半年估值暴涨110亿美元，AI音频为什么比视频先赚到钱？

在AI浪潮中，半年暴涨编程、估值Agent（智能体）和视频生成常被视作变现风口，亿美元AI音但鲜有人注意到，什比视频AI音频领域同样蕴藏着巨大的先赚商业价值。

据外媒披露，到钱ElevenLabs正内部推进一项二级市场股份出售交易，半年暴涨允许员工套现。估值该交易预计于9月前完成，亿美元AI音公司估值高达220亿美元。什比视频

回顾至5个月前，先赚ElevenLabs刚完成5亿美元的到钱D轮融资，彼时估值为110亿美元。半年暴涨这意味着，估值在短短半年内，亿美元AI音其估值实现了翻倍增长。

核心疑问在于：一家专注于AI语音技术的公司，凭什么在半年内实现100亿美元的估值跃升？

01 从TTS工具到声音基础设施的进化

2022年，ElevenLabs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）起步于TTS（文本转语音）赛道。

传统TTS技术本质是“拼接合成”，即将真人录音切片后按文本重组。这种方式虽能生成语音，却丢失了语气、节奏与情感，听感机械生硬。

ElevenLabs通过深度学习技术，使模型能够理解文字语义，直接生成具备情绪、节奏及自然停顿的语音。创始团队自掏10万美元进行首轮训练，取得了显著优于传统方案的效果。

尽管产品形态仍属TTS范畴，但ElevenLabs已具备深厚的AI技术底座。

2024年，ElevenLabs推出Conversational AI平台（后更名为ElevenLabs Agents）。其核心逻辑如下：
1. 用户语音输入；
2. 系统通过语音转文字（STT）提取内容；
3. 大模型理解语义并生成回复；
4. 文字转语音（TTS）将回复转化为自然语音输出。

整个流程延迟仅数百毫秒。ElevenLabs的核心优势在于实现了“听”与“说”的全链路自研模型闭环：
* “听”：采用ElevenLabs自研Speech to Text模型，精准识别用户语音。
* “说”：提供两款差异化语音合成模型：
* eleven_flash_v2_5：追求极致速度，延迟约75毫秒，专为实时对话场景设计。
* eleven_v3：追求极致质量，支持70多种语言，表现力丰富，适用于对延迟不敏感但要求高保真的内容制作场景。

以ElevenLabs Agents为核心引擎，公司进一步拓展了多语言配音（Dubbing）和音乐生成（Music）业务。

案例验证：
2026年7月，Netflix上线旺卡主题真人秀《Wonka's The Golden Ticket》，其旁白使用了已故演员吉恩·怀尔德（Gene Wilder）的声音。该声音由ElevenLabs经遗产管理委员会授权重建。Wilder家属公开表示支持以新技术让经典声音重现。同期，ElevenLabs还发布了由迈克尔·凯恩（Michael Caine）声音克隆朗读的《奥德赛》AI有声书。

名人声音被视为一种可授权、可收费、可规模化的IP资产。基于此，ElevenLabs推出了Iconic Voice Marketplace（标志性声音市场）及Reception AI（AI前台员工）。

财务数据：
* 2025年底，ElevenLabs年度经常性收入（ARR）接近3.5亿美元。
* 2026年4月，ARR突破5亿美元。
* 截至最新数据，Eleven Agents平台已创建超200万个Agent，2026年上半年处理真实对话超3300万次（不含Demo数据）。

为何员工选择套现？
尽管公司发展迅猛，但员工仍有变现需求。ElevenLabs正与OpenAI、Anthropic等巨头争夺顶尖工程师和研究员。核心团队成员持股多年，账面价值倍增，但未上市导致流动性受限。此次交易实质是公司通过回购（Tender Offer）为核心团队提供流动性。事实上，ElevenLabs在Series D期间已进行过1亿美元的要约收购，此次为第二次。投资人愿意以220亿美元回购，表明其对公司未来估值增长的强烈信心。

02 AI音频市场：为何声音比视频先实现盈利？

相比之下，AI视频生成领域的商业化进程较为艰难。Sora因亏损严重而调整策略，火山引擎总裁谭待亦指出，市面上流传的Seedance收入数据普遍失真且偏高。无论国内外，AI视频生成目前尚未形成成熟的盈利模式。

