AI音频为什么比视频先赚到钱？

有人说AI编程赚钱，也有人说AI Agent赚钱，还有人说AI视频生成赚钱，但你知道吗，其实AI音频也挺赚钱的。

外媒报道称，ElevenLabs正在内部讨论一项二级市场鄙份出售交易，允许员工卖掉手里的股票。这笔交易预计在9月之前完成，估值大约220亿美元。

可就在5个月前，这家公司才刚刚完成5亿美元的D轮融资，当时ElevenLabs的估值110亿美元。

也就是说，半年不到，估值就翻了一倍。

关键问题是，一家做AI声音的公司，凭什么半年就敢涨100亿？

从AI配音工具，到声音基础设施

2022年，ElevenLabs的两位创始人马蒂·斯坦尼舍夫斯基（Mati Staniszewski）和彼得·达布科夫斯基（Piotr Dabkowski）当时走的是TTS（Text to Speech）路线。

传统的TTS本质是“拼接合成”，把真人录的音切成小片段，再按文字拼起来。拼是拼上了，语气、节奏、情绪全没了，听着就是一个机器在念稿子。

马蒂和彼得通过深度学习，让模型理解文字的含义，直接生成带情绪、有节奏、会停顿的语音。两个人自己掏了十万美元跑第一轮训练，出来的效果非常好。

虽然从产品形态上来说，它仍然是TTS，但那时候起，ElevenLabs已经有AI的底子了。

2024年开始，ElevenLabs推出了Conversational AI平台（后来改名叫ElevenLabs Agents）。

它的产品逻辑是这样的，用户用语音说一句话，系统先用语音转文字把内容提取出来，扔给大模型理解并生成回复，再用文字转语音，最后声情并茂地把回复念出来。

整个过程大概需要几百毫秒。

ElevenLabs的优势在于，整个过程中地“听”和“说”用的都是它自己的模型。

“听”用的是ElevenLabs的Speech to Text模型，负责把用户说的话转成文字。而在“说”那头，它有两款语音合成模型，分工不同。

eleven_flash_v2_5追求快，把延迟压到大约75毫秒，专门给实时对话场景用；eleven_v3追求好，覆盖70多种语言，表现力更强，适合内容制作这类对质量要求高、对延迟不敏感的场景。

当ElevenLabs Agents成了主引擎之后，ElevenLabs基于此去往下延伸，做了Dubbing（多语言配音）和Music（音乐生成）。

还没完，2026年7月，Netflix上线了一档旺卡主题真人秀节目《Wonka‘s The Golden Ticket》。节目里的旁白，是吉恩·怀尔德（Gene Wilder）的声音，但是吉恩早在2016年就去世了。

这个声音是ElevenLabs用AI重建的，经过Wilder遗产管理委员会授权。Wilder的妻子发声明说，家人支持用这种方式把他的声音带给新一代观众。

差不多同一时间，ElevenLabs发布了一个AI朗读版《奥德赛》，朗读者是麦克尔·凯恩（Michael Caine）的声音克隆，同样有授权。

名人的声音是IP，跟肖像权一样可以授权、可以收费、可以规模化使用。

于是，ElevenLabs又做了把名人声音变成可授权IP的Iconic Voice Marketplace，还有AI前台员工Reception AI。

2025年底，ElevenLabs的ARR将近3.5亿美元。到了2026年4月，这个数字已经超过了5亿美元。

截止至今，Eleven Agents平台上，已经创建了超过200万个Agent。光是2026年上半年，就处理了超过3300万次对话。并且你得了解个事，这些对话是不含demo数据的，全都是真实生产环节调用的结果。

看到这你是不是感觉一些疑惑？ElevenLabs不是发展得越来越好了吗？为什么这些员工还要去卖股票呢？留在手里升值不香吗？

情况是这样的，根据外媒报道，ElevenLabs现在每天都要跟OpenAI、Anthropic抢同一批工程师和研究员。这些人在公司干了两三年，手里股票纸面价值翻了好几倍，但没上市就没法花。一直不能变现，跳槽的诱惑就越来越大。

所以这次交易，本质上是公司在给核心团队开闸放水。事实上，ElevenLabs在Series D的同时就做过一次1亿美元的tender offer（要约收购），不到一年这是第二次。

