半年估值暴漲110億美元，AI音頻為什么比視頻先賺到錢？

有人說(shuō)AI編程賺錢，也有人說(shuō)AI Agent賺錢，還有人說(shuō)AI視頻生成賺錢，但你知道嗎，其實(shí)AI音頻也挺賺錢的。

外媒報(bào)道稱，ElevenLabs正在內(nèi)部討論一項(xiàng)二級(jí)市場(chǎng)股份出售交易，允許員工賣掉手里的股票。這筆交易預(yù)計(jì)在9月之前完成，估值大約220億美元。

可就在5個(gè)月前，這家公司才剛剛完成5億美元的D輪融資，當(dāng)時(shí)ElevenLabs的估值110億美元。

也就是說(shuō)，半年不到，估值就翻了一倍。

關(guān)鍵問(wèn)題是，一家做AI聲音的公司，憑什么半年就敢漲100億？

01

從AI配音工具，到聲音基礎(chǔ)設(shè)施

2022年，ElevenLabs的兩位創(chuàng)始人馬蒂·斯坦尼舍夫斯基（Mati Staniszewski）和彼得·達(dá)布科夫斯基（Piotr Dabkowski）當(dāng)時(shí)走的是TTS（Text to Speech）路線。

傳統(tǒng)的TTS本質(zhì)是“拼接合成”，把真人錄的音切成小片段，再按文字拼起來(lái)。拼是拼上了，語(yǔ)氣、節(jié)奏、情緒全沒(méi)了，聽(tīng)著就是一個(gè)機(jī)器在念稿子。

馬蒂和彼得通過(guò)深度學(xué)習(xí)，讓模型理解文字的含義，直接生成帶情緒、有節(jié)奏、會(huì)停頓的語(yǔ)音。兩個(gè)人自己掏了十萬(wàn)美元跑第一輪訓(xùn)練，出來(lái)的效果非常好。

雖然從產(chǎn)品形態(tài)上來(lái)說(shuō)，它仍然是TTS，但那時(shí)候起，ElevenLabs已經(jīng)有AI的底子了。

2024年開(kāi)始，ElevenLabs推出了Conversational AI平臺(tái)（后來(lái)改名叫ElevenLabs Agents）。

它的產(chǎn)品邏輯是這樣的，用戶用語(yǔ)音說(shuō)一句話，系統(tǒng)先用語(yǔ)音轉(zhuǎn)文字把內(nèi)容提取出來(lái)，扔給大模型理解并生成回復(fù)，再用文字轉(zhuǎn)語(yǔ)音，最后聲情并茂地把回復(fù)念出來(lái)。

整個(gè)過(guò)程大概需要幾百毫秒。

ElevenLabs的優(yōu)勢(shì)在于，整個(gè)過(guò)程中地“聽(tīng)”和“說(shuō)”用的都是它自己的模型。

“聽(tīng)”用的是ElevenLabs的Speech to Text模型，負(fù)責(zé)把用戶說(shuō)的話轉(zhuǎn)成文字。而在“說(shuō)”那頭，它有兩款語(yǔ)音合成模型，分工不同。

eleven_flash_v2_5追求快，把延遲壓到大約75毫秒，專門給實(shí)時(shí)對(duì)話場(chǎng)景用；eleven_v3追求好，覆蓋70多種語(yǔ)言，表現(xiàn)力更強(qiáng)，適合內(nèi)容制作這類對(duì)質(zhì)量要求高、對(duì)延遲不敏感的場(chǎng)景。

當(dāng)ElevenLabs Agents成了主引擎之后，ElevenLabs基于此去往下延伸，做了Dubbing（多語(yǔ)言配音）和Music（音樂(lè)生成）。

還沒(méi)完，2026年7月，Netflix上線了一檔旺卡主題真人秀節(jié)目《Wonka‘s The Golden Ticket》。節(jié)目里的旁白，是吉恩·懷爾德（Gene Wilder）的聲音，但是吉恩早在2016年就去世了。

這個(gè)聲音是ElevenLabs用AI重建的，經(jīng)過(guò)Wilder遺產(chǎn)管理委員會(huì)授權(quán)。Wilder的妻子發(fā)聲明說(shuō)，家人支持用這種方式把他的聲音帶給新一代觀眾。

差不多同一時(shí)間，ElevenLabs發(fā)布了一個(gè)AI朗讀版《奧德賽》，朗讀者是麥克爾·凱恩（Michael Caine）的聲音克隆，同樣有授權(quán)。

名人的聲音是IP，跟肖像權(quán)一樣可以授權(quán)、可以收費(fèi)、可以規(guī)模化使用。

于是，ElevenLabs又做了把名人聲音變成可授權(quán)IP的Iconic Voice Marketplace，還有AI前臺(tái)員工Reception AI。

