有人说ai编程能赚钱，也有人讲ai agent有商机，还有人看好ai视频生成的潜力，但你可能没注意到——ai音频其实同样蕴藏着巨大财富。
据海外媒体报道，ElevenLabs正内部推进一项二级市场股份转让计划，允许员工出售所持股票。该交易预计将在9月前完成，公司估值已达约220亿美元。
而就在短短5个月前，这家公司刚完成5亿美元D轮融资，彼时估值为110亿美元。
换言之，不到半年时间，估值翻倍。
那么问题来了：一家专注AI语音技术的企业，凭什么在半年内实现百亿级跃升？
01
从AI配音工具，跃迁为声音基础设施
2022年，ElevenLabs两位创始人马蒂·斯坦尼舍夫斯基（Mati Staniszewski）与彼得·达布科夫斯基（Piotr Dabkowski）选择切入TTS（Text-to-Speech）赛道。
传统TTS多依赖“拼接合成”：将真人录音切分为音素片段，再按文本顺序机械拼接。虽能发声，却缺乏语气起伏、节奏变化与情感表达，听起来如同冰冷机器念稿。
马蒂和彼得则另辟蹊径，借助深度学习模型让系统真正理解语义，并直接生成富有情绪、具备自然停顿与韵律感的语音。两人自掏腰包投入10万美元启动首轮训练，成果令人惊艳。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
尽管产品形态仍属TTS范畴，但从那一刻起，ElevenLabs已悄然打下AI语音的根基。
进入2024年，ElevenLabs推出Conversational AI平台（后更名为ElevenLabs Agents），构建起端到端语音交互闭环：
用户语音输入 → Speech-to-Text转译 → 大模型理解并生成回复 → Text-to-Speech合成输出 → 声情并茂播报结果。
整个流程耗时仅数百毫秒。
其核心优势在于，“听”与“说”全部由自家模型驱动：
- “听”的环节采用ElevenLabs自研Speech-to-Text模型，精准捕捉用户语音；
- “说”的部分配备双轨语音合成模型：
- eleven_flash_v2_5 主打极速响应，延迟压至约75毫秒，专为实时对话场景优化；
- eleven_v3 注重表现力，支持超70种语言，适用于对音质要求高、对延迟容忍度高的内容生产场景。
随着ElevenLabs Agents成为业务主干，公司顺势拓展出Dubbing（多语种配音）与Music（AI音乐生成）两大新方向。
更值得瞩目的是，2026年7月上线的Netflix旺卡主题真人秀《Wonka’s The Golden Ticket》，其旁白使用的是已故传奇演员吉恩·怀尔德（Gene Wilder）的声音复刻版本——该方案经Wilder遗产管理委员会正式授权。Wilder遗孀亦公开表示，家人认可这种以科技延续经典的方式。
几乎同期，ElevenLabs还发布了AI朗读版《奥德赛》，由迈克尔·凯恩（Michael Caine）声音克隆演绎，同样获得合法授权。
名人的声音，本质上是一种可确权、可授权、可规模化商用的IP资产，与肖像权具有同等法律地位。
基于此，ElevenLabs进一步打造了Iconic Voice Marketplace（标志性声音市场），将名人声音转化为标准化数字资产；同时推出AI前台接待员Reception AI，强化B端服务能力。
截至2025年底，ElevenLabs年度经常性收入（ARR）接近3.5亿美元；到2026年4月，这一数字已突破5亿美元。
截至目前，Eleven Agents平台上累计创建Agent超200万个。仅2026年上半年，就完成了逾3300万次真实对话调用——注意，这些数据不含任何测试或演示流量，全部来自实际生产环境。
看到这里，你或许会疑惑：ElevenLabs发展势头如此强劲，为何员工还要急于套现？继续持有岂不更划算？
实际情况是：根据外媒披露，ElevenLabs正与OpenAI、Anthropic等巨头争夺同一批顶尖AI工程师与研究员。不少核心成员已在公司服务两三年，手中股票账面价值已翻数倍，但由于尚未上市，无法兑现收益。长期无法变现，跳槽动机自然增强。
此次二级市场交易，实质是企业为稳定核心团队所设的“泄压阀”。事实上，在完成D轮融资的同时，ElevenLabs已执行过一次金额达1亿美元的要约收购（tender offer）；不到一年，这已是第二次同类操作。
投资人愿以220亿美元估值回购员工股份，恰恰说明他们坚信公司未来估值有望超越该数字。
02
AI语音赛道：
为何声音比视频更早实现盈利？
Sora因高昂成本与持续亏损被关停；火山引擎总裁谭待也曾明确指出，当前市面上流传的所有Seedance营收数据均不属实，且普遍严重高估。
这意味着，无论海内外，AI视频生成目前仍未找到可持续的商业化路径。
那为何AI音频却已跑通盈利模型？
第一，成本结构显著更轻。
语音生成处理的是单维时间序列，核心任务是将文字、语义与情绪映射为连续音频流；而视频生成需同步建模人物、背景、动作、镜头运动、光影变化及帧间一致性，属于高维空间建模。
后者信息密度更高、推理链更长、容错率更低。
因此，如Sora这类模型单次生成成本极高，且产出结果常因人物失真、运镜抖动、动作僵硬或风格割裂等问题反复重试——每次重试都意味着额外算力消耗。
