey让专业能力成为可调用服务

过去一轮AI产品的竞争，更多围绕模型是否足够聪明、生成结果是否足够自然。如今，更值得关注的变化正在发生。AI开始进入那些过去高度依赖特定个人、难以标准化，也难以大规模复制的能力，例如一个人的声音、表达方式，以及一名专业人士多年积累的判断经验。

Fish Audio选择从声音切入。它用短音频完成声音克隆，并提供情绪控制、多语言生成和实时API，让创作者不必再为每次修改重新录音，也让游戏、短视频、播客和智能体能够持续调用稳定的声音。它解决的并不只是“配音更便宜”，而是声音生产长期受制于录制时间、语言限制和个人档期的问题。

Harvey进入的则是法律专业服务。律师每天需要处理大量合同、案例和监管材料，许多步骤重复且耗时，但结果又必须准确、可追溯。Harvey将法律数据、机构内部文件和AI Agent整合在同一平台，让系统不仅能起草和分析内容，还能按照律师事务所自己的规则完成多步骤任务，并交付带引用、可复核的结果。

一个处理人的表达，一个处理人的专业判断，两者看似相距很远，底层逻辑却相似。它们都在把过去依附于个人的能力，拆解成可以被软件理解、保存和重复调用的服务。AI产品的价值，也因此开始从“生成一次内容”，转向“长期承接一种工作”。

 Fish Audio

 让声音成为可调用的数字能力

Fish Audio（运营主体 Hanabi AI Inc.，总部帕洛阿尔托，2025 年成立）是一家 AI 语音公司，核心能力包括文字转语音、声音克隆、语音转文字和情绪控制。产品分为三层：

  1. 面向创作者的网页应用与 Story Studio 等创作工具；

  2. 面向开发者的 REST、WebSocket 接口与 Python / TypeScript SDK；

  3. 面向企业的本地化部署、零数据留存（ZDR）与 HIPAA 合规配置。

收入结构：分为创作者订阅、API 用量、企业私有部署三部分。订阅从免费版到 Plus（约 11 美元/月）、Pro（75 美元/月）、Max（749 美元/月），企业版为定制报价。API 按用量计费，官方价格为每百万字符 15 美元。

关键运营数据（截至 2026 年 7 月，公司口径）：

• 年化经常性收入（ARR）约 2100 万美元，成立一年内从 0 起步；

• 平台用户超过 800 万，社区声音模型超过 200 万个，GitHub 上 fish-speech 仓库超过 3.1 万 star；

• 企业客户与开发者合计约占收入三分之二——收入重心已从 C 端订阅转向 B 端。

2026 年 7 月 28 日，Fish Audio 官宣完成 5200 万美元种子轮，由 Coreline Ventures 与今日资本（Capital Today）联合领投，359 Capital、Play Time、HF0、645 Ventures、Parable、Carya Venture Partners、Alphalist Partners 及多位天使投资人参与，估值未披露。（TechCrunch 报道口径为 5000 万美元，公司官方新闻稿与博客均为 5200 万美元。）

团队一年内从 3 人扩张至 22 人，并以小规模团队跑出 2100 万美元 ARR，是本轮融资在一级市场引发关注的主因。资金用途明确：训练下一代模型（音频理解模型 Audio LM 与语音转语音）、扩建企业销售、加强开发者工具与合规体系。

公司披露的付费企业客户包括 HeyGen、LiveKit、Retell、Sanas、OpenArt、Telnyx、Plaud 等，均已进入正式产品。

人们常将HeyGen 与 Fish Audio 放在一起比较，但 HeyGen 做的是数字人视频，语音只是其生成管线中的一个组件。

Fish Audio 卖的是基础设施，HeyGen 是其买方而不是对手。

共发布 5 个模型：4 个语音生成模型（S1 Mini、S1、S2 Pro、S2.1 Pro） + 1 个语音识别模型（Fish Audio STT）。

Fish Speech、S1、S2 以开放权重形式发布（商用需购买许可），开发者可本地运行与微调；最新的 S2.1 Pro 仅通过 API 提供。

• 能力：支持 83 种以上语言，提供 15,000 余种自然语言控制指令，可做到词级情绪与语气控制；5 秒参考音频约 15 秒完成克隆。

• 工程：团队重写了推理栈，自研 FP8 kernel，单张 H200 上达到 8000+ tokens/秒，首包延迟约 90 毫秒——低推理成本是其敢于低价和免费开放的前提。