2025年底，ElevenLabs的ARR將近3.5億美元。到了2026年4月，這個(gè)數(shù)字已經(jīng)超過(guò)了5億美元。

截止至今，Eleven Agents平臺(tái)上，已經(jīng)創(chuàng)建了超過(guò)200萬(wàn)個(gè)Agent。光是2026年上半年，就處理了超過(guò)3300萬(wàn)次對(duì)話。并且你得了解個(gè)事，這些對(duì)話是不含demo數(shù)據(jù)的，全都是真實(shí)生產(chǎn)環(huán)節(jié)調(diào)用的結(jié)果。

看到這你是不是感覺(jué)一些疑惑？ElevenLabs不是發(fā)展得越來(lái)越好了嗎？為什么這些員工還要去賣股票呢？留在手里升值不香嗎？

情況是這樣的，根據(jù)外媒報(bào)道，ElevenLabs現(xiàn)在每天都要跟OpenAI、Anthropic搶同一批工程師和研究員。這些人在公司干了兩三年，手里股票紙面價(jià)值翻了好幾倍，但沒(méi)上市就沒(méi)法花。一直不能變現(xiàn)，跳槽的誘惑就越來(lái)越大。

所以這次交易，本質(zhì)上是公司在給核心團(tuán)隊(duì)開(kāi)閘放水。事實(shí)上，ElevenLabs在Series D的同時(shí)就做過(guò)一次1億美元的tender offer（要約收購(gòu)），不到一年這是第二次。

投資人愿意用220億美元的價(jià)格回購(gòu)員工手里的股票，說(shuō)明他們相信這公司估值能漲過(guò)220億美元。

02

AI語(yǔ)音市場(chǎng)：為什么聲音比視頻先賺錢

Sora因?yàn)樘潛p太多導(dǎo)致關(guān)停，火山引擎總裁譚待也曾表示，市面上所有流傳的Seedance收入數(shù)據(jù)全是錯(cuò)的，而且普遍偏高。

也就是說(shuō)，無(wú)論國(guó)內(nèi)國(guó)外，AI視頻生成這塊，真的不掙錢。

所以，為什么AI音頻生成卻這么賺錢？

第一，成本結(jié)構(gòu)更輕。

語(yǔ)音生成處理的是一條時(shí)間序列，核心任務(wù)是把文字、語(yǔ)義和情緒轉(zhuǎn)成連續(xù)音頻；視頻生成處理的則是連續(xù)畫面，要同時(shí)維持人物、背景、動(dòng)作、鏡頭、光影和前后幀一致性。

后者的輸出信息量更大，推理鏈條也更復(fù)雜。

這就導(dǎo)致像Sora這樣的產(chǎn)品，它的單次輸出成本非常高。而且生成的結(jié)果不一定“可用”。一段視頻可能因?yàn)槿宋镒冃巍㈢R頭不穩(wěn)、動(dòng)作不自然、風(fēng)格不一致而反復(fù)重跑。

每一次重試，都要消耗算力。

音頻不一樣，它產(chǎn)品形態(tài)成熟，不需要重復(fù)式結(jié)果，而且單次成本也遠(yuǎn)低于視頻。

更關(guān)鍵的是，語(yǔ)音的可用標(biāo)準(zhǔn)更容易被產(chǎn)品化。客服語(yǔ)音只要足夠自然和低延遲，就能進(jìn)入企業(yè)流程。但是視頻則往往還要經(jīng)過(guò)剪輯才能發(fā)布。

所以AI音頻像基礎(chǔ)設(shè)施，AI視頻更像是個(gè)有意思的“小玩意”。

這也是ElevenLabs增長(zhǎng)快的底層邏輯。它賣的不是一次性的“驚艷效果”，而是企業(yè)可以持續(xù)調(diào)用的聲音能力。成本低、延遲低、重試少、集成簡(jiǎn)單，才讓AI語(yǔ)音比AI視頻更早變成一門算得過(guò)賬的生意。

第二，場(chǎng)景更確定。

配音、有聲書、短視頻旁白、本地化翻譯、客服電話、銷售外呼、員工培訓(xùn)、在線教育、游戲NPC……我隨便一想，就能想出大量的AI音頻可以應(yīng)用場(chǎng)景。

AI音頻不是創(chuàng)造一個(gè)新需求，它本質(zhì)上是替換已有的配音方式，擴(kuò)大產(chǎn)能而已。

視頻生成的場(chǎng)景就沒(méi)這么確定。你能用它做什么？廣告素材？短片？社交媒體內(nèi)容？

這些場(chǎng)景為ElevenLabs提供了增長(zhǎng)。

第三，門檻比視頻低得多。

視頻要解決的問(wèn)題太多了，比如世界模型、客觀現(xiàn)實(shí)、肖像權(quán)等等，各種層面的難題都有。

但是語(yǔ)音只要四個(gè)指標(biāo)達(dá)標(biāo)就行，分別是音質(zhì)夠清晰、情緒夠自然、延遲夠低、穩(wěn)定性夠好。

一旦這幾個(gè)指標(biāo)過(guò)了線，聲音就能直接進(jìn)生產(chǎn)流程，不需要人工后期修補(bǔ)。

門檻低，意味著從“能演示”到“能上線”的距離短。距離短，意味著變現(xiàn)快。

第四，也是最關(guān)鍵的，語(yǔ)音是Agent的自然入口。

如果AI Agent要走進(jìn)真實(shí)世界，它不能只會(huì)打字。它就得會(huì)聽(tīng)、會(huì)說(shuō)。

文字交互是互聯(lián)網(wǎng)時(shí)代的界面，語(yǔ)音才是Agent時(shí)代的界面。很多現(xiàn)實(shí)生活中遇到的事情，本來(lái)也不是在鍵盤上發(fā)生的。