相比之下，音频产品成熟度更高，极少需要重复生成，单次调用成本远低于视频。
更重要的是，语音可用性标准更易工程化落地：客服语音只需足够自然+低延迟，即可嵌入企业流程；而视频往往还需人工剪辑、调色、配乐才能发布。
所以AI音频更像水电般的基础设施，AI视频则更像是一个尚处实验阶段的“创意玩具”。
这也正是ElevenLabs增长迅猛的根本逻辑——它售卖的不是一次性炫技效果，而是企业可高频调用、即插即用的声音能力。低成本、低延迟、低重试率、易集成，才使AI语音率先成为一门“算得清账”的生意。
第二，应用场景高度确定。
字节跳动正式推出了其最新的智能图像创作模型——Seedream 5.0 Lite。作为豆包大模型2.0系列的重要组成部分，该模型不仅在理解、推理和生成能力上实现了全面跃升，更针对企业级视觉创作需求进行了深度优化，标志着AI生图技术向“实用化”与“智能化”迈出了关键一步。
配音、有声书、短视频旁白、本地化翻译、智能客服、销售外呼、员工培训、在线教育、游戏NPC语音……仅凭日常观察，就能罗列出大量刚需场景。
AI音频并非创造全新需求，而是对已有配音方式的效率升级与产能放大。
反观AI视频，其应用边界仍模糊：广告素材？微短剧？社媒内容？每个方向都存在不确定性，难以形成稳定付费闭环。
正是这些清晰、高频、可规模化的场景，构成了ElevenLabs持续增长的底层支撑。
第三，技术门槛明显更低。
视频需攻克世界模型、物理真实性、肖像权合规等多重难题，涉及跨学科复杂挑战。
而语音只需满足四项基础指标即可商用：
- 音质清晰度达标
- 情绪表达自然度达标
- 端到端延迟可控
- 系统运行稳定性达标
一旦这四个维度通过验证，语音即可直连生产系统，无需人工后期干预。
门槛低，意味着从Demo演示走向商业落地的距离极短；距离短，则意味着变现周期更快。
第四，也是最关键的一点：语音是AI Agent最自然的交互入口。
若AI Agent要真正走进现实世界，光会打字远远不够，它必须具备“听”与“说”的能力。
文字交互是互联网时代的界面范式，语音才是Agent时代的原生接口。生活中大量事务本就不发生在键盘上——电话沟通、车载交互、门店咨询、耳机播报……默认交互方式就是语音。
ElevenLabs Agents不仅实现了完整语音对话闭环，更关键的是让机器真正理解了用户意图。这也是ElevenLabs强调其Agent“员工属性”的深层原因。
此外，语音入口还有一个不可替代的优势：它能延伸至无屏场景。
文本型Agent高度依赖网页、App或办公软件界面；而语音型Agent则可无缝接入电话线路、蓝牙耳机、车载系统、线下智能终端等无屏设备。
哪怕你的AI视频再精美，离开屏幕便彻底失效。
03
语音，才是AI时代的真正入口
对国内从业者而言，ElevenLabs的故事并不玄妙。
打开任意一款主流AI助手App，语音唤醒、语音提问、语音朗读、切换音色……所有功能都能流畅实现。
“AI会说话”，在中国早已不是稀缺能力。那为何我们没能诞生自己的ElevenLabs？
以字节跳动旗下豆包为例：其战略目标是吸引用户入驻、留存于豆包生态，并深度使用字节系产品矩阵。语音功能在此定位中，本质是超级App/全能助手的交互载体。
豆包的语音能力，是字节AI入口战略的关键一环——体验越顺滑，用户越愿意留在豆包，也越倾向将其作为日常AI助手。
ElevenLabs之所以能在海外市场突围，关键在于当地市场高度碎片化：内容平台、游戏厂商、教育机构、客服服务商、独立创作者、开发者工具商……各自拥有不同系统、不同需求、不同采购路径。
ElevenLabs恰好处在这些分散需求的交汇点，把自己打造成“声音基础设施提供商”，并将模块化能力打包销售给各类型客户。
而在中国，短视频配音有剪映，网文听书有番茄小说，AI助手语音有豆包，企业级语音API有火山引擎，直播带货讲解有抖音……
换句话说，ElevenLabs在海外需逐一攻克的细分场景，在国内早已内生于各大平台生态之中。
中国大概率难孕育出完全对标ElevenLabs的独立语音公司。 因为最具商业价值的语音场景，早已被各大生态提前“截流”。
与此同时，ElevenLabs自身也面临新的挑战：当语音模型能力日趋同质化，它的护城河究竟在哪里？
比如Vapi，它是一个面向开发者的AI语音Agent构建平台，支持将语音识别、大模型调用、语音合成、电话信令、工具集成、打断机制、延迟控制、测试部署等环节一站式串联。
Vapi对ElevenLabs构成的潜在威胁在于：当语音模型质量差距缩小，客户真正关心的，不再是“谁的声音更像真人”，而是“谁能更快把语音Agent部署上线”。
ElevenLabs强项在于TTS模型本身，但Vapi站在更高维的编排层，直面开发者与企业客户，可将TTS模块化为可插拔组件。
今天它可以对接ElevenLabs，明天也能轻松切换至OpenAI、Cartesia、PlayAI等其他供应商。
而ElevenLabs呢？只能绑定自有模型。这意味着，一旦受限于算力、研发节奏或迭代能力，无法持续更新高质量模型，反而会加速Vapi这类聚合型平台的崛起。
本文来自微信公众号“直面AI”（ID：faceaibang），作者：苗正，编辑：王靖，36氪经授权发布。