• 第三方基准：在 Artificial Analysis 语音竞技场中，S2.1 Pro 的 Elo 约 1153，位列第 13 名，吞吐 56.3 字符/秒；S2 Pro 则是开放权重模型中的最高分（Elo 约 1123）。即在质量上属第一梯队，优势主要体现在“质量／价格比”。

增长逻辑：开放模型吸引开发者 → 开发者贡献声音资产与真实偏好数据 → 数据反哺后训练 → 模型在中文、日韩语及非美式口音上形成差异 → 转化为 API 与企业收入。

1. 语音可控性

Fish Audio 不只把文字读出来，而是提供 1.5 万余种自然语言控制方式，可调整情绪、语气、停顿、耳语、笑声等细节。对游戏角色、数字人和语音 Agent 而言，能否控制“怎么说”比声音本身自然更重要。

2. 亚洲语言与口音

公司基于真实用户偏好做后训练，在中文、日语、韩语、西班牙语及带口音的英语上表现较好——这是以标准美式英语为主要语料的模型的普遍短板，也是 Fish Audio 面向中国及东亚客户最直接的卖点。

3. 开放权重带来的渠道与网络效应

S2 公开了权重、微调代码与推理引擎，开发者可先免费部署测试、商用时再购买授权；社区累计贡献的 200 万个声音模型覆盖 83 种语言，这部分资产难以用资金直接买到。

4. 企业级合规能力

提供本地部署、零数据留存与 HIPAA 合规配置。对金融、医疗客户而言“数据不出内网”是硬性要求，而 ElevenLabs 目前以云端 API 为主，暂不提供同等的自部署选项。

直接对手是 ElevenLabs。

这家 2022 年由两位波兰创始人创立、总部位于伦敦／纽约的公司，2026 年 2 月完成 5 亿美元 D 轮，估值 110 亿美元，累计融资 7.81 亿美元；ARR 从 2025 年底的约 3.3 亿美元增长至 2026 年 4 月的约 5 亿美元，员工约 400 人，产品线覆盖 TTS、语音识别、配音、音乐与对话式 Agent，接近全栈。Fish Audio 的差异主要在三点：

  1. 价格更低：Fish Audio 每百万 UTF-8 字节 15 美元，ElevenLabs 主流档位在每百万字符 60–165 美元。方向上确实便宜数倍，但计费单位不同，中文场景下差距会明显收窄，不宜简单套用“便宜 4–11 倍”。

  2. 亚洲语言更强：公司自测的 10 天生产流量盲测中共收集约 7.1 万组数据，其中 5098 组符合跨厂商比较要求，S2 Pro 综合胜率 66%，对 ElevenLabs V3 为 60% 对 40%。

  3. 支持开放部署：开发者可本地运行开放权重模型，企业可在自有环境部署；ElevenLabs 更偏向闭源云服务。

Fish Audio 起源于联合创始人兼首席科学家 Shijia Liao 的个人项目。Shijia 曾任 NVIDIA 视频方向研究员，也是 VTuber 爱好者。由于不满传统合成语音缺乏情绪表现力，他最初在卧室中使用单张 RTX 4090 训练模型，并较早押注双自回归架构，随后将核心模型 Fish Speech 开源，由此逐步形成技术社区与产品基础。

