ElevenLabs 创始人 Mati：从一个配音痛点，到打造 110 亿美元 AI Communication Platform
目录
观点原文
一、 核心观点与商业认知
- 语音是人机交互的终极形态：在过去的计算时代，人类被迫去适应机器的交互方式（键盘、屏幕、编程语言）。AI 的演进将把交互权重新还给人类，最自然原始的语音将取代复杂的外设与屏幕，成为人与智能协作的核心入口。
- 极度专注（Focus）构建护城河：ElevenLabs 在基础研究端只专注于音频领域，不盲目扩张至纯文本大模型、图像或视频底层生成。将精力全部倾注于音频架构（Architecture）、音色主观美感与情绪表现力的突破。
- “前沿研究 + 商业落地”的双轮驱动：既不是纯学术的研究实验室，也不是单纯套壳的应用公司，而是将前沿音频模型研究（Research）与解决客户真实场景的产品部署（Product Deployment）合二为一。
- 技术必须赋能人性而非替代人类：反对“技术带来毁灭/大规模失业”的傲慢叙事，坚持 AI 应当放大人类潜能（Amplify human potential），在无障碍重建、医疗沟通与文化艺术创作中创造正向价值。
二、 创始人背景经历与创业契机
- 创始团队基因：
- Mati Staniszewski（CEO）：数学背景，曾在 BlackRock（贝莱德）从事风险模型开发，后在 Palantir 担任前线部署，擅长将优化模型与复杂客户的实际业务深度结合。
- Piotr Dabkowski（CTO）：Mati 相识 15 年的挚友，前 Google 核心机器学习研究员，主攻知识图谱与视觉多模态算法。
- 创业起因与痛点发现：
- 波兰影视配音的痛点：在波兰，影视剧普遍采用单人画外音配音（Lektor），男女老少均由同一名配音员毫无情绪起伏地读完，观影体验极差。
- 最初的设想：打破语言障碍，让影视内容在跨语言时能保留原演员的原声、语调与情感（类似《银河系漫游指南》中的“巴别鱼”概念）。
- 创业切入点的务实调整：最初他们想做端到端配音，但在调研创作者需求时发现，创作者最迫切的问题是“重录某句读错的台词”或“直接生成高质量旁白”。团队果断调整优先级，先攻克最具刚需的文本转语音（Text-to-Speech），使语音突破恐怖谷效应。
三、 核心业务战略与产品矩阵
ElevenLabs 围绕“声音与全流程沟通”构建了三层递进体系：底层前沿模型研究 $\rightarrow$ 统一产品沟通平台 $\rightarrow$ 场景化终端应用。
- 底层前沿模型研究：
- 涵盖语音合成（TTS）、语音转文字（STT）、多语种本地化、以及实时语音对话编排（Voice Agent Orchestration）。
- 核心产品线与应用：
- Conversational AI / Agents：企业级对话代理，涵盖呼叫中心自动化、实时翻译与多渠道互动。
- Eleven Creative / Studio：音视频内容创作、高保真配音、声音设计及营销广告制作。
- Eleven Reader：面向个人的阅读应用，将任意文档、长文或报道实时转化为高品质、带情绪的人声播客。
- 声音生态市场（Voice Marketplace）：已有超过 20,000 个认证声音。声音创作者/配音员共享音色并获得版权分成收益，构建了强大的双边网络效应与创作者生态。
四、 关键数据与企业级落地实践
- 核心增长行业：
- 金融科技（Fintech）：应用增速最快，代表客户包括 Revolut、Klarna 等，全面落地客服问询、交互自动化。
- 电信行业（Telcos）：Deutsche Telekom（德国电信）在营销播客、客服呼叫中心全面接入 ElevenLabs，甚至在底层网络部署实时通话翻译与辅助代理。
- 医疗与政府公共服务：与波兰卫生部门合作，部署 AI 语音代理自动进行就医预约与术后随访。
- 零售与电商（Retail & E-commerce）：2024 年迎来爆发期，全面渗透售前咨询与售后服务。
- 公益与社会价值落地：
