ElevenLabs 創始人 Mati：從一個配音痛點，到打造 110 億美元 AI Communication Platform
目錄
觀點原文
一、 核心觀點與商業認知
- 語音是人機交互的終極形態：在過去的計算時代，人類被迫去適應機器的交互方式（鍵盤、屏幕、編程語言）。AI 的演進將把交互權重新還給人類，最自然原始的語音將取代複雜的外設與屏幕，成爲人與智能協作的核心入口。
- 極度專注（Focus）構建護城河：ElevenLabs 在基礎研究端只專注於音頻領域，不盲目擴張至純文本大模型、圖像或視頻底層生成。將精力全部傾注於音頻架構（Architecture）、音色主觀美感與情緒表現力的突破。
- “前沿研究 + 商業落地”的雙輪驅動：既不是純學術的研究實驗室，也不是單純套殼的應用公司，而是將前沿音頻模型研究（Research）與解決客戶真實場景的產品部署（Product Deployment）合二爲一。
- 技術必須賦能人性而非替代人類：反對“技術帶來毀滅/大規模失業”的傲慢敘事，堅持 AI 應當放大人類潛能（Amplify human potential），在無障礙重建、醫療溝通與文化藝術創作中創造正向價值。
二、 創始人背景經歷與創業契機
- 創始團隊基因：
- Mati Staniszewski（CEO）：數學背景，曾在 BlackRock（貝萊德）從事風險模型開發，後在 Palantir 擔任前線部署，擅長將優化模型與複雜客戶的實際業務深度結合。
- Piotr Dabkowski（CTO）：Mati 相識 15 年的摯友，前 Google 核心機器學習研究員，主攻知識圖譜與視覺多模態算法。
- 創業起因與痛點發現：
- 波蘭影視配音的痛點：在波蘭，影視劇普遍採用單人畫外音配音（Lektor），男女老少均由同一名配音員毫無情緒起伏地讀完，觀影體驗極差。
- 最初的設想：打破語言障礙，讓影視內容在跨語言時能保留原演員的原聲、語調與情感（類似《銀河系漫遊指南》中的“巴別魚”概念）。
- 創業切入點的務實調整：最初他們想做端到端配音，但在調研創作者需求時發現，創作者最迫切的問題是“重錄某句讀錯的臺詞”或“直接生成高質量旁白”。團隊果斷調整優先級，先攻克最具剛需的文本轉語音（Text-to-Speech），使語音突破恐怖谷效應。
三、 核心業務戰略與產品矩陣
ElevenLabs 圍繞“聲音與全流程溝通”構建了三層遞進體系：底層前沿模型研究 $\rightarrow$ 統一產品溝通平臺 $\rightarrow$ 場景化終端應用。
- 底層前沿模型研究：
- 涵蓋語音合成（TTS）、語音轉文字（STT）、多語種本地化、以及實時語音對話編排（Voice Agent Orchestration）。
- 核心產品線與應用：
- Conversational AI / Agents：企業級對話代理，涵蓋呼叫中心自動化、實時翻譯與多渠道互動。
- Eleven Creative / Studio：音視頻內容創作、高保真配音、聲音設計及營銷廣告製作。
- Eleven Reader：面向個人的閱讀應用，將任意文檔、長文或報道實時轉化爲高品質、帶情緒的人聲播客。
- 聲音生態市場（Voice Marketplace）：已有超過 20,000 個認證聲音。聲音創作者/配音員共享音色並獲得版權分成收益，構建了強大的雙邊網絡效應與創作者生態。
四、 關鍵數據與企業級落地實踐
- 核心增長行業：
- 金融科技（Fintech）：應用增速最快，代表客戶包括 Revolut、Klarna 等，全面落地客服問詢、交互自動化。
- 電信行業（Telcos）：Deutsche Telekom（德國電信）在營銷播客、客服呼叫中心全面接入 ElevenLabs，甚至在底層網絡部署實時通話翻譯與輔助代理。
- 醫療與政府公共服務：與波蘭衛生部門合作，部署 AI 語音代理自動進行就醫預約與術後隨訪。
- 零售與電商（Retail & E-commerce）：2024 年迎來爆發期，全面滲透售前諮詢與售後服務。
- 公益與社會價值落地：
