（ElevenLabs CEO访谈精彩片段）
2024年1月30日，语音 AI 独角兽 ElevenLabs 宣布完成 1.8 亿美元 C 轮融资，估值跃升至 33 亿美元，a16z 与 IConIQ Growth 联合领投。短短两年多，这家创立于伦敦的初创公司，估值飙涨了 30 倍——不同于大模型的火爆，语音技术这条被边缘化已久的赛道，突然被资本推向了聚光灯下。
5个月后，ElevenLabs 联合创始人兼 CEO Mati Staniszewski 现身红杉资本播客《Training Data》。节目中，他给出了一个明确判断：
Voice First（语音优先）将是下一代通用交互界面。
他说这不是愿景，而是他们已经完成的技术闭环：
这意味着，当其他公司还在优化 prompt 输入框的体验时，ElevenLabs 已经把输出的标准从“看见”切换为“听见”——
语音，正在成为人机协作的第一层接口。
Staniszewski 在对话中指出了一点：
“你以为语音是配音工具，但真正难的是——如何把它变成人类使用 AI 的系统入口。”
对所有内容、产品与增长团队来说，这不是简单地加个功能，而是要改变交互方式。
第一节｜从黑客周到 33 亿：ElevenLabs 如何突围语音赛道
ElevenLabs 的故事并不是从融资开始的。
它起点很小——两个高中同学，一起写代码，一起打游戏，后来一个去了 Google，一个去了 Palantir，但每到周末还是会聚在一起做黑客小项目。
他们试过搭推荐算法，也做过加密风险分析器，甚至做过一个分析“你说话方式”的原型工具。Mati 在访谈中说：我们当时就想，我们说话的方式，其实包含了很多情绪、节奏、意图。可当时并没有一个模型能帮你真正理解这一点。
语音技术成为了他们持续探索的核心方向。但真正的转折点发生在 2021 年末。
那天，Piotr（ Piotr Dąbkowski，ElevenLabs 的联合创始人兼 CTO） 和女友想看一部英语电影，女友不会英语，于是他们打开了波兰语音轨。结果是，全片几十个角色，只有一个人用同样的声音在配音。男主女主、老人小孩，全是一种平淡的语气。
这让我们想起小时候的体验，在波兰，外语电影几乎都是这样配音的。
几十年了，这个问题居然还没解决。
他们意识到一个问题被忽视了：人们对语音的要求，从来不只是听得懂，而是想能听出是谁、在表达什么。
在当时，大部分研究资源和投资都涌向了文本生成和图像领域。语音这一块，被视为“应用层的小工具”。但两人却觉得这里存在一个空白。
他们找到了一个开源项目——Tortoise TTS。虽然模型还不稳定，但第一次让他们看到：机器的确可以用接近人的语气来说话，甚至模仿一个人说话的感觉。
Mati 说：当我们听到它生成的那段音频，我们都停下来，互相看了一眼：‘这也太像人了吧。’那一刻，我们就决定了——这就是要做的。
模型不是问题，问题是怎么让它能用
这之后的几个月里，他们没有急着上线，而是搭了整套“从研究到上线”的流程。他们重新训练模型，设计更好的情绪表达机制，雇人标注语调，甚至自己构建数据采集系统。Mati 回忆道：
“语音不是数据多的问题，而是没办法直接用的问题。我们要自己建立一个新的‘声音语言系统’。”
当别人在做语音合成的功能，他们已经开始构建语音生成的基础设施。
这就是 ElevenLabs 最早的原型系统，支持输入任意文本，输出有情绪、有角色感的语音内容。Mati 的说法是：
第一阶段我们解决了一个事：机器不是在念字，而是在说话。
我们原本只想测一测，结果他们拿去做书了
这种“听上去像人”的突破，在 2022 年底引发了一小波关注。第一批使用者是图书作者，他们把整本书粘贴进 ElevenLabs 的测试工具里，生成有声书上传平台，居然收获了真实读者的正面评论。平台甚至没能分辨那是 AI 生成的。
Mati 回答说：我们原本只是做了一个几百字的文本框，有作者硬是粘贴整本书进去生成语音，然后带着他的朋友们一起来用了。
这不是他们计划中的推广动作，但却验证了一件事：当语音听起来不再像机器在念稿子，而是像真人在说话时，各种应用场景就会自然而然地涌现出来。