- 累计为超过 10,000 名因 ALS（渐冻症）、咽喉癌等疾病失去声音的患者、音乐人及公众人物重塑个人音色，包括帮助渐冻症前 NFL 球星 Tim Green 重获声音并制作艾美奖获奖播客。
五、 组织哲学与 AI 时代的企业运营模式
- 继承并进化 Palantir 的 FDE（前线部署工程师）机制：
- FDE 归属于产品团队而非销售团队：工程师深入客户一线（如飞赴客户总部并肩作战），解决复杂的系统集成与业务流适配。
- 客户现场即研发实验室（Customer as R&D）：从单个客户定制中提炼通用痛点，将特定行业的通用需求抽象为平台级功能，反哺给成千上万家企业。
- 扁平化与小团队自治（Small Teams）：
- 崇尚“最佳观点胜出（Best Idea Wins）”，公司内部无繁复头衔，层级极少。
- 核心业务拆解为 5~10 人的敏捷小团队，每个团队拥有充分的自由度与决策权。
- 全员工程化（Infuse Engineering into All Teams）：
- 法务、HR、运营等非技术部门均配备专属软件工程师，通过自动化与 AI 工具提升整体组织人效。
- 深度自用（Dogfooding）：
- 全面使用自家 AI 智能体改造自身业务。例如将官网传统的下拉表单升级为语音 AI SDR，发现客户不仅使用体验大幅提升，留下的业务背景与需求信息量远超传统文本表单。
六、 商业竞争、独立性与未来展望
- 拒绝过早被巨头并购：
- 面对数额巨大的收购邀约（历史上已拒绝 3~4 次收购意向），坚持保持独立运营。
- 创始人坚信 ElevenLabs 处于时代级机遇的风口，是自身最顶级的创业主意，不应为短期资本回报牺牲长远塑造行业格局的机会。
- 未来 12 个月的语音交互演进：
- 语音交互将从当前的“文本-语音单向输出”跃迁为具备情商（EQ）与智商（IQ）深度融合的自然交流。
- 未来的语音代理将能捕捉情绪细微变化、懂得适时停顿（Pause）、理解并表达思考过程，甚至在交谈中融入恰到好处的口语化与不完美感（如自然的断句与语气词），消除人机对话的冰冷机械感。
ABAB AI 解读
这份稿子的方向是对的，而且抓到了这期采访真正重要的几个点：Focus、FDE、Small Teams、Voice Interface、独立性。但如果要做到真正高水平，我建议不要把 ElevenLabs 只写成一家“语音生成公司”，而要把它放到 AI 计算范式迁移 和 下一代企业软件基础设施 的层面去理解。
另外，有几处数据和表述我建议先修正。
先修正几个重要事实
第一，Voice Library 不是 20,000+ 个认证声音。ElevenLabs 目前官方文档写的是社区 Voice Library 超过 10,000 个声音，部分页面显示 11,000+。
第二，公益项目的数据现在可以更新得更强。ElevenLabs 最新披露，其“1 Million Voices”计划已经覆盖 超过 11,000 人，长期目标是帮助 100 万人重新获得或保存自己的声音。
第三，你写“ElevenLabs 只专注音频、不扩张图像视频”，这个在早期战略上基本成立，但到了 2026 年已经需要重新定义。现在官方把整个业务拆成：
- ElevenAgents：企业 AI Agent；
- ElevenCreative：语音、音乐、音效，同时已经包含图像和视频；
- ElevenAPI：面向开发者的 AI Audio 基础设施。
ElevenLabs 自己甚至明确说，现在已经“expanded well beyond voice”。
所以更准确的说法是：
ElevenLabs 没有去做通用文本大模型，而是以声音为核心能力向整个 Communication Stack 扩张。
这两者差别非常大。
一、真正理解 ElevenLabs：它已经经历了三次公司身份升级
很多人还把 ElevenLabs 理解成：
输入文字 → 生成真人声音。
这是 2023 年的 ElevenLabs。
今天已经完全不是这个公司了。
它实际上经历了三次进化。
第一阶段：AI Voice Model
解决的是：
“机器能不能像人一样说话？”
TTS 是核心。
这一阶段最重要的是突破“恐怖谷”：
