人工智能
NextFin News - ElevenLabs 押注语音而非聊天框将成为人工智能的主要交互界面，市场正为这一信念支付溢价：这家总部位于伦敦的公司目前估值达 220 亿美元，超过其 2026 年 2 月融资轮 110 亿美元估值的一倍。2026 年 11 月 3 日，联合创始人兼首席执行官 Mati Staniszewski 在伦敦一场技术会议上阐述了语音交互如何从新奇事物走向基础设施——尽管他的公司正与构建它的音频模型商品化趋势赛跑。
故事核心的矛盾简单而棘手。ElevenLabs 凭借掌控语音层，已成为欧洲最有价值的私人 AI 公司之一。但这位首席执行官本人在 2026 年 9 月多伦多一场技术会议上表示，音频模型之间的质量差距将在三到五年内大幅缩小。公司的防御逻辑不再是“我们的模型更好”，而是“我们的数据、我们的集成、我们的分发渠道，以及我们为份额牺牲利润率的意愿”——这一转变将决定 220 亿美元的估值究竟是一个持久业务的起点，还是一轮周期性炒作的高点。
事件与押注背后的数字
Staniszewski 于 2026 年 11 月 3 日在伦敦发表演讲，讨论语音智能体的崛起、它们所赋能的体验，以及语音 AI 的下一步。这场对话的背景是估值在七个月内大致翻了一番。2026 年 2 月，该公司完成 D 轮融资，投后估值为 110 亿美元，投资方包括红杉资本、Andreessen Horowitz、贝莱德、英伟达和 ICONIQ Growth。到 2026 年 9 月，二级市场讨论和投资者估值已将隐含价值推高至 220 亿美元。
营收轨迹是让这一估值不至于显得纯粹投机的原因。ElevenLabs 表示，2025 年其年度经常性收入超过 3.3 亿美元，到 2026 年 9 月，这家仅成立四年的公司 ARR 增速约为 6 亿美元。其中超过一半——55% 或更多——来自传统企业客户，其余部分分布在中小企业、开发者和创作者之间。这种企业客户结构至关重要：这意味着公司不再仅仅依赖病毒式传播的专业消费者浪潮，而是嵌入到切换成本真实存在的生产工作流中。
客户名单读起来就像一份已将语音 AI 从试点阶段推向落地的企业点名册。Klarna 在 ElevenLabs 的基础设施上为 3,500 万美国客户运行一线电话支持。Deutsche Telekom、Cisco 和 Adobe 将其用于实时工作流。Meta 和 Salesforce 利用其语音基础设施构建产品。越来越多的政府也将其部署于公共服务：波兰使用语音助手提醒患者就医预约，在该系统中，此前有 18% 的预约无人跟进；捷克部署该系统处理此前无人接听的就业福利相关来电，日均超过 5,000 通；希腊则将其用于面向游客的服务，并保护仅有数百名老年人使用的濒危方言。
就在伦敦亮相的同一天，该公司通过与英国政府签署谅解备忘录，将其在英国的公共影响力进一步深化，旨在将语音 AI 引入公共服务，尤其面向残障人士、低识字人群以及非英语使用者。作为该合作的一部分，ElevenLabs 表示将迁入新的伦敦总部，面积为现办公室的三倍，并将英国员工人数翻倍至 200 人，覆盖研究、工程和销售部门。
为何语音成为基础设施而非功能
Staniszewski 论点的核心在于，语音并非叠加在应用之上的功能，而是智能体被使用的界面。当用户注视屏幕且有时间阅读时，文本聊天行之有效；而当用户正在驾驶、做饭、步行或从事其他活动时，语音则更为适用——这占据了清醒生活的大部分时间。当 AI 智能体从供人查询的工具转变为代表用户行事的助手时，自然的交互渠道便是语音，因为语音本就是人类彼此之间进行协同行动时所使用的渠道。
这正是第一阶效应——更优质的合成语音——让位于第二阶效应之处：面向客户的运营架构重构。语音智能体不只是更廉价的呼叫中心坐席。它是一个必须完成语音转写、基于知识库推理、调用工具、回写 CRM、在转接人工时保留上下文，并在对话中途 API 超时时优雅降级的系统。针对企业语音部署的行业分析发现，大多数故障并非出现在语音模型，而是发生在这一集成层——CRM 写入失败、工单错误、会话上下文丢失。其推论有违直觉：赢得语音 AI 的公司未必拥有最具情感表现力的模型，而是其底层架构最难被替换的那一家。