投资人愿意用220亿美元的价格回购员工手里的股票，说明他们相信这公司估值能涨过220亿美元。

AI语音市场：为什么声音比视频先赚钱

Sora因为亏损太多导致关停，火山引擎总裁谭待也曾表示，市面上所有流传的Seedance收入数据全是错的，而且普遍偏高。

也就是说，无论国内国外，AI视频生成这块，真的不挣钱。

所以，为什么AI音频生成却这么赚钱？

第一，成本结构更轻。

语音生成处理的是一条时间序列，核心任务是把文字、语义和情绪转成连续音频；视频生成处理的则是连续画面，要同时维持人物、背景、动作、镜头、光影和前后帧一致性。

后者的输出信息量更大，推理链条也更复杂。

这就导致像Sora这样的产品，它的单次输出成本非常高。而且生成的结果不一定“可用”。一段视频可能因为人物变形、镜头不稳、动作不自然、风格不一致而反复重跑。

每一次重试，都要消耗算力。

音频不一样，它产品形态成熟，不需要重复式结果，而且单次成本也远低于视频。

更关键的是，语音的可用标准更容易被产品化。客服语音只要足够自然和低延迟，就能进入企业流程。但是视频则往往还要经过剪辑才能发布。

所以AI音频像基础设施，AI视频更像是个有意思的“小玩意”。

这也是ElevenLabs增长快的底层逻辑。它卖的不是一次性的“惊艳效果”，而是企业可以持续调用的声音能力。成本低、延迟低、重试少、集成简单，才让AI语音比AI视频更早变成一门算得过账的生意。

第二，场景更确定。

配音、有声书、短视频旁白、本地化翻译、客服电话、销售外呼、员工培训、在线教育、游戏NPC……我随便一想，就能想出大量的AI音频可以应用场景。

AI音频不是创造一个新需求，它本质上是替换已有的配音方式，扩大产能而已。

视频生成的场景就没这么确定。你能用它做什么？广告素材？短片？社交媒体内容？

这些场景为ElevenLabs提供了增长。

第三，门槛比视频低得多。

视频要解决的问题太多了，比如世界模型、客观现实、肖像权等等，各种层面的难题都有。

但是语音只要四个指标达标就行，分别是音质够清晰、情绪够自然、延迟够低、稳定性够好。

一旦这几个指标过了线，声音就能直接进生产流程，不需要人工后期修补。

门槛低，意味着从“能演示”到“能上线”的距离短。距离短，意味着变现快。

第四，也是最关键的，语音是Agent的自然入口。

如果AI Agent要走进真实世界，它不能只会打字。它就得会听、会说。

文字交互是互联网时代的界面，语音才是Agent时代的界面。很多现实生活中遇到的事情，本来也不是在键盘上发生的。

生活中，很多场景的默认交互方式就是语音。

ElevenLabs Agents不只是让机器参与了一段完整的对话，它还让机器理解了用户的问题。这也是为什么，ElevenLabs强调ElevenLabs Agents的员工属性。

最后，语音入口还有一个优势，它能进入屏幕之外。

文本Agent主要依赖网页、App和办公软件，但是语音Agent，它可以进入电话线路、耳机、车机和线下门店这些没有屏幕的地方。

你AI视频生成的视频再好看，离开屏幕你啥也看不了。

语音才是AI时代的入口

对咱们来说，ElevenLabs的故事其实没那么神秘。

打开随便一款AI助手App，和它语音聊天，让它读一段文章，换一种音色，它都能声情并茂的读出来。

“AI会说话”这件事，在中国并不稀缺。那为什么中国没有ElevenLabs？

以豆包为例，豆包的目标是让用户进入豆包、留在豆包、使用字节生态。它的语音是一个超级App/助手的交互方式。

豆包的语音，本质上是字节AI入口的一部分。它越好用，用户就越愿意留在豆包里，也越愿意把豆包当助手去使用。

而ElevenLabs之所以能在海外跑出来，一个重要原因是海外市场足够分散。内容公司、游戏公司、教育公司、客服公司、创作者工具、开发者平台，各有各的系统，各有各的需求。

ElevenLabs刚好站在这些分散的需求中间，把自己做成了“声音基础设施”，然后将业务打包卖给他们。

而字节这边呢？短视频配音，有剪映；网文听书，有番茄小说；AI助手语音，有豆包；企业语音调用，有火山引擎；直播电商讲解，有抖音。

换句话说，ElevenLabs在海外需要一项项争取的场景，在字节这里本来就长在自己的身体里。

中国可能很难长出一个完全对标ElevenLabs的独立公司。因为最肥的语音场景，早就被截在生态内部了。

与此同时，ElevenLabs也面临着另外一个问题，那就是当模型的能力不断接近，他们的优势又在哪里？

比如Vapi，它是一个给开发者搭建AI语音Agent的平台，你可以在这个平台上，把语音识别、LLM、语音合成、电话线路、工具调用、打断、延迟控制、测试和部署这些环节全串起来。

Vapi对ElevenLabs的威胁在于，当语音模型能力逐渐接近，客户真正买的可能不再是“谁声音更像人”，而是谁能更快把语音Agent跑起来。

ElevenLabs强在声音质量和TTS模型，但Vapi站在更上游的编排层，直接面对开发者和企业，它可以把TTS变成可替换组件。

今天它可以接ElevenLabs，明天也可以换成OpenAI、Cartesia、PlayAI这些更新，那我就换成其他家的。

但是ElevenLabs呢？它只能用自己的。这也就是说，如果后面因为算力等问题，导致ElevenLabs没有能力去定期更新新的模型了，反而成全了Vapi这样的聚合模式。