ElevenLabs：聲音 AI 帝國的崛起，以及兩位波蘭創始人如何重塑全球語音世界
ElevenLabs 由兩位波蘭創業者 Mati Staniszewski 與 Piotr Dąbkowski 於 2022 年創立。公司最初公開定位是“AI 語音研究公司”，想解決的不是一般意義上的“語音播報”，而是更高質量的長文本敘事、跨語言配音與內容可訪問性問題。官方在早期就把長期目標表述爲：讓人們能以任何語言、任何聲音去消費自己關心的內容。
觸發公司誕生的直接靈感，來自兩位創始人從小對波蘭影視配音體驗的不滿。Mati 在 2025 年接受 Sequoia 採訪時回憶，Piotr 當時正要和不會英語的女友看電影，他們重新意識到波蘭傳統單人覆蓋式配音的糟糕體驗；這並不是抽象的“AI 創業機會”，而是一個他們從小反覆感受到、且技術上終於可能被改寫的具體問題。兩人在 Google 與 Palantir 任職期間一直保持週末 hack 項目合作，創辦 ElevenLabs 不是第一次合作，而是長期協作關係的延伸。
公司發展速度極快。2023 年 1 月公開 Beta 時，官方宣佈完成 200 萬美元 pre-seed 融資，投資方爲 Credo Ventures 與 Concept Ventures；彼時 ElevenLabs 還主要被表述爲“爲創作者與出版商提供高質量語音講述工具”的公司。到 2024 年 1 月，ElevenLabs 完成 8000 萬美元 Series B，並推出 Dubbing Studio、Voice Library、移動 Reader App 等產品；官方稱其已被 41% 的《財富》500 強企業員工使用。到 2025 年 1 月，Series C 金額升至 1.8 億美元、估值升至 33 億美元，官方又稱其工具已被超過 60% 的《財富》500 強企業員工採用。2026 年 2 月，Series D 達 5 億美元，估值升至 110 億美元；2026 年 5 月，公司進一步披露：2025 年底 ARR 爲 3.5 億美元，2026 年前四個月已突破 5 億美元 ARR。
產品形態也經歷了清楚的階段演化。最初核心是逼真的 Text-to-Speech；隨後擴展到語音克隆、配音、長文本工作流與開發者 API；再往後是 Speech-to-Text、音樂、圖像/視頻、實時對話代理與企業級語音工作流。官網到 2026 年已把公司產品架構明確分成三層：面向創作的 ElevenCreative、面向企業與客服自動化的 ElevenAgents、面向開發者的 ElevenAPI。研究時間線則顯示其從 Eleven Multilingual v2、Turbo、Flash，走到 Scribe、Eleven v3、Eleven Music、Scribe v2 Realtime、Scribe v2 與 Expressive Mode for Agents，說明它已經不再只是單點 TTS 公司，而是在試圖佔據“AI 音頻基礎設施”位置。
如果只用一句話概括其公司歷史：ElevenLabs 不是靠“先做一款語音玩具，再慢慢找商業化”，而是從一開始就把“模型質量、創作者工作流、開發者接口、企業部署、安全治理”同時推進，所以它的歷史看起來像是研究實驗室、SaaS 公司、平臺公司和基礎設施公司的疊加體。Sequoia 對 Mati 的專訪也明確指出，ElevenLabs 在大模型公司普遍走向多模態泛化時，刻意保持對音頻的聚焦，這種戰略專注是它能夠避免被大模型平臺“碾壓”的核心原因之一。
創始人畫像
兩位創始人的家庭背景公開信息很少。可以確認的是，他們都在波蘭長大，是高中好友，後來又分別去英國深造；但關於父母職業、家庭資產水平、社會階層、童年居住條件等，英文主流公開資料幾乎沒有可靠披露。就這一部分，最穩妥的結論只能是：公開資料有限 / 暫無法確認。能確定的高置信信息僅包括：Mati 在 ElevenLabs 官方作者頁中自述“在波蘭長大，後來去英國讀帝國理工數學”；Endeavor 也寫到兩人都是在波蘭一起長大的高中好友。Sifted 在 2024 年的採訪中還寫到 Mati “born and raised in Warsaw”，但 Piotr 的精確出生地、家庭結構與更多童年信息，在英文可靠公開資料中仍不充分。