CEO 兼联合创始人 Rissa Cao 曾任职于 Amazon Alexa 和 Meta Reality Labs，并联合创办 AI 二次元创作平台 PixAI，具备语音产品、生成式 AI 应用及商业化经验。两位创始人分工明确：Shijia 主要负责模型训练、推理优化和开源生态建设；Rissa 则负责产品商业化、企业客户拓展及公司整体运营，将底层技术能力转化为订阅、API 和企业部署收入。

在产品规划上，Fish Audio 并不满足于成为单一的文字转语音工具。公司下一阶段将拓展音频理解模型（Audio LM）和语音转语音模型，使系统不仅能够生成声音，还能够识别语气、情绪和场景，并直接调整表达方式；同时，公司计划进一步深化与 LiveKit、Retell 等实时语音基础设施和 AI Agent 平台的集成。长期来看，Fish Audio 希望构建覆盖语音生成、音频理解、语音转换及企业级部署的完整音频基础设施。

 Harvey

让法律经验成为可执行的工作流

Harvey是一家美国法律AI科技公司，专注于法律及专业服务领域的生成式AI应用。其核心产品为企业级法律AI平台，涵盖法律研究、文书起草、合同审查、批量文档分析及自定义Agent工作流，并可嵌入Microsoft Word、Outlook及企业文档管理系统。客户主要包括大型律师事务所、跨国企业法务部门、金融机构及其他专业服务机构。

Harvey Assistant

Harvey Assistant是Harvey的核心产品，面向律师事务所、企业法务及其他专业服务机构，该产品以自然语言交互为主要入口。

主要功能包括：

• 法律问题研究与分析

• 起草法律备忘录、诉状、合同条款和客户回复

• 根据用户上传的文件、内部知识库或法律数据库回答问题

• 对合同和其他法律文档进行比较、修改和风险分析

• 生成带有引用依据、便于律师复核的结果

同时，产品可嵌入Microsoft Word和Outlook，使律师能够在原有办公环境中完成合同修改、文件分析和邮件处理，而不必在多个软件之间反复切换。

Workflow Agents

其作用是将复杂、重复的法律工作转化为可配置、可重复执行的多步骤流程。与单次问答不同，Workflow Agents可以主动收集所需材料、调用不同知识源、分解任务并生成阶段性结果，在关键节点交由律师复核。这使Harvey从辅助个人完成单项任务的AI助手，进一步发展为能够执行标准化法律流程的企业级工作平台。

其他产品主要为Harvey Assistant和Workflow Agents提供文档、知识及协作支持。未来，Harvey将重点从法律问答和内容生成进一步转向复杂工作流Agent、企业知识基础设施以及金融、税务、合规和资产管理等高价值专业服务领域。

据Crunchbase，2026年3月25日，Harvey完成金额为2亿美元的G轮融资，投后估值为110亿美元，由GIC、Sequoia联合领投，a16z、Coatue、Kleiner Perkins等机构参与，2025年后融资情况如下：

1. 客户增长

2024年，Harvey的客户数量由约40家增长至235家，覆盖42个国家；同期年度经常性收入（ARR）增长4倍。

2025年8月，据官网信息，ARR超过1亿美元；约42%的北美前100律所使用Harvey。

2026年7月，根据官网信息，超过20万名专业人士使用平台，覆盖2,400多家机构以及70个国家。

2. 使用率和客户ROI

• 平台月度采用率约 92%

• 典型用户每月节省 25小时以上

1. 原生嵌入法律办公流程，低学习成本

区别于需要复制粘贴、反复切换网页的通用AI大模型，Harvey可直接嵌入Microsoft Word和Outlook，并连接iManage等文档管理系统。Harvey并不绑定单一基础模型，而是同时接入OpenAI、Anthropic、Google DeepMind等前沿模型，根据法律研究、合同审查、文书起草等不同任务自动选择更合适的模型，律师可以在文档中根据需求完成法律研究、合同起草、红线修改、条款比对和风险分析，AI输出还可定位至原文或引用资料，方便直接核验，无需改变既有办公习惯。