ElevenLabs 一直在有意打造这套底层架构。它提供统一的技术栈——面向语音与聊天客户体验的 ElevenAgents、支持 70 多种语言的语音、音乐、图像和视频生成与编辑的 ElevenCreative，以及面向开发者的 ElevenAPI——全部通过单一积分体系计量。公开定价显示，语音智能体为每分钟通话 0.08 美元，另加大型语言模型和电话费用，订阅档位从免费计划到面向企业用户的每月 990 美元，之上还有定制化企业合同。这套定价架构本身即构成护城河：一旦企业将电话系统、CRM 和身份认证接入同一个按积分计量的语音层，新增用例的边际成本很低，而迁移成本则很高。
此外还有一道数据护城河，尽管比模型实验室愿意承认的更窄。音频 AI 所需的训练信号不同于文本模型：需要高质量录音，配以准确转写、情绪标注，以及对不仅说了什么、而且如何说的语境理解。ElevenLabs 雇佣了数千名合同标注员，并引入语音教练来标注情绪内容并准确识别口音。这一标注层——关注"如何"而非"什么"——更难让基础模型实验室通过扩大算力来复制，因为它是劳动密集型和领域特定的，而非参数规模的函数。
CEO 已承认的同质化威胁
以下是估值未能清晰定价的部分。Staniszewski 对音频模型本身可能沦为大宗商品的风险表现得异常坦率。2026 年 9 月，当被要求评价他前一年关于音频模型将在几年内商品化的预测时，他表示：
"仍有大量工作要做，仅在模型层面可实现的质量差距仍然显著。若看得更远，大概三到五年后，这些差异会缩小。"
随后，他以揭示战略转向的方式阐述了公司的真正雄心："我们希望能做、并成为首家做到的是，让对话式 AI 通过图灵测试。你需要结合智能，但也需要情商。你需要理解对方的情绪，能够放慢语速或提高音量。这一点尚未实现。"
这句话是投资逻辑的关键。如果语音质量趋于同质化，那么 ElevenLabs 无法仅凭模型质量取胜。它必须赢在全栈捆绑：语音转文字、推理层选择、文字转语音、工具调用、CRM 集成，以及让情感表达可靠的标注数据。该公司正将自身定位为 AI 的语音层——介于推理模型（客户日益可以从菜单中选择，包括开源权重选项）与人耳之间的基础设施。
竞争压力已经显现，且以一种在融资头条中罕见的形式出现：ElevenLabs 正越来越多地与自己的客户竞争。对话式 AI 平台 Decagon 在其语音产品上使用了 ElevenLabs 进行训练，如今则通过自家模型运行查询。Staniszewski 承认这种界限正在模糊：
“当我们思考模型公司、平台公司、应用公司时，过去你会看到非常清晰的分工，知道一家公司从哪里开始、到哪里结束。如今这条界线要模糊得多。”
同样的动态也适用于前沿实验室。Anthropic 及其同行起步时是模型公司，如今正向下延伸至应用层。如果某家推理实验室免费捆绑一个足够好用的语音层，ElevenLabs 的独立语音业务将面临利润率压力——这也正是 CEO 表示愿意尽早承受这种压力的原因。
关于利润率，他拒绝给出具体数字，但明确提出了取舍：
“如果我们能够投入并证明这一价值，我们不介意利润率走低，以便在未来五年价值创造的过程中共同受益。”
换言之，先分享，后盈利。对于一家争相成为默认层的企业来说，这是一套连贯的战略；但如果所谓的默认层最终只是别人平台内捆绑的一项功能，那这就成了一场危险的豪赌。
反向论点：什么会证明这是错的
对结构性观点最有力的反驳是：语音 AI 只是搭乘更广泛的智能体 AI 热潮的一轮周期性部署浪潮，语音接口将走向碎片化而非整合。按这种解读，企业之所以试点语音智能体，是因为廉价推理和急切的董事会让试点变得容易；集成层的失败将放缓生产部署；而所谓“语音层”将被证明只是一个薄薄的楔子，最终被推理实验室和 CRM 厂商吸收进各自的栈中。语音将成为一个勾选项，而非一个独立品类，ElevenLabs 220 亿美元的估值看起来就像是在结构性前提上定价的周期性高点。