生活中，很多場(chǎng)景的默認(rèn)交互方式就是語(yǔ)音。

ElevenLabs Agents不只是讓機(jī)器參與了一段完整的對(duì)話，它還讓機(jī)器理解了用戶的問(wèn)題。這也是為什么，ElevenLabs強(qiáng)調(diào)ElevenLabs Agents的員工屬性。

最后，語(yǔ)音入口還有一個(gè)優(yōu)勢(shì)，它能進(jìn)入屏幕之外。

文本Agent主要依賴網(wǎng)頁(yè)、App和辦公軟件，但是語(yǔ)音Agent，它可以進(jìn)入電話線路、耳機(jī)、車機(jī)和線下門店這些沒(méi)有屏幕的地方。

你AI視頻生成的視頻再好看，離開(kāi)屏幕你啥也看不了。

03

語(yǔ)音才是AI時(shí)代的入口

對(duì)咱們來(lái)說(shuō)，ElevenLabs的故事其實(shí)沒(méi)那么神秘。

打開(kāi)隨便一款A(yù)I助手App，和它語(yǔ)音聊天，讓它讀一段文章，換一種音色，它都能聲情并茂的讀出來(lái)。

“AI會(huì)說(shuō)話”這件事，在中國(guó)并不稀缺。那為什么中國(guó)沒(méi)有ElevenLabs？

以豆包為例，豆包的目標(biāo)是讓用戶進(jìn)入豆包、留在豆包、使用字節(jié)生態(tài)。它的語(yǔ)音是一個(gè)超級(jí)App/助手的交互方式。

豆包的語(yǔ)音，本質(zhì)上是字節(jié)AI入口的一部分。它越好用，用戶就越愿意留在豆包里，也越愿意把豆包當(dāng)助手去使用。

而ElevenLabs之所以能在海外跑出來(lái)，一個(gè)重要原因是海外市場(chǎng)足夠分散。內(nèi)容公司、游戲公司、教育公司、客服公司、創(chuàng)作者工具、開(kāi)發(fā)者平臺(tái)，各有各的系統(tǒng)，各有各的需求。

ElevenLabs剛好站在這些分散的需求中間，把自己做成了“聲音基礎(chǔ)設(shè)施”，然后將業(yè)務(wù)打包賣給他們。

而字節(jié)這邊呢？短視頻配音，有剪映；網(wǎng)文聽(tīng)書，有番茄小說(shuō)；AI助手語(yǔ)音，有豆包；企業(yè)語(yǔ)音調(diào)用，有火山引擎；直播電商講解，有抖音。

換句話說(shuō)，ElevenLabs在海外需要一項(xiàng)項(xiàng)爭(zhēng)取的場(chǎng)景，在字節(jié)這里本來(lái)就長(zhǎng)在自己的身體里。

中國(guó)可能很難長(zhǎng)出一個(gè)完全對(duì)標(biāo)ElevenLabs的獨(dú)立公司。因?yàn)樽罘实恼Z(yǔ)音場(chǎng)景，早就被截在生態(tài)內(nèi)部了。

與此同時(shí)，ElevenLabs也面臨著另外一個(gè)問(wèn)題，那就是當(dāng)模型的能力不斷接近，他們的優(yōu)勢(shì)又在哪里？

比如Vapi，它是一個(gè)給開(kāi)發(fā)者搭建AI語(yǔ)音Agent的平臺(tái)，你可以在這個(gè)平臺(tái)上，把語(yǔ)音識(shí)別、LLM、語(yǔ)音合成、電話線路、工具調(diào)用、打斷、延遲控制、測(cè)試和部署這些環(huán)節(jié)全串起來(lái)。

Vapi對(duì)ElevenLabs的威脅在于，當(dāng)語(yǔ)音模型能力逐漸接近，客戶真正買的可能不再是“誰(shuí)聲音更像人”，而是誰(shuí)能更快把語(yǔ)音Agent跑起來(lái)。

ElevenLabs強(qiáng)在聲音質(zhì)量和TTS模型，但Vapi站在更上游的編排層，直接面對(duì)開(kāi)發(fā)者和企業(yè)，它可以把TTS變成可替換組件。

今天它可以接ElevenLabs，明天也可以換成OpenAI、Cartesia、PlayAI這些更新，那我就換成其他家的。

但是ElevenLabs呢？它只能用自己的。這也就是說(shuō)，如果后面因?yàn)樗懔Φ葐?wèn)題，導(dǎo)致ElevenLabs沒(méi)有能力去定期更新新的模型了，反而成全了Vapi這樣的聚合模式。