以前电脑语音的问题不是听不懂，而是没有生命感。
节奏不对。
停顿不对。
情绪不对。
呼吸不对。
重音不对。
ElevenLabs 最早真正领先的地方，就是让机器声音第一次出现了接近人类的：
Prosody——韵律。
这比“音色像不像真人”更重要。
第二阶段：AI Audio Infrastructure
接下来问题变成：
如果所有软件都需要声音，谁来提供声音基础设施？
于是 ElevenLabs 开始覆盖：
TTS
STT
Voice Cloning
Dubbing
Sound Effects
Music
API
现在 ElevenAPI 已经把 Speech、STT、Voice Agents、Music 等能力统一提供给开发者。
这一步的意义非常大。
它从：
一个应用
变成：
Infrastructure。
类似：
Stripe 不只是一个支付页面。
Stripe 是支付基础设施。
Twilio 不只是一个打电话软件。
Twilio 是通信基础设施。
ElevenLabs真正想成为的东西越来越接近：
AI 世界的 Audio Layer。
二、第三阶段才是现在真正值得注意的：AI Communication Infrastructure
这是这期采访最值得深入理解的地方。
ElevenLabs 已经不满足于：
让 AI 会说话。
它现在要解决的是：
让 AI 能够完成一次完整的人类交流。
这完全是另一个市场。
一个电话客服需要的不只是 TTS。
整个链条其实是：
用户说话
↓
Speech-to-Text
↓
理解意图
↓
LLM reasoning
↓
调用企业数据库/API
↓
决定答案
↓
Text-to-Speech
↓
Turn-taking
↓
判断什么时候该说话
↓
判断什么时候应该沉默
↓
处理中断
↓
判断情绪
↓
记录 CRM
↓
安全与合规
↓
监控、评测、审计
这才叫 Voice Agent。
所以未来真正的竞争单位已经不是：
谁的声音最好听？
而是：
谁能让一次 AI 对话真正完成一个商业任务？
这是非常重要的认知升级。
三、这也是为什么 ElevenLabs 的 ARR 会突然爆发
这里应该把资本数据加进去，因为它能够解释公司战略为什么发生变化。
ElevenLabs 在 2025 年末披露的 ARR 约为 3.5 亿美元；到 2026 年前四个月，公司已经宣布 ARR 超过 5 亿美元。2026 年 2 月 Series D 融资 5 亿美元时，公司估值达到 110 亿美元。
这不是普通 SaaS 增长。
它说明一个非常重要的问题：
Voice AI 已经从“有趣的生成式 AI 功能”，进入企业预算。
为什么企业愿意掏钱？
因为它直接对应成本。
比如一个传统 Call Center：
1000 个客服。
工资。
培训。
夜班。
办公室。
质检。
流失率。
管理。
多语言客服。
这些都是巨大的运营成本。
AI Voice Agent 如果能处理其中一部分请求，ROI 极其容易计算。
企业购买它的时候，不是在买“AI”。
而是在买：
Cost per Resolution 的下降。
这就是为什么企业级 AI 最强的产品，最终都会落到一个问题：
你到底给客户省了多少钱，或者赚了多少钱？
四、Revolut 案例非常值得研究
Revolut 是典型案例。
ElevenLabs披露：
Revolut 已经把 ElevenAgents 部署到英国和欧洲，覆盖超过 400 万客户，支持 30+ 种语言；初期部署中，问题解决时间缩短超过 8 倍。
注意这里真正重要的不是“30 种语言”。
而是另外一个问题：
Revolut 最开始其实尝试过自己做。
因为大公司会想：
STT + LLM + TTS，我自己接起来不就行了吗？
理论上确实可以。
真正困难的是 production。
比如：
200ms 延迟。
突然断网。
用户插话。
信用卡信息。
PCI。
零数据保留。
不同国家监管。
客服 CRM。
录音。
监控。
评测。
Failover。
高并发。
这就是一个非常经典的创业规律：
Demo 很容易，Production 很难。