教育背景上，Mati 的路徑相對清楚：官方作者頁寫明他在英國 Imperial College London 學習數學。Piotr 的路徑則來自兩類材料拼接後較爲清晰：ElevenLabs 官方作者頁確認他曾在 University of Cambridge 讀 MPhil，並在該階段發表過 NeurIPS 的 AI 圖像檢測研究；Endeavor 又寫明他赴英後在 Oxford 求學。換句話說，可以較高置信地說他至少與 Oxford、Cambridge 兩所英國頂尖高校都存在正式學術關聯，但如果要把具體學位順序、專業名稱、畢業年份全部嚴格還原，則仍屬於“公開資料有限”。
兩人進入核心領域前的職業分工非常互補。Mati 的官方履歷重點是 Palantir：他在官方作者頁中寫到，自己此前在 Palantir 把新技術嵌入企業和政府場景中部署。Mati 在更早的一篇個人訪談中則回顧，畢業後先後做過 Opera Software、BlackRock、Palantir，說明他的早期職業訓練不是純學術研究，而是“產品、數據、部署、客戶問題抽象化”的複合路徑。Piotr 的公開職業身份則高度技術化：官方多次把他描述爲 ex-Google machine learning engineer，也即在公司創立前，他最具代表性的職業標籤就是 Google 的機器學習工程師。
兩人的核心互補性，恰好構成了 ElevenLabs 的基礎組織邏輯。Piotr 更像“研究與模型突破”的發動機，負責把上下文理解、情緒控制、低延遲與多語言魯棒性做成真正可用的音頻模型；Mati 則更像“部署與商業化”的發動機，把這些模型接進開發者、創作者和企業的真實工作流裏。官方作者頁直接寫 Piotr 領導研究與工程團隊，Mati 則領導“構建能達到人類級溝通的 AI 團隊”；Sequoia 採訪中，Mati 也把公司能與大模型巨頭競爭的一大原因歸功於 Piotr 的研究領導力和其組建的全球頂尖音頻團隊。
他們“爲什麼會這樣走”，背後至少有三條線。第一條是語言與文化體驗：糟糕配音是他們從小反覆經歷的問題。第二條是技術窗口期：Mati 在 Sequoia 採訪裏明確說，過去幾年 transformer 與 diffusion 的創新並沒有被高效地應用到音頻領域，而音頻研究又明顯少於文本和圖像，所以這裏存在被忽視的大機會。第三條是工作經歷塑形：Google 給了 Piotr 模型與機器學習訓練，Palantir 給了 Mati 從客戶問題回推產品結構的能力。兩人的高頻 weekend hacks 則讓創業不是突發決策，而是逐步收斂。
在公開身份變化上，Mati 的外部公共影響力增長得更明顯。Sifted 在 2024 年採訪時把他寫成 29 歲、已在兩年內把公司做成全球音頻 AI 明星項目的聯合創始人；2025 年，他又被 Klarna 任命爲董事會成員。Piotr 則更偏“技術創始人”路徑，2024 年入選 TIME100 AI，TIME 的入選詞條重點強調的也是他在高質量、低延遲、可多人語音生成方面所代表的技術地位。
資本、商業模式與關鍵轉折
ElevenLabs 的資本網絡非常強，且不是單一路線，而是“早期歐洲 VC + 美國頂級生成式 AI 投資人 + 戰略企業投資 + 後期全球機構資本”的遞進結構。最早的 pre-seed 來自 Credo Ventures 與 Concept Ventures；Series B 共由 a16z、Nat Friedman、Daniel Gross 領投或共同主導，並有 Sequoia、Smash、SV Angel、BroadLight、Credo 等加入；Series C 又引入 ICONIQ、NEA、WiL、Valor、Endeavor Catalyst、Lunate，同時把 Deutsche Telekom、LG Technology Ventures、HubSpot Ventures、NTT DOCOMO Ventures、RingCentral Ventures 這樣的戰略方綁進來；Series D 則由 Sequoia 領投，a16z 和 ICONIQ 加碼，Lightspeed、Evantic、BOND 等加入；到 2026 年 5 月，BlackRock、Wellington、D.E. Shaw、Schroders、NVIDIA（經由 NVentures）、Santander 以及 Jamie Foxx、Eva Longoria 也進入投資者名單。這個資本譜系說明，ElevenLabs 已從“VC 支持的生成式 AI 初創”變成“機構資本、產業資本、名人資源共同押注的平臺型公司”。