这一观点确有实证支撑。集成层的失败率居高不下。披露规范仍在形成之中——Staniszewski 本人表示：“我认为现在就应该披露”，并指出五年后，当人人都拥有自己的智能体时，预期可能会发生变化。对合成语音的监管处理、带标签的语音权与艺人权益，以及政府部署的数据驻留要求，都给纯模型供应商不会面临的环节增添了阻力。而估值算术毫不留情：以 220 亿美元对约 6 亿美元年度经常性收入（ARR），该公司已将多年按当前增速复利的预期计入价格，却没有任何公开市场倍数可为其背书。
对反向论点的回应取决于一个可观察指标：语音智能体的使用是否会形成足够强的习惯，使集成层而非模型成为转换成本。证伪信号十分具体。若在未来四个季度内，ElevenLabs 的 ARR 中来自多场景企业部署的占比未能显著高于当前 55% 的企业客户结构——或者毛利率压缩超过 15 个百分点，却未伴随净收入留存率的相应加速——那么“持久性层”论点即不成立，当前估值定价的只是一段周期性行情。第二个证伪条件：若有两家或更多前沿推理实验室推出捆绑式语音层，并仅凭价格从 ElevenLabs 手中赢得可背书的企业订单，那么独立语音层就只是一项功能，而非一门特许经营业务。
接下来会发生什么：跨时间跨度的情景
短期来看，故事围绕部署速度与披露展开。英国政府合作、波兰医疗提醒服务以及捷克福利热线就是范本：狭窄、高量、低歧义的工作流，语音智能体可在无需人工干预的情况下完成交互。关注披露规范的固化——披露并提供良好体验的企业将看到采用加速；隐瞒者则将遭遇反弹。公司自身的立场——现在就披露，并预期随着智能体普及规范会发生变化——是一场押注：透明建立信任的速度快于欺骗带来便利的速度。
中期来看，战场在集成层与推理菜单。企业选择语音智能体，将取决于系统能否可靠地写入 Salesforce 或 ServiceNow、能否在人工交接间保持上下文，以及是否支持其选择的模型——信息查询用开源权重模型，经过身份验证的金融或医疗交易则用前沿模型。ElevenLabs 的优势在于，它已允许客户从菜单中选择推理层，同时自己掌控语音能力。风险在于 CRM 厂商和电话服务提供商可能捆绑同样的能力。公司愿意压缩利润率，正是它用来维持捆绑完整性的武器。
长期来看，问题在于语音是否会成为智能体 AI 的默认界面——即 Staniszewski 所描述的"抬头、免手"模式，而屏幕正逐渐隐入我们的口袋。若这一结构性转变成立，掌控语音层的企业将占据技术栈中最具价值的咽喉要道：机器与人之间的最后一英寸。这就是价值 220 亿美元的奖赏。若不成立——如果语音只是众多渠道之一，或者界面整合至少数几家设备制造商和推理实验室手中——那么该估值只是一个周期性高点。
在退出路径上，Staniszewski 一直颇为谨慎。当被问及公司是否瞄准 2028 年首次公开募股时，他表示：
"我们希望打造一家经得起时间考验的公司。我们正在夯实基础，以便在未来几年内做到这一点。但是否推进，将取决于时机与环境。"
这正是一位深谙 AI 首次公开募股窗口随市场条件开合、而非按日历开启的 CEO 的口吻。
基准情形是：语音 AI 持续向生产部署复利式扩张，ElevenLabs 凭借整合深度与利润率纪律守住默认语音层地位，并在公司能够证明连续数年规模化持续增长后实现公开上市。乐观情形是：语音成为主要智能体界面的速度快于预期，企业年度经常性收入突破数十亿美元、整合护城河加深，220 亿美元关口看起来更像是中点而非天花板。悲观情形是：整合失败拖慢落地，前沿实验室免费捆绑语音，公司被迫在永久较低利润率下捍卫份额与放弃份额之间做出抉择。
最直白的表述：ElevenLabs 卖的不是更好的声音。它卖的是承载人机之间每一次对话的管道——并且愿意牺牲今天的利润率，让这套管道在明天变得难以替代。
更多独家洞察尽在 nextfin.ai.