很多 AI 公司真正的商业价值，就存在于这条鸿沟里面。
五、所以 ElevenLabs 真正的护城河已经不是模型
这一点非常重要。
如果今天还说：
ElevenLabs 的 moat 是 TTS 模型最好。
我认为已经不够。
因为模型能力最终一定会扩散。
OpenAI、Google、Amazon、Microsoft、Deepgram、Cartesia 等都在进入实时语音市场，Voice Agent 领域还有 Vapi、Retell、LiveKit 等一整批基础设施公司。
真正的护城河正在变成六层。
第一层：Model。
声音质量。
情绪。
多语言。
低延迟。
STT。
Speech-to-Speech。
第二层：Realtime Infrastructure。
几十毫秒、几百毫秒的差别，在聊天窗口里不明显。
在电话里非常明显。
人的对话非常敏感。
慢半秒：
像机器人。
慢一秒：
像电话坏了。
慢两秒：
用户直接挂电话。
所以语音 AI 的竞争，本质上也是：
Latency Competition。
第三层：Turn Taking。
这可能是很多非技术人士最容易低估的东西。
真正的人类对话不是：
A讲完。
B讲完。
A讲完。
而是：
打断。
犹豫。
“嗯……”
停顿。
抢话。
重复。
改变主意。
所以一个真正优秀的 Voice Agent，不只是“会回答”。
而必须理解：
什么时候不要回答。
这是一个非常深的产品问题。
第四层：Enterprise Workflow。
Salesforce。
Zendesk。
Twilio。
CRM。
ERP。
内部数据库。
支付系统。
预约系统。
身份认证。
没有这些，AI Agent 就只是一个聊天机器人。
第五层：Compliance + Trust。
尤其金融、医疗、电信、政府。
SOC 2。
ISO 27001。
HIPAA。
GDPR。
Data Residency。
Zero Data Retention。
这些东西听起来不性感。
但这恰恰是几十亿美元企业软件公司的护城河。
ElevenLabs 的 FDE 产品页面现在已经明确把这些能力作为企业部署的重要组成部分。
第六层：Distribution。
这是最终最重要的一层。
技术领先三个月不一定形成护城河。
但是：
1000 家企业已经部署。
10,000 个开发者已经接 API。
客服数据已经积累。
FDE 已经进驻客户。
开发者已经写完 integration。
企业已经完成 compliance review。
这时候换供应商的成本越来越高。
这才是真正的复利。
六、FDE 是 ElevenLabs 最值得创业者学习的组织设计之一
Mati 在 Palantir 工作过。
这段经历可能比很多人想象的更加重要。
Palantir 最有影响力的组织创新之一就是：
Forward Deployed Engineer。
不是传统咨询顾问。
不是销售。
不是售后客服。
而是：
工程师直接进入客户战场。
ElevenLabs现在公开说明，其FDE会参与系统设计、集成、部署、治理、监控、优化和后续扩展。
为什么这套模式在 AI 时代特别强？
因为今天真正缺少的已经不是模型。
而是：
Last Mile。
企业知道 AI 很厉害。
但是不知道怎么把 AI 放进几十年前留下来的 IT 系统。
因此未来可能出现一种非常重要的 AI 公司结构：
Research Lab + Software Company + Consulting Capability。
这三个能力以前通常属于三类公司。
AI 把它们重新合并了。
七、但 FDE 模式有一个危险：变成咨询公司
这也是需要看到的另一面。
如果：
客户 A 要一个功能。
写一次。
客户 B 要另外一个。
再写一次。
客户 C 又要重新做。
最后工程师全部在做定制开发。
那么 SaaS 毛利会慢慢变成 consulting economics。
所以 Palantir 和 ElevenLabs 真正要解决的问题始终都是：
如何把一次客户定制，变成所有客户都能使用的平台能力？
最理想的循环是：
客户问题
↓
FDE发现
↓
产品团队抽象
↓
平台功能
↓
所有客户使用
↓