- 累計爲超過 10,000 名因 ALS（漸凍症）、咽喉癌等疾病失去聲音的患者、音樂人及公衆人物重塑個人音色，包括幫助漸凍症前 NFL 球星 Tim Green 重獲聲音並製作艾美獎獲獎播客。
五、 組織哲學與 AI 時代的企業運營模式
- 繼承並進化 Palantir 的 FDE（前線部署工程師）機制：
- FDE 歸屬於產品團隊而非銷售團隊：工程師深入客戶一線（如飛赴客戶總部並肩作戰），解決複雜的系統集成與業務流適配。
- 客戶現場即研發實驗室（Customer as R&D）：從單個客戶定製中提煉通用痛點，將特定行業的通用需求抽象爲平臺級功能，反哺給成千上萬家企業。
- 扁平化與小團隊自治（Small Teams）：
- 崇尚“最佳觀點勝出（Best Idea Wins）”，公司內部無繁複頭銜，層級極少。
- 核心業務拆解爲 5~10 人的敏捷小團隊，每個團隊擁有充分的自由度與決策權。
- 全員工程化（Infuse Engineering into All Teams）：
- 法務、HR、運營等非技術部門均配備專屬軟件工程師，通過自動化與 AI 工具提升整體組織人效。
- 深度自用（Dogfooding）：
- 全面使用自家 AI 智能體改造自身業務。例如將官網傳統的下拉表單升級爲語音 AI SDR，發現客戶不僅使用體驗大幅提升，留下的業務背景與需求信息量遠超傳統文本表單。
六、 商業競爭、獨立性與未來展望
- 拒絕過早被巨頭併購：
- 面對數額巨大的收購邀約（歷史上已拒絕 3~4 次收購意向），堅持保持獨立運營。
- 創始人堅信 ElevenLabs 處於時代級機遇的風口，是自身最頂級的創業主意，不應爲短期資本回報犧牲長遠塑造行業格局的機會。
- 未來 12 個月的語音交互演進：
- 語音交互將從當前的“文本-語音單向輸出”躍遷爲具備情商（EQ）與智商（IQ）深度融合的自然交流。
- 未來的語音代理將能捕捉情緒細微變化、懂得適時停頓（Pause）、理解並表達思考過程，甚至在交談中融入恰到好處的口語化與不完美感（如自然的斷句與語氣詞），消除人機對話的冰冷機械感。
ABAB AI 解讀
這份稿子的方向是對的，而且抓到了這期採訪真正重要的幾個點：Focus、FDE、Small Teams、Voice Interface、獨立性。但如果要做到真正高水平，我建議不要把 ElevenLabs 只寫成一家“語音生成公司”，而要把它放到 AI 計算範式遷移 和 下一代企業軟件基礎設施 的層面去理解。
另外，有幾處數據和表述我建議先修正。
先修正幾個重要事實
第一，Voice Library 不是 20,000+ 個認證聲音。ElevenLabs 目前官方文檔寫的是社區 Voice Library 超過 10,000 個聲音，部分頁面顯示 11,000+。
第二，公益項目的數據現在可以更新得更強。ElevenLabs 最新披露，其“1 Million Voices”計劃已經覆蓋 超過 11,000 人，長期目標是幫助 100 萬人重新獲得或保存自己的聲音。
第三，你寫“ElevenLabs 只專注音頻、不擴張圖像視頻”，這個在早期戰略上基本成立，但到了 2026 年已經需要重新定義。現在官方把整個業務拆成：
- ElevenAgents：企業 AI Agent；
- ElevenCreative：語音、音樂、音效，同時已經包含圖像和視頻；
- ElevenAPI：面向開發者的 AI Audio 基礎設施。
ElevenLabs 自己甚至明確說，現在已經“expanded well beyond voice”。
所以更準確的說法是：
ElevenLabs 沒有去做通用文本大模型，而是以聲音爲核心能力向整個 Communication Stack 擴張。
這兩者差別非常大。
一、真正理解 ElevenLabs：它已經經歷了三次公司身份升級
很多人還把 ElevenLabs 理解成：
輸入文字 → 生成真人聲音。
這是 2023 年的 ElevenLabs。
今天已經完全不是這個公司了。
它實際上經歷了三次進化。
第一階段：AI Voice Model
解決的是：
“機器能不能像人一樣說話？”
TTS 是核心。
這一階段最重要的是突破“恐怖谷”：