那是 ElevenLabs 第一次意识到，他们做的不只是“让声音变得更好听”，而是在构建一个新的内容输出层。
第二节｜声音再好听，卡顿也没用：语音落地三件事
在大模型席卷一切的这两年，很多人不看好 ElevenLabs。
“OpenAI、Google、Anthropic 都在搞多模态，语音只是他们的一个功能。你们这个小公司，怎么竞争？”
Mati 并不回避这个问题：我们不想正面撞上大模型。我们专注做语音的每一个细节，跑通整个链条，然后把这些能力变成其他产品能用的‘语音接口’。
语音模型，不是调得准就能用
ElevenLabs 从一开始就不是在调一个模型，而是在打通一整条语音生成的工作流。Mati 在访谈中表示：
语音技术不拼参数，拼落地
这个流程，分为三个核心要素：
用 Mati 的话说：文本很容易找到几亿条干净样本，但语音没这么幸运。
他们遇到的第一个难点，就是“语音背后没有足够标签”。很多音频只有原文字幕，没有说话人的身份信息，没有语气情绪标注，更没有“怎么说”这部分数据。
所以他们不得不从头做起：建立了自己的数据标注团队，设置语音教练，让标注员去识别语音的情感和说话方式，再由教练逐一审核。
他们发现，训练模型没那么难，难的是让它听懂人类交流的方式。
不是念出来，而是理解怎么说
普通人可能会觉得，语音生成就是“把字转成声音”。但 ElevenLabs 做的，是让 AI 明白这段话该怎么说。
Mati 举了一个简单例子：比如你说一句‘今天真是太好了’，如果上下文是讽刺，这句话语调就完全不同。
这就涉及到上下文的感知与语气调节，远比“生成一段语音”复杂得多。你不仅要判断这句话本身，还要知道前面发生了什么、后面要说什么。
他们为此重新设计了模型结构，不只是逐字预测声音，而是构建了“情绪理解 + 语气调配 + 语音合成”三个阶段。
而另一个突破点是，他们选择不对声音做人工设定。不手动设置这个声音是男是女，是老是少。他们让模型自己决定特征怎么组合，再自然地表达出来。
这也是 ElevenLabs 最早实现“保留发声者声纹”的底层设计逻辑：不限制声音形态，而是捕捉情绪和说话方式，让 AI 还原“这个人”怎么说话。
声音再好听，卡顿也是失败
但即使声音说得像人，产品也未必能上线——还要解决“听得快不快”“稳不稳定”。
Mati 说过一句话：
“对企业用户来说，如果延迟太长，就永远不会有人用。”
所以 ElevenLabs 在模型设计上选择了“小体积 + 高效结构”，将语音生成的延迟压到 75 毫秒以内，远低于大模型多轮调用的耗时。
同时他们也在多个生产环境中测试稳定性，比如与 Epic Games 合作，让上百万用户与游戏中的 AI 角色进行实时对话。
“你没法预测用户会说什么，但系统要能快速反应，还不能崩。”
这些细节，不是论文里能写的参数，而是落地里最真实的挑战。
所以他们才要：
Mati 最后总结是：
“我们赢，不是因为声音最完美，而是因为这套东西真正跑得通了。”
第三节｜从配音到代理：语音开始接管任务
ElevenLabs 的第一个“爆点”，并不是他们自己设计的。
最先用上这项技术的，是一群内容创作者。他们没有照着产品手册来，而是直接把语音合成当成主力工具，用它生成有声书、人物对白，甚至整段虚拟剧情。
这些内容在多个平台上线，并迅速获得真实听众的点赞、评论和转发。
这类用户让团队意识到：语音不只是让内容更自然，而是能独立完成一整件事。
从 AI 叙述，到创作者合作，再到真实 IP 出声
在2023年初，一段由 AI 合成的 “哈利·波特 × Balenciaga” 视频走红网络。配音的不是真人，而是 ElevenLabs 的声音。
之后不久，ElevenLabs 开始接到越来越多来自创作者的请求：
Mati 认为：我们最早也没想到这种爆发会来自内容创作者，尤其是做无脸视频和频道的那批人。
这些用户不是用语音来功能演示，而是直接把它作为内容主力生产工具。
于是，一个新趋势出现了：说话，不再只是表达情绪，而是执行任务。
从能说话，到能完成任务，才是语音的分界线
这类合作越来越多，ElevenLabs 开始意识到：
