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Agent，2026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。