以前電腦語音的問題不是聽不懂，而是沒有生命感。
節奏不對。
停頓不對。
情緒不對。
呼吸不對。
重音不對。
ElevenLabs 最早真正領先的地方，就是讓機器聲音第一次出現了接近人類的：
Prosody——韻律。
這比“音色像不像真人”更重要。
第二階段：AI Audio Infrastructure
接下來問題變成：
如果所有軟件都需要聲音，誰來提供聲音基礎設施？
於是 ElevenLabs 開始覆蓋：
TTS
STT
Voice Cloning
Dubbing
Sound Effects
Music
API
現在 ElevenAPI 已經把 Speech、STT、Voice Agents、Music 等能力統一提供給開發者。
這一步的意義非常大。
它從：
一個應用
變成：
Infrastructure。
類似：
Stripe 不只是一個支付頁面。
Stripe 是支付基礎設施。
Twilio 不只是一個打電話軟件。
Twilio 是通信基礎設施。
ElevenLabs真正想成爲的東西越來越接近：
AI 世界的 Audio Layer。
二、第三階段纔是現在真正值得注意的：AI Communication Infrastructure
這是這期採訪最值得深入理解的地方。
ElevenLabs 已經不滿足於：
讓 AI 會說話。
它現在要解決的是：
讓 AI 能夠完成一次完整的人類交流。
這完全是另一個市場。
一個電話客服需要的不只是 TTS。
整個鏈條其實是：
用戶說話
↓
Speech-to-Text
↓
理解意圖
↓
LLM reasoning
↓
調用企業數據庫/API
↓
決定答案
↓
Text-to-Speech
↓
Turn-taking
↓
判斷什麼時候該說話
↓
判斷什麼時候應該沉默
↓
處理中斷
↓
判斷情緒
↓
記錄 CRM
↓
安全與合規
↓
監控、評測、審計
這才叫 Voice Agent。
所以未來真正的競爭單位已經不是：
誰的聲音最好聽？
而是：
誰能讓一次 AI 對話真正完成一個商業任務？
這是非常重要的認知升級。
三、這也是爲什麼 ElevenLabs 的 ARR 會突然爆發
這裏應該把資本數據加進去，因爲它能夠解釋公司戰略爲什麼發生變化。
ElevenLabs 在 2025 年末披露的 ARR 約爲 3.5 億美元；到 2026 年前四個月，公司已經宣佈 ARR 超過 5 億美元。2026 年 2 月 Series D 融資 5 億美元時，公司估值達到 110 億美元。
這不是普通 SaaS 增長。
它說明一個非常重要的問題：
Voice AI 已經從“有趣的生成式 AI 功能”，進入企業預算。
爲什麼企業願意掏錢？
因爲它直接對應成本。
比如一個傳統 Call Center：
1000 個客服。
工資。
培訓。
夜班。
辦公室。
質檢。
流失率。
管理。
多語言客服。
這些都是巨大的運營成本。
AI Voice Agent 如果能處理其中一部分請求，ROI 極其容易計算。
企業購買它的時候，不是在買“AI”。
而是在買：
Cost per Resolution 的下降。
這就是爲什麼企業級 AI 最強的產品，最終都會落到一個問題：
你到底給客戶省了多少錢，或者賺了多少錢？
四、Revolut 案例非常值得研究
Revolut 是典型案例。
ElevenLabs披露：
Revolut 已經把 ElevenAgents 部署到英國和歐洲，覆蓋超過 400 萬客戶，支持 30+ 種語言；初期部署中，問題解決時間縮短超過 8 倍。
注意這裏真正重要的不是“30 種語言”。
而是另外一個問題：
Revolut 最開始其實嘗試過自己做。
因爲大公司會想：
STT + LLM + TTS，我自己接起來不就行了嗎？
理論上確實可以。
真正困難的是 production。
比如：
200ms 延遲。
突然斷網。
用戶插話。
信用卡信息。
PCI。
零數據保留。
不同國家監管。
客服 CRM。
錄音。
監控。
評測。
Failover。
高併發。
這就是一個非常經典的創業規律：
Demo 很容易，Production 很難。