AI音频之所以能率先跑通商业闭环，主要基于以下四大优势：

1. 成本结构更轻，产品化门槛更低

• 技术复杂度差异：
• 语音：处理单一时间序列，核心任务是将文字、语义和情绪转化为连续音频。
• 视频：需同时维持人物、背景、动作、镜头、光影及帧间一致性，输出信息量巨大，推理链条复杂。
• 成本与可用性：
• 视频生成单次算力成本高，且易出现人物变形、镜头不稳等问题，需反复重试，进一步推高成本。此外，视频往往需人工剪辑才能发布，难以直接嵌入自动化流程。
• 音频产品形态成熟，单次成本低，无需反复重试。只要语音足够自然且低延迟，即可直接接入企业客服、销售外呼等生产流程。

因此，AI音频更像基础设施，而AI视频目前仍偏向于“创意小工具”。ElevenLabs的增长逻辑在于提供低成本、低延迟、易集成且可持续调用的声音能力，而非一次性惊艳效果。

2. 应用场景确定性强

AI音频并非创造新需求，而是对现有配音产能的替代与扩容。其应用场景高度确定且广泛：
* 配音与有声书
* 短视频旁白
* 本地化翻译
* 客服与销售外呼
* 员工培训与在线教育
* 游戏NPC交互

相比之下，AI视频的应用场景（如广告素材、短片、社媒内容）尚处于探索阶段，需求确定性较低。

3. 技术门槛相对较低

视频生成需解决世界模型、物理规律、肖像权等多重难题。而语音生成只需满足四个核心指标：
1. 音质清晰
2. 情绪自然
3. 延迟低
4. 稳定性好

一旦达标，语音即可直接投入生产，无需人工后期修补。从“演示可用”到“生产上线”的距离短，意味着变现周期更短。

4. 语音是Agent的自然交互入口

若AI Agent要深入真实世界，仅靠文字交互是不够的，必须具备“听”和“说”的能力。
* 界面演进：文字是互联网时代的界面，而语音是Agent时代的界面。许多现实场景（如驾驶、家务、通话）的默认交互方式本就是语音。
* 无屏交互优势：文本Agent依赖网页、App等屏幕设备；语音Agent则可延伸至电话线路、耳机、车机及线下门店等无屏幕场景。视频内容离开屏幕即失效，而语音具有伴随性。

ElevenLabs Agents不仅实现对话，更通过理解用户意图，强化了其作为“员工”的属性，提升了交互深度。

03 语音入口：AI时代的必然趋势

对中国市场而言，ElevenLabs的故事并非遥不可及。国内AI助手普遍具备语音聊天、文章朗读及音色变换功能，“AI会说话”已非稀缺技术。

为何中国未诞生独立的ElevenLabs？

• 海外模式：海外市场分散，内容、游戏、教育、客服、开发者平台等需求各异。ElevenLabs定位为“声音基础设施”，通过API将能力打包出售给分散的第三方，填补了生态空白。
• 中国模式：字节跳动等巨头构建了封闭且完整的生态闭环：
• 短视频配音：剪映
• 网文听书：番茄小说
• AI助手语音：豆包
• 企业语音调用：火山引擎
• 直播电商：抖音

在中国，最优质的语音场景已被巨头内部截流，独立第三方难以获得足够大的市场份额来支撑类似ElevenLabs的估值。

ElevenLabs面临的挑战：

随着模型能力趋同，ElevenLabs的核心护城河可能受到上游编排层平台的威胁。以Vapi为例，该平台为开发者提供一站式AI语音Agent搭建服务，整合了ASR、LLM、TTS、电话线路及延迟控制等环节。

• 竞争逻辑：当语音模型质量差异缩小，客户可能更关注Agent的构建效率而非单纯的TTS音质。Vapi作为聚合层，可将TTS视为可替换组件（如接入ElevenLabs、OpenAI或Cartesia）。
• 潜在风险：若ElevenLabs因算力或资金限制无法持续迭代最新模型，其封闭生态可能反而助推Vapi等聚合平台的发展，因为客户可以灵活切换底层供应商。

综上所述，AI音频凭借低成本、高确定性场景及Agent入口优势，已率先实现商业化闭环。然而，随着技术同质化加剧，如何在基础设施之上构建更深的生态壁垒，将是ElevenLabs及同类公司面临的关键考验。

(责任编辑：时尚)