真实案例：二手电商平台Carvana将Harvey接入Microsoft和iManage，由AI完成合同初稿、红线修改、版本比对和法律研究。

2. 企业级安全与数据隔离，适配高敏感业务

Harvey具备SOC 2 Type II和ISO 27001认证，对传输及存储数据进行加密，并设置工作区、事项和用户层级的访问权限。平台默认不使用客户数据训练模型，同时要求外部模型供应商遵守零数据留存和禁止训练条款，可满足大型律所、金融机构及跨国企业对客户保密、数据隔离和跨地区合规的要求。

真实案例：德国电信已将Harvey用于监管合规、重大诉讼和日常法务支持，其Law & Integrity团队律师全面使用该平台。

3. 自定义法律Agent沉淀工作流程，输出可核验、流程可复制

企业还可通过Workflow Agents把合同审查、尽职调查、诉讼材料整理和合规检查等流程固化为专用Agent，使AI按照机构自身的模板、Playbook和风险标准重复执行，减少不同律师之间的质量差异。截至2026年，客户已在Harvey平台创建超过2.5万个自定义Agent。每个Agent都承载客户独有的业务经验，这使Harvey逐渐从AI工具变成法律流程基础设施，也是其最重要的长期护城河。

真实案例：日本广告公司Dentsu部署Harvey 18个月后，93%的律师每周使用该产品，平均每名律师每周节省约4至10小时。

Harvey最直接的竞争对手是瑞典公司 Legora。两者均面向大型律师事务所和企业法务团队，提供法律研究、文书起草、合同审查、批量文档分析及多步骤Agent工作流，客户和应用场景高度重合。Legora代表客户包括White & Case、Linklaters、Cleary Gottlieb和Goodwin等。

Harvey的优势在于更成熟的企业级平台深度和法律知识基础设施。相较Legora，Harvey当前在大型客户覆盖、法律数据连接、Agent产品成熟度、品牌及融资资源上总体领先，其护城河并非底层基础模型本身，而是“权威数据库＋机构私有知识＋专业Agent＋企业级工作流”形成的复合壁垒。

Harvey由Winston Weinberg和Gabriel Pereyra于2022年创立。Weinberg曾任O’Melveny & Myers证券及反垄断诉讼律师，Pereyra曾在Google DeepMind、Meta等机构从事人工智能研究。

团队并不是想打造一个只会回答“法律规定是什么”的聊天机器人，而是建立能够理解案件背景、客户历史和机构经验的专业AI系统。

团队的长期目标是让AI Agent承担大量研究、审阅和起草工作，同时由律师在关键节点介入判断，使专业人员重新聚焦于谈判、策略和客户顾问等高价值工作，并将这一模式进一步推广到金融、税务及其他专业服务领域。

Fish Audio 与 Harvey 所代表的，并非两个孤立的垂直应用，而是共同指向一个更深层的产业变化：AI 正在成为专业能力的分发基础设施。

过去，声音依附于创作者本人，法律经验依附于律师个体；而随着 AI 的发展，专业能力正在被结构化、复制并规模化交付。声音可以被模型理解与复用，法律知识可以被智能系统调用与执行，原本高度依赖个人经验的能力，正在转化为可持续调用的数字化资产。

这并不意味着人的价值会被简单替代。恰恰相反，当重复录制、资料整理和初步分析被软件承担后，人需要投入更多精力的，是声音背后的创意、法律结论背后的责任，以及无法被标准流程覆盖的判断。

下一阶段AI公司的差异也将不再只来自底层模型。真正的壁垒会逐渐转向专有数据、质量评测、用户反馈、工作流集成，以及客户是否愿意把长期积累的知识和资产留在平台中。Fish Audio需要持续沉淀声音、情绪和开发者生态，Harvey则需要掌握法律数据、机构知识和高价值工作流。