更多客户
↓
产生更多问题
↓
再抽象
这叫：
Customer → Product Learning Loop。
如果做到这一点：
FDE不是成本。
FDE就是研发系统的一部分。
这是非常高级的组织设计。
八、ElevenLabs 的“Focus”真正值得学习的地方，不是“什么都不做”
很多创业者会错误理解 Focus。
Focus 不是：
永远只做一个产品。
ElevenLabs就是非常好的反例。
它最早：
TTS。
后来：
Cloning。
Dubbing。
STT。
Agents。
Music。
Creative。
甚至已经进入图像和视频工作流。
为什么这仍然叫 Focus？
因为所有扩张都围绕一个核心能力：
Communication / Creation。
这叫：
Concentric Expansion——同心圆扩张。
好的公司不是不扩张。
而是：
扩张出去以后，旧护城河还能给新业务提供优势。
Amazon 从书扩到所有电商。
AWS 从内部基础设施扩到云。
Apple 从 Mac 到 iPod、iPhone、Watch。
产品越来越多。
核心能力却越来越集中。
ElevenLabs 正在走类似逻辑。
九、“Voice 是 AI 的终极入口”需要再提高一个层次理解
我建议把“终极入口”稍微改一下。
因为屏幕不会消失。
Excel、Bloomberg Terminal、Photoshop、CAD、代码编辑器，都需要高信息密度视觉界面。
真正可能发生的是：
Voice 成为 Ambient Computing 的默认交互层。
Ambient Computing是什么意思？
计算机不再要求你：
拿起设备。
打开 App。
找到按钮。
填写表格。
点击 Submit。
而是存在于环境中。
你直接说：
“把我下周和纽约团队的会议调整到大家都有空的时候。”
“给这个客户打电话，把续费谈到两年。”
“问医院有没有周三下午的位置。”
“把这篇文章翻译成西班牙语并生成我的声音。”
这时候人类不是：
Operating Software。
而是在：
Expressing Intent。
软件负责执行。
这才是 Agent 革命真正发生的地方。
十、从计算史看，这实际上是一场“抽象层上移”
理解 AI 最好的办法之一，就是看计算机历史。
每一次巨大技术革命，都在减少人类与机器之间的摩擦。
机器语言：
人适应机器。
Assembly：
稍微接近人。
高级语言：
C、Java。
GUI：
鼠标+窗口。
Touch：
手指。
Natural Language：
文字。
Voice：
语言本身。
每一次技术进步，本质都是：
机器越来越理解人，而不是人越来越理解机器。
这也是为什么 Voice AI 的意义远大于“配音”。
它代表的是：
Human → Computer Interface 的进一步自然化。
十一、ElevenLabs 最终争夺的，其实不是“语音市场”
而是：
Human-to-AI Communication Layer
这才是它真正有想象力的地方。
手机时代最重要的入口是什么？
Touchscreen。
互联网时代：
Browser。
PC时代：
GUI + Keyboard。
AI Agent时代：
很可能是：
Voice + Vision + Context。
你说话。
AI听见。
AI看见环境。
AI知道你的上下文。
然后执行任务。
所以未来 ElevenLabs 最大的市场未必是 Podcast。
甚至未必是 Call Center。
可能是：
汽车。
机器人。
智能眼镜。
耳机。
家居。
AI Companion。
客服。
金融服务。
医疗。
教育。
游戏NPC。
这些东西共同需要一个能力：
让机器拥有一个可信、自然、具有情绪的声音。
十二、还有一个很多人忽略的方向：声音最终会成为“数字身份资产”
这其实可能非常大。
今天身份主要是：
名字。
头像。
邮箱。
电话号码。
未来会增加：
Voice Identity。
一个人的声音：
可以授权。
可以许可。
可以继承。
可以保护。
可以撤销。
可以获得版税。
这也是 Voice Marketplace 真正值得关注的地方。