真正有价值的语音，并不是生成得多自然，而是能不能连接到任务。
Mati 在访谈里说了一句话：我们不是做语音特效，而是在构建人和 AI 的自然接口，让它能完成真实任务。
这背后的变化是：
从“让 AI 会说话”，到“让人可以用说话控制 AI”。
这个变化也决定了语音模型的能力边界—— 不再是输出声音，而是驱动行为。
第四节｜客户只问三件事：听感、速度、规模
在语音 AI 这个行业，有个常见误区：做得越复杂、参数越多，客户就越满意。
Mati 却给了一个完全不同的答案。
“如果你站在客户的角度看，他们根本不关心你模型的论文有多漂亮。他们只看三件事：听起来自然吗？生成速度够快吗？能不能大规模稳定用？”
这就是 ElevenLabs 在早期接触企业客户时学到的最重要一课：你要的可能是技术突破，他们要的是落地应用。
他们把这三件事称为——质量、延迟、可靠性。
第一个问题：听起来像人吗？
“像人”，不是指语音合成得清楚，而是听起来有真实的情绪和节奏。
如果一个声音在情绪上是平的，在语调上没起伏，再自然的发音也不会有人愿意听下去。
尤其在讲故事、产品介绍、播客配音这类场景下，声音能不能“抓住注意力”变得非常关键。
为此，ElevenLabs 在背后下了很多功夫：
这些工程工作，不一定出现在参数表上，但却直接决定了听众的感受。
第二个问题：说得快不快？
无论内容多精彩，如果你每等 3 秒才听到一句话，那产品就废了。
也就是如果延迟太高，你再厉害都没人用。
ElevenLabs 的目标是把语音生成的响应时间压缩到 75 毫秒以内。这是什么概念？大概是你正常眨一次眼的时间。
这个指标背后，是对每一层调用链路的优化：
他们把语音合成模块做轻，在不牺牲表现力的前提下大幅提高速度，让用户感觉是在跟真人对话，而不是“等一句播报”。
这点在他们为《堡垒之夜》打造“达斯·维达”语音代理时，尤为重要：上百万用户同时在说话，如果响应不够快，整个体验就崩了。
第三个问题：能不能大规模部署？
很多语音工具在 demo 阶段表现不错，但一旦用户量一上来，声音质量就波动，模型崩溃，接口超时。
因为你不是在做一个模型，而是在建一整套语音基础设施。能不能抗住并发、保证一致性，这才是客户最在意的。
ElevenLabs 之所以能拿下 Epic Games、Time 杂志等合作项目，不是因为声音最花哨，而是因为他们能把产品稳定交付：
说白了，就是给客户交一套“能长期跑得稳”的工具，而不是一场“技术秀”。
在这场语音 AI 的产品竞争中，ElevenLabs 拿下的不是榜单排名，而是真实客户的持续使用。
第五节｜语音接口不重要，重要的是怎么用
Mati 在访谈中说出了一个经常被忽视的出发点：
语音不该只是个配音模块，它是人类最自然的交互方式之一。
如果 AI 真要进入日常生活，语音迟早会成为默认入口。
为什么这么说？他给出了三个关键原因：
在 ElevenLabs 看来，“Voice First”不是一个口号，而是一条新的平台路径：不是把语音嵌入产品里，而是让语音承载产品交互本身。
教育场景：你不再看教程，而是听懂操作
ElevenLabs 与 chess.com 合作的项目，是个非常典型的用例。
他们不是帮棋谱加个配音，而是构建了一个语音教练系统——你一边下国际象棋，一边听到“卡尔森”“卡斯帕罗夫”式的声音教你下一步为什么错了、下一步该怎么走。
Mati 认为：
我们的目标是让你像小时候学骑车一样，
旁边有人在语音里陪着你走每一步。
相比看教程、读提示，这种方式的反馈更直接，也更容易被吸收。
ElevenLabs 押注的，就是未来每个用户都有一个听得懂你的语音教练，不论是下棋、学数学，还是练习口语。
翻译场景：你自己说话，对方听懂的那一刻
跨语言交互曾经是语音领域的大难题。大多数翻译工具，要么声音不对，要么语序混乱，要么语气不自然。
2024 年底，ElevenLabs 推出了支持多语言语音复制的系统。最具标志性的案例，是他们和《Lex Fridman 播客》的合作：
Lex 与印度总理莫迪的访谈，原本是英语与印地语双语。ElevenLabs 用模型，把整场对话分别翻译为：