它的商業模式不是單一訂閱，而是多層收入結構。第一層是自助訂閱與按量計費，官方 API pricing 頁面顯示，TTS、ASR 等模型按字符或小時收費，例如 Flash/Turbo 文本轉語音可以按每千字符計價，Scribe 則按每小時計價。第二層是 Agents 平臺按月訂閱加通話分鐘費，價格從免費到企業定製不等，幷包含併發通話、知識庫、工作流、電信集成等能力。第三層是企業合同收入，尤其是客服、銷售、營銷、培訓等場景下的大客戶部署。第四層是平臺抽成與生態分成，例如 Voice Library/Voice Actor Payouts：用戶把自己的 Professional Voice Clone 放進 Voice Library，平臺向調用者收費，並通過 Stripe 向聲音提供者結算獎勵。
這個商業模式的高級之處，在於它把“影響力資產”和“可結算資產”結合在一起。像 ElevenCreative、ElevenAgents、ElevenAPI、本身就是直接變現產品；Voice Library、Iconic Marketplace 則同時是內容供給側與聲譽側資產——前者讓普通聲音提供者形成被動收入，後者讓平臺可以與名人、歷史人物 IP 權利方做受控授權。官方文檔明確寫明 Voice Library 是一個 marketplace，公開共享的是 Professional Voice Clones，用戶可因別人使用自己的聲音而獲得獎勵；Iconic Marketplace 則明確寫到它連接創作者與權利方，提供“傳奇聲音”的授權。2025 年，Matthew McConaughey 被官方宣佈爲多年投資人、支持者與創作者；Michael Caine 與 McConaughey 的合作也說明 ElevenLabs 正把“名人聲音授權”當成平臺級稀缺資產經營，而不是簡單功能。
公司最關鍵的商業轉折之一，是從“創作者工具”快速長成“企業語音基礎設施”。2024 年 Series B 時，官方強調的仍然是 Dubbing Studio、Voice Library、Reader App、創作者和出版商；到了 2025 年和 2026 年，官方敘事明顯轉向 ElevenAgents、開發者平臺、客戶支持、會話式商務與政府服務。Mati 在 TIME 採訪中說，企業與個人用戶收入結構已經從 2024 年初的大致 90/10，演化到 2025 年接近 60/40 或 50/50；他還直說“增長更快的是 Conversational AI”。這說明 ElevenLabs 不再只是“最好聽的配音工具”，而是在搶佔企業溝通界面的預算。
另一個關鍵決策，是把“安全治理”納入商業可持續性，而不是把它當作公關補丁。官方 Safety 頁面把方法分成 Safety by Design、Traceability & Accountability、Transparency、Agility、Collaboration，並寫明平臺能把內容追溯到生成賬戶，嚴重違規者會被封禁並移交執法部門。官方還提供 AI Speech Classifier，但同時也明確寫明：該檢測器對 ElevenV3 的輸出並不可靠。這既體現出平臺在治理上投入較大，也暴露出一個現實：隨着模型更強，治理工具並不會同步完美成熟。ElevenLabs 還加入了美國 AI Safety Institute Consortium，並在 2026 年與英國 AI Safety Institute 建立三年合作。換句話說，它把“安全合作網絡”本身也做成了自己的制度資產。
從結果上看，它最成功的地方不是單點產品領先，而是把音頻 AI 做成了“跨創作、跨開發、跨企業、跨公共部門”的平臺。2024 年官方稱 41% 的《財富》500 強員工已在使用其技術；2025 年這個數字變爲超過 60%。它既服務 HarperCollins、The Washington Post 這樣的出版媒體，也進入 Paradox、NetEase、Epic Games 這樣的遊戲娛樂體系，再進入 Deutsche Telekom、Revolut、Klarna、Square、烏克蘭政府這樣的企業和公共服務場景。它在 2026 年前四個月超過 5 億美元 ARR，不只是說明產品賣得好，更說明語音正在從內容附屬能力變成企業主流程的一部分。
爭議、當前狀態與現實位置