如果这套体系成熟：
演员的声音。
歌手的声音。
播音员的声音。
IP角色声音。
历史人物声音。
都可能成为数字版权资产。
ElevenLabs最新甚至已经进一步进入音乐版权体系。就在 2026年9月，Universal Music Group 宣布与 ElevenLabs 合作开发 AI 音乐平台，并强调艺术家 opt-in 和授权补偿机制。
这说明 AI 音频正在从：
生成技术
进入：
版权基础设施。
这是非常重要的一步。
十三、为什么 Mati 不卖公司，也就容易理解了
采访里他说已经拒绝过多次收购兴趣，这一点与视频描述一致。
站在创业者角度，很容易理解。
如果你认为自己只是：
一家 AI 配音公司。
100 亿美元可能已经非常高。
但是如果你的目标是：
AI Communication Infrastructure
那么整个 TAM 完全不同。
Call Center。
Media。
Gaming。
Education。
Healthcare。
Financial Services。
Robotics。
Automotive。
Advertising。
Music。
Devices。
这是一个可能延续几十年的基础设施市场。
所以创始人的计算不是：
“现在能卖多少钱？”
而是：
“我手里的 option value 到底值多少钱？”
这也是最顶级创业者和普通创业者思考方式的区别之一。
普通创业者优化：
Exit Price。
顶级创业者优化：
Optionality。
十四、我认为这期采访最值得创业者带走的 8 个东西
- 从窄问题进入巨大市场。
ElevenLabs 最开始解决的是：
“配音很差。”
不是：
“重新定义全球人机交互。”
伟大的公司经常如此。
Amazon：卖书。
Facebook：大学通讯录。
Uber：黑车。
Airbnb：租气垫床。
Stripe：七行支付代码。
- 第一产品必须产生 Wow Moment。
用户第一次听 ElevenLabs 时：
“这真的是 AI？”
这种瞬间极其重要。
它会形成自然传播。
- 模型不是终点。
Model → API → Workflow → Platform → Ecosystem。
这是 AI 公司非常典型的升级路线。
- 企业 AI 的真正价值在 Last Mile。
不是 benchmark。
而是：
能不能上线。
能不能连接数据库。
能不能满足监管。
能不能稳定运行。
- Engineer 离客户越近，公司学习速度越快。
这就是 FDE。
- 小团队的价值不是省工资。
而是：
减少 coordination cost。
组织越大：
会议越多。
审批越多。
信息损耗越大。
AI时代最珍贵的资源不是人。
是：
决策速度。
- AI Native Company 不只是卖 AI。
而是自己首先彻底使用 AI。
HR。
Legal。
Sales。
Marketing。
Engineering。
Operations。
全部重新设计。
这一点 ElevenLabs 的 dogfooding 非常值得研究。
- 最好的 AI 公司最终卖的不是 AI。
它卖：
更低成本。
更高收入。
更快速度。
更好的客户体验。
AI只是实现方式。
这是商业世界一个永远不会变的规律。
我会把标题再提升一级
你现在几个标题里，我会更倾向于把“ElevenLabs 是一家什么公司”这个认知变化直接打出来。
我最推荐：
ElevenLabs 不只是语音 AI：一家 500M+ ARR 公司如何争夺下一代人机交互入口
如果更偏商业：
从 AI 配音到 500M+ ARR：ElevenLabs 如何把“声音”做成下一代计算基础设施
如果更偏创业：
ElevenLabs 创始人 Mati：从一个配音痛点，到打造 110 亿美元 AI Communication Platform
如果更偏深度：
当机器开始真正“会说话”：ElevenLabs 与下一代人机交互革命
其中我认为第二个最适合深度内容。
因为它同时回答了三个问题：
它从哪里来、它现在有多大、它最终想变成什么。
而这恰恰是 ElevenLabs 这个案例最值得研究的地方。