AI音频也能赚钱有人说AI编程赚钱也有人说AI Agent赚钱还有人说AI视频生成赚钱但其实AI音频也挺赚钱。ElevenLabs内部讨论股份出售外媒报道ElevenLabs正在内部讨论一项二级市场股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。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走的是TTSText to Speech路线。传统的TTS本质是“拼接合成”拼上后语气、节奏、情绪全没了听着像机器念稿子。马蒂和彼得通过深度学习让模型理解文字含义直接生成带情绪、有节奏、会停顿的语音。两人自己掏十万美元跑第一轮训练效果非常好。从那时起ElevenLabs就有AI的底子了。2024年开始ElevenLabs推出了Conversational AI平台后来改名叫ElevenLabs Agents。其产品逻辑是用户用语音说一句话系统先用语音转文字提取内容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“听”和“说”用的都是它自己的模型。“听”用的是ElevenLabs的Speech to Text模型“说”有两款语音合成模型eleven_flash_v2_5追求快延迟约75毫秒用于实时对话场景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基于此做了Dubbing多语言配音和Music音乐生成。2026年7月Netflix上线的《Wonka‘s The Golden Ticket》节目里的旁白是吉恩·怀尔德Gene Wilder的声音他早在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可授权、收费、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3300万次对话且这些对话不含demo数据全是真实生产环节调用的结果。看到这有人疑惑ElevenLabs发展得越来越好为什么员工还要卖股票呢留在手里升值不香吗情况是根据外媒报道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。那么为什么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”一段视频可能因各种问题反复重跑每次重试都要消耗算力。音频产品形态成熟不需要重复式结果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等有大量AI音频可以应用的场景。AI音频本质上是替换已有的配音方式扩大产能。而视频生成的场景就没这么确定能用它做广告素材、短片、社交媒体内容等。这些场景为ElevenLabs提供了增长。第三门槛比视频低得多。视频要解决世界模型、客观现实、肖像权等各种层面的难题但是语音只要音质够清晰、情绪够自然、延迟够低、稳定性够好这四个指标达标就行。一旦指标过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。AI视频生成的视频再好看离开屏幕就啥也看不了。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地读出来。“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的平台可以把语音识别、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这些更新的。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。