当业界还在热议AI编程、AI Agent和AI视频生成哪个更赚钱时，一家专注AI音频领域的公司正以惊人速度崛起。ElevenLabs近期启动内部股份交易计划，允许员工出售所持股份，这笔交易预计9月前完成，公司估值将达220亿美元。这个数字较其5个月前完成D轮融资时的110亿美元估值翻了一倍，引发市场对AI音频赛道的高度关注。
这家成立于2022年的公司，最初以文本转语音（TTS）技术切入市场。传统TTS采用"拼接合成"方式，将真人录音切割重组，导致语音机械生硬。ElevenLabs通过深度学习技术，使模型能够理解文字语义，直接生成带有情绪起伏和自然节奏的语音。创始人自筹十万美元完成首轮训练后，这项技术立即展现出颠覆性潜力。
2024年推出的Conversational AI平台（后更名为ElevenLabs Agents）成为转折点。该系统构建了完整的语音交互闭环：用户语音输入经Speech to Text模型转换为文字，大模型生成回复后，再通过文字转语音技术输出。整个过程延迟控制在几百毫秒内，关键在于所有环节均采用自研模型。其中eleven_flash_v2_5模型将延迟压缩至75毫秒，专为实时对话设计；eleven_v3模型支持70余种语言，适用于高质量内容制作。
技术突破带来商业模式的快速迭代。基于核心交互能力，公司相继推出多语言配音、音乐生成等衍生服务。2026年Netflix真人秀《Wonka's The Golden Ticket》中已故演员吉恩·怀尔德的声音重建，以及AI朗读版《奥德赛》使用麦克尔·凯恩授权声纹，都标志着技术进入商业化应用阶段。公司顺势推出名人声音授权平台Iconic Voice Marketplace，并开发AI前台接待系统Reception AI。
商业成绩印证了市场判断。截至2026年上半年，Eleven Agents平台已创建超200万个智能体，处理真实对话超3300万次。公司年度经常性收入从2025年底的3.5亿美元增至2026年4月的5亿美元。这种增长态势解释了为何在估值飙升时，公司仍选择通过股份交易稳定核心团队——面对OpenAI、Anthropic等巨头的人才争夺战，及时变现成为留住技术骨干的关键手段。
对比AI视频领域的困境，AI音频的盈利优势愈发明显。火山引擎总裁谭待曾指出，市面流传的AI视频生成企业收入数据普遍虚高，而Sora的关停更暴露出该领域的成本困境。语音生成处理的是时间序列数据，只需解决音质、情绪、延迟和稳定性四个核心指标，模型输出即可直接投入生产。视频生成则需同时处理人物、背景、动作等多维度信息，单次生成成本是语音的数十倍，且常因画面瑕疵需要重复运算。
应用场景的确定性是另一关键优势。从有声书制作、短视频旁白到企业客服、游戏NPC，AI音频正在系统性替代传统配音方式。这种替换不是创造新需求，而是通过技术升级扩大产能。反观AI视频，虽然能生成广告素材和社交内容，但尚未形成稳定盈利模式。更重要的差异在于，语音交互正在成为AI Agent的核心入口——当智能体需要走进电话线路、车载系统和线下门店等无屏场景时，语音成为唯一可行的交互方式。
这种特性造就了独特的商业生态。在海外市场，分散的内容、游戏、教育等行业需求，使ElevenLabs得以定位为"声音基础设施"提供商。其商业模式与国内形成鲜明对比：字节跳动通过豆包、剪映、火山引擎等产品矩阵，将语音能力内化为生态入口；而ElevenLabs则以独立技术供应商身份，向海外企业提供标准化解决方案。这种差异解释了为何中国尚未出现同等规模的独立AI音频公司。
竞争格局正在发生变化。新兴平台Vapi通过提供语音Agent开发框架，将语音识别、大模型、合成技术等环节模块化，允许企业自由组合技术组件。当语音模型性能趋同时，客户可能更关注系统集成效率而非单一技术指标。这种趋势对ElevenLabs构成挑战——其闭环生态既是优势也是限制，若无法持续迭代模型，可能被聚合平台取代技术主导地位。
