来源：字母AI（钛媒体授权发布） | 今日头条
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，当时估值110亿美元。半年不到，估值翻了一倍。
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两位创始人走的是TTS（Text to Speech）路线。传统TTS本质是"拼接合成"，语气、节奏、情绪全没了。他们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。
2024年推出Conversational AI平台（后改名ElevenLabs Agents），逻辑是：用户语音 → 语音转文字 → LLM理解 → 文字转语音 → 声情并茂回复，全程仅需几百毫秒。
ElevenLabs的优势在于整个"听"和"说"用的都是自己的模型：
- eleven_flash_v2_5：延迟约75毫秒，专攻实时对话
- eleven_v3：覆盖70+语言，表现力更强，适合内容制作
基于此延伸出Dubbing（多语言配音）、Music（音乐生成）。2026年7月，Netflix用ElevenLabs AI重建了已故演员吉恩·怀尔德的声音做节目旁白，经遗产委员会授权——名人声音成了可授权的IP。
2025年底ARR将近3.5亿美元，2026年4月已超5亿美元。Eleven Agents平台上已创建超过200万个Agent，2026上半年处理超3300万次真实生产对话。
为什么声音比视频先赚钱？
第一，成本结构更轻。 语音生成处理的是时间序列，视频生成要维持人物、背景、动作、镜头、光影和前后帧一致性。视频单次输出成本极高，且生成结果不一定"可用"。音频产品形态成熟，单次成本远低于视频。
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……AI音频不是创造新需求，是替换已有配音方式、扩大产能。
第三，门槛比视频低得多。 语音只要四个指标达标：音质清晰、情绪自然、延迟低、稳定性好。一旦过线就能直接进生产流程，从"能演示"到"能上线"的距离短，变现快。
第四，语音是Agent的自然入口。 文字交互是互联网时代的界面，语音才是Agent时代的界面。语音还能进入屏幕之外——电话线路、耳机、车机和线下门店。
中国为什么没有ElevenLabs？
以豆包为例，豆包的语音是字节AI入口的一部分。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——最肥的语音场景，早就被截在字节生态内部了。
ElevenLabs的隐忧
Vapi等聚合平台站在更上游的编排层，可以把TTS变成可替换组件。今天接ElevenLabs，明天可以换成OpenAI、Cartesia、PlayAI。ElevenLabs只能用自己，如果后续算力跟不上更新，反而成全了Vapi这样的聚合模式。