从AI配音工具到声音基础设施2022年ElevenLabs的两位创始人马蒂·斯坦尼舍夫斯基和彼得·达布科夫斯基走TTS路线。传统TTS是“拼接合成”语气、节奏全无。马蒂和彼得通过深度学习生成带情绪、有节奏的语音自掏十万美元训练效果很好ElevenLabs从此有了AI底子。2024年ElevenLabs推出Conversational AI平台后改名为ElevenLabs Agents。用户语音说话系统先语音转文字交给大模型生成回复再文字转语音整个过程约几百毫秒。“听”用ElevenLabs的Speech to Text模型“说”有两款语音合成模型eleven_flash_v2_5用于实时对话eleven_v3适合内容制作。ElevenLabs Agents成主引擎后ElevenLabs做了多语言配音和音乐生成。2026年7月Netflix节目旁白用了吉恩·怀尔德的AI重建声音同时ElevenLabs发布AI朗读版《奥德赛》朗读者是麦克尔·凯恩的声音克隆都有授权。名人声音可授权、收费ElevenLabs又做了相关业务。2025年底ElevenLabs的ARR将近3.5亿美元2026年4月超过5亿美元。截至目前Eleven Agents平台创建超200万个Agent2026年上半年处理超3300万次真实对话。员工卖股票是因公司未上市股票无法变现跳槽诱惑增大。公司此前也做过要约收购投资人愿以220亿美元回购股票相信公司估值能超220亿美元。AI语音市场 为什么声音比视频先赚钱Sora因亏损关停火山引擎总裁称Seedance收入数据全错AI视频生成不挣钱。AI音频生成为何赚钱呢成本结构更轻语音生成处理时间序列视频生成处理连续画面后者输出信息量大、推理复杂Sora单次输出成本高且结果不一定可用而音频产品形态成熟、单次成本低语音可用标准易产品化这是ElevenLabs增长快的底层逻辑。场景更确定AI音频可应用于配音、有声书等场景本质是替换现有配音方式、扩大产能而视频生成场景不确定。门槛比视频低得多视频要解决诸多难题语音只需四个指标达标就能进入生产流程门槛低变现快。语音是Agent的自然入口AI Agent要走进真实世界就得会听、会说语音是Agent时代界面现实中很多场景默认交互方式是语音。ElevenLabs Agents让机器理解用户问题语音入口能进入屏幕之外。语音才是AI时代的入口“AI会说话”在中国不稀缺为何没有ElevenLabs以豆包为例其语音是字节AI入口一部分语音越好使用户越愿留在豆包。ElevenLabs能在海外发展是因为海外市场分散它做成“声音基础设施”并打包业务出售。而字节生态内已有短视频配音、网文听书等语音场景中国难长出完全对标ElevenLabs的独立公司。同时ElevenLabs面临问题当模型能力接近客户可能更看重谁能更快把语音Agent跑起来。Vapi可将TTS变成可替换组件若ElevenLabs因算力等问题无法定期更新新模型反而成全Vapi的聚合模式。
过程记录)