很多 AI 公司真正的商業價值，就存在於這條鴻溝裏面。
五、所以 ElevenLabs 真正的護城河已經不是模型
這一點非常重要。
如果今天還說：
ElevenLabs 的 moat 是 TTS 模型最好。
我認爲已經不夠。
因爲模型能力最終一定會擴散。
OpenAI、Google、Amazon、Microsoft、Deepgram、Cartesia 等都在進入實時語音市場，Voice Agent 領域還有 Vapi、Retell、LiveKit 等一整批基礎設施公司。
真正的護城河正在變成六層。
第一層：Model。
聲音質量。
情緒。
多語言。
低延遲。
STT。
Speech-to-Speech。
第二層：Realtime Infrastructure。
幾十毫秒、幾百毫秒的差別，在聊天窗口裏不明顯。
在電話裏非常明顯。
人的對話非常敏感。
慢半秒：
像機器人。
慢一秒：
像電話壞了。
慢兩秒：
用戶直接掛電話。
所以語音 AI 的競爭，本質上也是：
Latency Competition。
第三層：Turn Taking。
這可能是很多非技術人士最容易低估的東西。
真正的人類對話不是：
A講完。
B講完。
A講完。
而是：
打斷。
猶豫。
“嗯……”
停頓。
搶話。
重複。
改變主意。
所以一個真正優秀的 Voice Agent，不只是“會回答”。
而必須理解：
什麼時候不要回答。
這是一個非常深的產品問題。
第四層：Enterprise Workflow。
Salesforce。
Zendesk。
Twilio。
CRM。
ERP。
內部數據庫。
支付系統。
預約系統。
身份認證。
沒有這些，AI Agent 就只是一個聊天機器人。
第五層：Compliance + Trust。
尤其金融、醫療、電信、政府。
SOC 2。
ISO 27001。
HIPAA。
GDPR。
Data Residency。
Zero Data Retention。
這些東西聽起來不性感。
但這恰恰是幾十億美元企業軟件公司的護城河。
ElevenLabs 的 FDE 產品頁面現在已經明確把這些能力作爲企業部署的重要組成部分。
第六層：Distribution。
這是最終最重要的一層。
技術領先三個月不一定形成護城河。
但是：
1000 家企業已經部署。
10,000 個開發者已經接 API。
客服數據已經積累。
FDE 已經進駐客戶。
開發者已經寫完 integration。
企業已經完成 compliance review。
這時候換供應商的成本越來越高。
這纔是真正的複利。
六、FDE 是 ElevenLabs 最值得創業者學習的組織設計之一
Mati 在 Palantir 工作過。
這段經歷可能比很多人想象的更加重要。
Palantir 最有影響力的組織創新之一就是：
Forward Deployed Engineer。
不是傳統諮詢顧問。
不是銷售。
不是售後客服。
而是：
工程師直接進入客戶戰場。
ElevenLabs現在公開說明，其FDE會參與系統設計、集成、部署、治理、監控、優化和後續擴展。
爲什麼這套模式在 AI 時代特別強？
因爲今天真正缺少的已經不是模型。
而是：
Last Mile。
企業知道 AI 很厲害。
但是不知道怎麼把 AI 放進幾十年前留下來的 IT 系統。
因此未來可能出現一種非常重要的 AI 公司結構：
Research Lab + Software Company + Consulting Capability。
這三個能力以前通常屬於三類公司。
AI 把它們重新合併了。
七、但 FDE 模式有一個危險：變成諮詢公司
這也是需要看到的另一面。
如果：
客戶 A 要一個功能。
寫一次。
客戶 B 要另外一個。
再寫一次。
客戶 C 又要重新做。
最後工程師全部在做定製開發。
那麼 SaaS 毛利會慢慢變成 consulting economics。
所以 Palantir 和 ElevenLabs 真正要解決的問題始終都是：
如何把一次客戶定製，變成所有客戶都能使用的平臺能力？
最理想的循環是：
客戶問題
↓
FDE發現
↓
產品團隊抽象
↓
平臺功能
↓
所有客戶使用
↓