ElevenLabs 從一開始就伴隨爭議，且爭議幾乎都圍繞一個核心問題：當“聲音”變得可複製，平臺該承擔多大責任。最早在 2023 年 1 月，The Verge 就報道 4chan 用戶利用 ElevenLabs 的免費語音克隆能力生成名人和公衆人物的仿聲內容，其中包括仇恨言論與惡搞，平臺很快面臨“過度開放”的質疑。2024 年初，美國新罕布什爾州民主黨初選前又出現了模仿拜登聲音、疑似勸阻投票的 robocall；AP 報道該事件觸發廣泛調查，Wired 則援引研究者意見稱，該音頻很可能由 ElevenLabs 的工具生成。也就是說，ElevenLabs 最早證明自己“技術質量足夠高”的方式之一，恰恰也是它最早捲入高強度公共爭議的原因。
公司此後不斷強化限制。官方今天的用戶幫助頁明確寫到：Professional Voice Clone 只能克隆你自己的聲音，即便取得他人同意，也不能在自助流程裏創建他人的 Professional Voice Clone，因爲系統要求進行身份/聲音驗證。與此同時，官方營銷頁仍寫着“只應在你獲得明確授權時克隆聲音”，說明平臺實際採用的是“普通用戶端強限制 + 權利方合作端定製授權”的雙軌模式。AP 2025 年報道也指出，ElevenLabs 在經歷一系列濫用爭議後，已加強安全措施並阻止未經同意的名人聲音克隆。
法律層面，最重要的公開訴訟之一是 2024 年的 Vacker v. ElevenLabs。訴狀顯示，兩名配音演員、兩名作者和一家出版社起訴 ElevenLabs，指控其未經同意挪用聲音人格權，並在訓練中涉及 DMCA 相關問題；訴狀還直接把平臺默認聲音 “Bella” 和 “Adam” 與原告聲音進行對應主張。這些指控是原告主張，並非法院事實認定。根據 AI Lawsuit Tracker 對案卷的後續彙總，該案狀態在 2026 年 5 月被標爲 settled，但公開材料未披露和解金額與具體條款。所以這件事的實質意義不在於“判決輸贏”，而在於它讓 ElevenLabs 所代表的聲音 AI 模型，提前進入了“訓練數據、聲音人格權、版權管理信息、平臺默認聲音合法性”這組更難迴避的法律地帶。
即使 2024 年那起案件已和解，爭議並沒有結束。Sifted 在 2026 年 5 月報道，一組記者與配音/音頻從業者又在伊利諾伊州起訴 ElevenLabs，主張公司未經同意使用他們的聲音錄音訓練模型。案件仍處於指控階段，結果未定，但它說明 ElevenLabs 的主要爭議點已經從“工具會不會被人拿去作惡”，進一步升級到“模型本身是否喫進了未經許可的聲音資產”。如果說 2023—2024 年的爭議集中於生成端濫用，那麼 2024—2026 年的爭議則越來越集中於訓練端合規。
當前狀態上，ElevenLabs 已經不是一家“有潛力的歐洲 AI 初創”，而是全球音頻 AI 裏真正位於第一梯隊的平臺公司。2026 年 2 月官方宣佈 Series D 估值 110 億美元，2026 年 5 月又披露 ARR 已超 5 億美元；官網同時呈現其業務覆蓋 70+ 語言、10,000+ 聲音庫、企業代理、創作者工作流、API、政府版本、Impact Program 等完整體系。公司在地理組織上是明顯的雙跨境結構：官方 2024 年稱倫敦是其歐洲總部與全球運營中心，並確認公司 remote-first、分佈在 15+ 國家；但路透多次把它寫作 London-based，而 AP 又在 2025 年把它寫作 New York-based。最準確的理解不是機械追問“總部到底在哪”，而是它本質上已經形成美英雙核心、全球多地擴張的運行架構。
今天外界爲什麼會記住 ElevenLabs 與兩位創始人，原因大概有四個。第一，他們把語音 AI 從“機械 TTS”推到了“帶上下文理解、情緒控制、多語言表達、實時對話”的階段。第二，他們把語音從創作者工具做成了企業基礎設施與公共服務接口。第三，他們證明了歐洲出身團隊也能在生成式 AI 中打出全球化平臺，而非只做細分工具。第四，他們讓“聲音權利”成爲一個必須被正面處理的問題，而不是技術副作用。與此同時，這家公司的真正長期風險也已經很清楚：不是產品做不出來，而是當它越來越像“聲音世界的基礎設施”時，訓練數據合規、身份驗證、名人聲音授權、政治深僞與公共信任，將持續決定它能走多遠。關於兩位創始人的父母背景、家庭階層、精確出生信息、公司完整 cap table、各類和解條款等，英文公開資料仍然不足，結論只能是：公開資料有限 / 說法不一 / 暫無法確認。