这个项目在印度广泛传播，有读者评论说：“我第一次感觉他们真的在对话，而不是在对着字幕演。”
Mati 阐述了他的核心观点：
“语言只是表面，声音才是交流的本体。我们想保留的，不只是意思，而是说话方式。”
这也让人看到另一个可能：未来你可以用自己的声音和情感，和全世界任何人说话——他们听到的是你，理解的却是他们自己的语言。
代理场景：语音+指令+执行，三合一闭环
更远一点的场景是代理。
Mati 认为，未来每个人都会有一个自己的 AI 助手，而语音会成为整个操作链的触发方式。
他说：不需要屏幕，也不需要点击，你说一句话，它就能完成一整件事。
从调出日历、发送邮件，到打电话预约、总结会议纪要，所有这些动作都可以通过语音启动。
ElevenLabs 已经在部分合作项目中实现了语音→理解→生成→执行的链路接通。
过去，用户用 AI 是这样一套流程：
打开软件 → 输入文字 → 等输出 → 自己判断 → 自己再点下一步
而在语音成为入口之后，这一切正在改变：
说一句话 → AI 理解 → AI 回应 → AI 做事
他们想做的不是提升界面体验，而是换掉原来的操作方式。
如果你用说的就能完成任务，那为什么还要动手？
ElevenLabs 押注的不是技术路线，而是使用方式的根本变化——语音，不只是信息的载体，而是整个交互的起点。
第六节｜不是像人说话，是能接入工作流
Mati 在访谈中提到，许多企业在使用语音 AI 时，最大顾虑并不是“声音像不像”，而是：这些语音能不能接入我们的业务流程？能不能控，能不能管？
换句话说，企业最担心的问题，不是音色，而是 流程。
语音技术要想真正进入工作流，就必须具备几个关键能力：可控、可调、可接入。
ElevenLabs 用一句话总结他们的目标：
说得像人，还不够；我们要的是能接入任务链的声音。
多场景部署：不是插件，是语言层的中控台
Mati 在播客里透露，ElevenLabs 已经进入多个企业场景测试，背后用的是一套“语音控制台”结构：
正如 Mati 所说：
“这不是给语音加个面板，而是把它当作新的控制层，让企业可以像调控文案一样，调控语音。”
很多使用企业在初期以为只是找个更好听的声音播报员，用后才发现这是一个嵌入式语言代理系统。
典型场景一：客服对话 + CRM 更新 = 一句话完成
ElevenLabs 已在欧美市场试点，将语音助手部署进 CRM（客户管理系统）。
用户只需说一句话，比如：帮我查一下这个客户过去两个月的投诉记录，并添加一个跟进计划。
AI 助手就可以完成：
这不是语音替代客服人员，而是语音作为交互方式，帮人做事更快。
他们不是在取代人，而是在帮人少切 10 个窗口、少填 20 个框。
典型场景二：多语言内部培训、文档口语化
另一个被快速接受的场景，是企业内部培训与知识分享。
很多跨国公司拥有大量非英语员工，阅读英文文档存在困难。过去的方案要么翻译 PDF，要么字幕视频，效果都不理想。
ElevenLabs 的做法是：
Mati 提到：
“我们遇到一个客户，他们发现：员工对听老员工讲流程更容易接受，而不是看一堆说明文。”
语音的天然优势，在这个场景中释放得非常彻底。
如何落地？三点建议
虽然 ElevenLabs 目前尚未大规模进入全球市场，但他们的架构经验对 AI 音频创业者有三点重要启发：
最后一点，企业要的不是声音好听，而是声音好用。
这句话，道出了语音 AI 从技术演示走向企业刚需的关键转折点。
结语｜谁先用语音做事，谁就能定义交互未来
ElevenLabs 的成功印证了一个观点：
语音 AI 的关键，不只是听上去像人，而是用起来像工具。
它不是把内容读一遍，而是成为真正的操作界面—— 从表达、执行，到跨语言协同，全都归于一句话：
“谁先把语音接入任务链，谁就能重写下一代交互方式。”
这不是想象，是现实正在发生。
GPT 让人能说话像专家，ElevenLabs 则让工具开口干活。
对国内内容、产品、服务团队来说，门槛正在迅速下降。 下一步的关键，不是选什么技术，而是你是否愿意把语音当入口，而不是辅助功能。
现在是关键期，再晚一步，就要跟在别人定义的声音节奏后面走了。