文 | 字母 AI
有人说 AI 编程赚钱，也有人说 AI Agent 赚钱，还有人说 AI 视频生成赚钱，但你知道吗，其实 AI 音频也挺赚钱的。
外媒报道称，ElevenLabs 正在内部讨论一项二级市场股份出售交易，允许员工卖掉手里的股票。这笔交易预计在 9 月之前完成，估值大约 220 亿美元。
可就在 5 个月前，这家公司才刚刚完成 5 亿美元的 D 轮融资，当时 ElevenLabs 的估值 110 亿美元。
也就是说，半年不到，估值就翻了一倍。
关键问题是，一家做 AI 声音的公司，凭什么半年就敢涨 100 亿？
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（Mati Staniszewski）和彼得 · 达布科夫斯基（Piotr Dabkowski）当时走的是 TTS（Text to Speech）路线。
传统的 TTS 本质是 " 拼接合成 "，把真人录的音切成小片段，再按文字拼起来。拼是拼上了，语气、节奏、情绪全没了，听着就是一个机器在念稿子。
马蒂和彼得通过深度学习，让模型理解文字的含义，直接生成带情绪、有节奏、会停顿的语音。两个人自己掏了十万美元跑第一轮训练，出来的效果非常好。
虽然从产品形态上来说，它仍然是 TTS，但那时候起，ElevenLabs 已经有 AI 的底子了。
2024 年开始，ElevenLabs 推出了 Conversational AI 平台（后来改名叫 ElevenLabs Agents）。
它的产品逻辑是这样的，用户用语音说一句话，系统先用语音转文字把内容提取出来，扔给大模型理解并生成回复，再用文字转语音，最后声情并茂地把回复念出来。
整个过程大概需要几百毫秒。
ElevenLabs 的优势在于，整个过程中地 " 听 " 和 " 说 " 用的都是它自己的模型。
" 听 " 用的是 ElevenLabs 的 Speech to Text 模型，负责把用户说的话转成文字。而在 " 说 " 那头，它有两款语音合成模型，分工不同。
eleven_flash_v2_5 追求快，把延迟压到大约 75 毫秒，专门给实时对话场景用；eleven_v3 追求好，覆盖 70 多种语言，表现力更强，适合内容制作这类对质量要求高、对延迟不敏感的场景。
当 ElevenLabs Agents 成了主引擎之后，ElevenLabs 基于此去往下延伸，做了 Dubbing（多语言配音）和 Music（音乐生成）。
还没完，2026 年 7 月，Netflix 上线了一档旺卡主题真人秀节目《Wonka ‘ s The Golden Ticket》。节目里的旁白，是吉恩 · 怀尔德（Gene Wilder）的声音，但是吉恩早在 2016 年就去世了。
这个声音是 ElevenLabs 用 AI 重建的，经过 Wilder 遗产管理委员会授权。Wilder 的妻子发声明说，家人支持用这种方式把他的声音带给新一代观众。
差不多同一时间，ElevenLabs 发布了一个 AI 朗读版《奥德赛》，朗读者是麦克尔 · 凯恩（Michael Caine）的声音克隆，同样有授权。
名人的声音是 IP，跟肖像权一样可以授权、可以收费、可以规模化使用。
于是，ElevenLabs 又做了把名人声音变成可授权 IP 的 Iconic Voice Marketplace，还有 AI 前台员工 Reception AI。
2025 年底，ElevenLabs 的 ARR 将近 3.5 亿美元。到了 2026 年 4 月，这个数字已经超过了 5 亿美元。
截止至今，Eleven Agents 平台上，已经创建了超过 200 万个 Agent。光是 2026 年上半年，就处理了超过 3300 万次对话。并且你得了解个事，这些对话是不含 demo 数据的，全都是真实生产环节调用的结果。
看到这你是不是感觉一些疑惑？ElevenLabs 不是发展得越来越好了吗？为什么这些员工还要去卖股票呢？留在手里升值不香吗？
情况是这样的，根据外媒报道，ElevenLabs 现在每天都要跟 OpenAI、Anthropic 抢同一批工程师和研究员。这些人在公司干了两三年，手里股票纸面价值翻了好几倍，但没上市就没法花。一直不能变现，跳槽的诱惑就越来越大。
所以这次交易，本质上是公司在给核心团队开闸放水。事实上，ElevenLabs 在 Series D 的同时就做过一次 1 亿美元的 tender offer（要约收购），不到一年这是第二次。
投资人愿意用 220 亿美元的价格回购员工手里的股票，说明他们相信这公司估值能涨过 220 亿美元。
AI 语音市场：为什么声音比视频先赚钱
Sora 因为亏损太多导致关停，火山引擎总裁谭待也曾表示，市面上所有流传的 Seedance 收入数据全是错的，而且普遍偏高。
也就是说，无论国内国外，AI 视频生成这块，真的不挣钱。
所以，为什么 AI 音频生成却这么赚钱？
第一，成本结构更轻。