更多客戶
↓
產生更多問題
↓
再抽象
這叫：
Customer → Product Learning Loop。
如果做到這一點：
FDE不是成本。
FDE就是研發系統的一部分。
這是非常高級的組織設計。
八、ElevenLabs 的“Focus”真正值得學習的地方，不是“什麼都不做”
很多創業者會錯誤理解 Focus。
Focus 不是：
永遠只做一個產品。
ElevenLabs就是非常好的反例。
它最早：
TTS。
後來：
Cloning。
Dubbing。
STT。
Agents。
Music。
Creative。
甚至已經進入圖像和視頻工作流。
爲什麼這仍然叫 Focus？
因爲所有擴張都圍繞一個核心能力：
Communication / Creation。
這叫：
Concentric Expansion——同心圓擴張。
好的公司不是不擴張。
而是：
擴張出去以後，舊護城河還能給新業務提供優勢。
Amazon 從書擴到所有電商。
AWS 從內部基礎設施擴到雲。
Apple 從 Mac 到 iPod、iPhone、Watch。
產品越來越多。
核心能力卻越來越集中。
ElevenLabs 正在走類似邏輯。
九、“Voice 是 AI 的終極入口”需要再提高一個層次理解
我建議把“終極入口”稍微改一下。
因爲屏幕不會消失。
Excel、Bloomberg Terminal、Photoshop、CAD、代碼編輯器，都需要高信息密度視覺界面。
真正可能發生的是：
Voice 成爲 Ambient Computing 的默認交互層。
Ambient Computing是什麼意思？
計算機不再要求你：
拿起設備。
打開 App。
找到按鈕。
填寫表格。
點擊 Submit。
而是存在於環境中。
你直接說：
“把我下週和紐約團隊的會議調整到大家都有空的時候。”
“給這個客戶打電話，把續費談到兩年。”
“問醫院有沒有周三下午的位置。”
“把這篇文章翻譯成西班牙語並生成我的聲音。”
這時候人類不是：
Operating Software。
而是在：
Expressing Intent。
軟件負責執行。
這纔是 Agent 革命真正發生的地方。
十、從計算史看，這實際上是一場“抽象層上移”
理解 AI 最好的辦法之一，就是看計算機歷史。
每一次巨大技術革命，都在減少人類與機器之間的摩擦。
機器語言：
人適應機器。
Assembly：
稍微接近人。
高級語言：
C、Java。
GUI：
鼠標+窗口。
Touch：
手指。
Natural Language：
文字。
Voice：
語言本身。
每一次技術進步，本質都是：
機器越來越理解人，而不是人越來越理解機器。
這也是爲什麼 Voice AI 的意義遠大於“配音”。
它代表的是：
Human → Computer Interface 的進一步自然化。
十一、ElevenLabs 最終爭奪的，其實不是“語音市場”
而是：
Human-to-AI Communication Layer
這纔是它真正有想象力的地方。
手機時代最重要的入口是什麼？
Touchscreen。
互聯網時代：
Browser。
PC時代：
GUI + Keyboard。
AI Agent時代：
很可能是：
Voice + Vision + Context。
你說話。
AI聽見。
AI看見環境。
AI知道你的上下文。
然後執行任務。
所以未來 ElevenLabs 最大的市場未必是 Podcast。
甚至未必是 Call Center。
可能是：
汽車。
機器人。
智能眼鏡。
耳機。
家居。
AI Companion。
客服。
金融服務。
醫療。
教育。
遊戲NPC。
這些東西共同需要一個能力：
讓機器擁有一個可信、自然、具有情緒的聲音。
十二、還有一個很多人忽略的方向：聲音最終會成爲“數字身份資產”
這其實可能非常大。
今天身份主要是：
名字。
頭像。
郵箱。
電話號碼。
未來會增加：
Voice Identity。
一個人的聲音：
可以授權。
可以許可。
可以繼承。
可以保護。
可以撤銷。
可以獲得版稅。
這也是 Voice Marketplace 真正值得關注的地方。