语音生成处理的是一条时间序列，核心任务是把文字、语义和情绪转成连续音频；视频生成处理的则是连续画面，要同时维持人物、背景、动作、镜头、光影和前后帧一致性。
后者的输出信息量更大，推理链条也更复杂。
这就导致像 Sora 这样的产品，它的单次输出成本非常高。而且生成的结果不一定 " 可用 "。一段视频可能因为人物变形、镜头不稳、动作不自然、风格不一致而反复重跑。
每一次重试，都要消耗算力。
音频不一样，它产品形态成熟，不需要重复式结果，而且单次成本也远低于视频。
更关键的是，语音的可用标准更容易被产品化。客服语音只要足够自然和低延迟，就能进入企业流程。但是视频则往往还要经过剪辑才能发布。
所以 AI 音频像基础设施，AI 视频更像是个有意思的 " 小玩意 "。
这也是 ElevenLabs 增长快的底层逻辑。它卖的不是一次性的 " 惊艳效果 "，而是企业可以持续调用的声音能力。成本低、延迟低、重试少、集成简单，才让 AI 语音比 AI 视频更早变成一门算得过账的生意。
第二，场景更确定。
配音、有声书、短视频旁白、本地化翻译、客服电话、销售外呼、员工培训、在线教育、游戏 NPC ……我随便一想，就能想出大量的 AI 音频可以应用场景。
AI 音频不是创造一个新需求，它本质上是替换已有的配音方式，扩大产能而已。
视频生成的场景就没这么确定。你能用它做什么？广告素材？短片？社交媒体内容？
这些场景为 ElevenLabs 提供了增长。
第三，门槛比视频低得多。
视频要解决的问题太多了，比如世界模型、客观现实、肖像权等等，各种层面的难题都有。
但是语音只要四个指标达标就行，分别是音质够清晰、情绪够自然、延迟够低、稳定性够好。
一旦这几个指标过了线，声音就能直接进生产流程，不需要人工后期修补。
门槛低，意味着从 " 能演示 " 到 " 能上线 " 的距离短。距离短，意味着变现快。
第四，也是最关键的，语音是 Agent 的自然入口。
如果 AI Agent 要走进真实世界，它不能只会打字。它就得会听、会说。
文字交互是互联网时代的界面，语音才是 Agent 时代的界面。很多现实生活中遇到的事情，本来也不是在键盘上发生的。
生活中，很多场景的默认交互方式就是语音。
ElevenLabs Agents 不只是让机器参与了一段完整的对话，它还让机器理解了用户的问题。这也是为什么，ElevenLabs 强调 ElevenLabs Agents 的员工属性。
最后，语音入口还有一个优势，它能进入屏幕之外。
文本 Agent 主要依赖网页、App 和办公软件，但是语音 Agent，它可以进入电话线路、耳机、车机和线下门店这些没有屏幕的地方。
你 AI 视频生成的视频再好看，离开屏幕你啥也看不了。
语音才是 AI 时代的入口
对咱们来说，ElevenLabs 的故事其实没那么神秘。
打开随便一款 AI 助手 App，和它语音聊天，让它读一段文章，换一种音色，它都能声情并茂的读出来。
"AI 会说话 " 这件事，在中国并不稀缺。那为什么中国没有 ElevenLabs？
以豆包为例，豆包的目标是让用户进入豆包、留在豆包、使用字节生态。它的语音是一个超级 App/ 助手的交互方式。
豆包的语音，本质上是字节 AI 入口的一部分。它越好用，用户就越愿意留在豆包里，也越愿意把豆包当助手去使用。
而 ElevenLabs 之所以能在海外跑出来，一个重要原因是海外市场足够分散。内容公司、游戏公司、教育公司、客服公司、创作者工具、开发者平台，各有各的系统，各有各的需求。
ElevenLabs 刚好站在这些分散的需求中间，把自己做成了 " 声音基础设施 "，然后将业务打包卖给他们。
而字节这边呢？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；企业语音调用，有火山引擎；直播电商讲解，有抖音。
换句话说，ElevenLabs 在海外需要一项项争取的场景，在字节这里本来就长在自己的身体里。
中国可能很难长出一个完全对标 ElevenLabs 的独立公司。因为最肥的语音场景，早就被截在生态内部了。
与此同时，ElevenLabs 也面临着另外一个问题，那就是当模型的能力不断接近，他们的优势又在哪里？
比如 Vapi，它是一个给开发者搭建 AI 语音 Agent 的平台，你可以在这个平台上，把语音识别、LLM、语音合成、电话线路、工具调用、打断、延迟控制、测试和部署这些环节全串起来。
Vapi 对 ElevenLabs 的威胁在于，当语音模型能力逐渐接近，客户真正买的可能不再是 " 谁声音更像人 "，而是谁能更快把语音 Agent 跑起来。
ElevenLabs 强在声音质量和 TTS 模型，但 Vapi 站在更上游的编排层，直接面对开发者和企业，它可以把 TTS 变成可替换组件。
今天它可以接 ElevenLabs，明天也可以换成 OpenAI、Cartesia、PlayAI 这些更新，那我就换成其他家的。
但是 ElevenLabs 呢？它只能用自己的。这也就是说，如果后面因为算力等问题，导致 ElevenLabs 没有能力去定期更新新的模型了，反而成全了 Vapi 这样的聚合模式。