如果這套體系成熟：
演員的聲音。
歌手的聲音。
播音員的聲音。
IP角色聲音。
歷史人物聲音。
都可能成爲數字版權資產。
ElevenLabs最新甚至已經進一步進入音樂版權體系。就在 2026年9月，Universal Music Group 宣佈與 ElevenLabs 合作開發 AI 音樂平臺，並強調藝術家 opt-in 和授權補償機制。
這說明 AI 音頻正在從：
生成技術
進入：
版權基礎設施。
這是非常重要的一步。
十三、爲什麼 Mati 不賣公司，也就容易理解了
採訪裏他說已經拒絕過多次收購興趣，這一點與視頻描述一致。
站在創業者角度，很容易理解。
如果你認爲自己只是：
一家 AI 配音公司。
100 億美元可能已經非常高。
但是如果你的目標是：
AI Communication Infrastructure
那麼整個 TAM 完全不同。
Call Center。
Media。
Gaming。
Education。
Healthcare。
Financial Services。
Robotics。
Automotive。
Advertising。
Music。
Devices。
這是一個可能延續幾十年的基礎設施市場。
所以創始人的計算不是：
“現在能賣多少錢？”
而是：
“我手裏的 option value 到底值多少錢？”
這也是最頂級創業者和普通創業者思考方式的區別之一。
普通創業者優化：
Exit Price。
頂級創業者優化：
Optionality。
十四、我認爲這期採訪最值得創業者帶走的 8 個東西
- 從窄問題進入巨大市場。
ElevenLabs 最開始解決的是：
“配音很差。”
不是：
“重新定義全球人機交互。”
偉大的公司經常如此。
Amazon：賣書。
Facebook：大學通訊錄。
Uber：黑車。
Airbnb：租氣墊牀。
Stripe：七行支付代碼。
- 第一產品必須產生 Wow Moment。
用戶第一次聽 ElevenLabs 時：
“這真的是 AI？”
這種瞬間極其重要。
它會形成自然傳播。
- 模型不是終點。
Model → API → Workflow → Platform → Ecosystem。
這是 AI 公司非常典型的升級路線。
- 企業 AI 的真正價值在 Last Mile。
不是 benchmark。
而是：
能不能上線。
能不能連接數據庫。
能不能滿足監管。
能不能穩定運行。
- Engineer 離客戶越近，公司學習速度越快。
這就是 FDE。
- 小團隊的價值不是省工資。
而是：
減少 coordination cost。
組織越大：
會議越多。
審批越多。
信息損耗越大。
AI時代最珍貴的資源不是人。
是：
決策速度。
- AI Native Company 不只是賣 AI。
而是自己首先徹底使用 AI。
HR。
Legal。
Sales。
Marketing。
Engineering。
Operations。
全部重新設計。
這一點 ElevenLabs 的 dogfooding 非常值得研究。
- 最好的 AI 公司最終賣的不是 AI。
它賣：
更低成本。
更高收入。
更快速度。
更好的客戶體驗。
AI只是實現方式。
這是商業世界一個永遠不會變的規律。
我會把標題再提升一級
你現在幾個標題裏，我會更傾向於把“ElevenLabs 是一傢什麼公司”這個認知變化直接打出來。
我最推薦：
ElevenLabs 不只是語音 AI：一家 500M+ ARR 公司如何爭奪下一代人機交互入口
如果更偏商業：
從 AI 配音到 500M+ ARR：ElevenLabs 如何把“聲音”做成下一代計算基礎設施
如果更偏創業：
ElevenLabs 創始人 Mati：從一個配音痛點，到打造 110 億美元 AI Communication Platform
如果更偏深度：
當機器開始真正“會說話”：ElevenLabs 與下一代人機交互革命
其中我認爲第二個最適合深度內容。
因爲它同時回答了三個問題：
它從哪裏來、它現在有多大、它最終想變成什麼。
而這恰恰是 ElevenLabs 這個案例最值得研究的地方。