从0到110亿美元：ElevenLabs的崛起之路

原始标题: From $0 to $11B: The ElevenLabs Story

发布日期: 2026-02-06 | 来源频道: @a16z

📝 深度摘要

1. 讨论背景与核心主题

本视频为a16z与ElevenLabs联合创始人Matty Karaszewski（Mateusz）的深度对谈。ElevenLabs成立于2021年，仅用数年便从两人团队成长为估值110亿美元的语音AI巨头。访谈核心聚焦于：语音技术为何将成为继触控屏、键盘之后人类与计算机交互的下一代根本性界面；ElevenLabs如何从波兰创始人的一个朴素痛点（外语电影配音丢失情感）出发，构建起涵盖语音、图像、视频的全栈音频生成帝国；以及这种技术范式转移对内容产业、教育、跨文化交流的深层重构。

2. 核心干货概览

3. 深度决策链还原：宏观逻辑与产业重构

底层矛盾与背景

人类对"像人一样说话"的机器的追求已持续数百年——从1700年代的机械尝试，到1900年代数字合成器的诞生，再到Siri带来的对话式交互，每一次技术迭代都未能跨越那个关键的"情感阈值"：机器声音虽可辨识，却无法引发人类情感共鸣。2021年，这一矛盾在语音AI领域变得尤为尖锐：LLM已能生成流畅文本，但语音仍停留在"听见内容"而非"感受情绪"的阶段。与此同时，全球化与内容产业的爆发式增长（有声书、短视频、游戏配音、跨语言影视）产生了对高质量语音生成的巨量需求，而传统配音产业依赖真人录制，成本高、周期长、语言壁垒严重。

技术决定论推导

ElevenLabs的技术路径选择基于一个核心判断：语音是唯一能够真正让人"感受情绪"的AI模态。文本可以传达故事，但无法承载语调、节奏、韵律中的情感维度；图像可以直观呈现，但缺乏声音带来的沉浸感与陪伴感。基于此，团队选择从语音合成切入，逐步扩展到音效、音乐，最终目标是构建一个"通用音频生成模型"——一个能够理解并生成任何类型音频的统一模型。这一技术愿景的底层逻辑是：如果模型能在原始音频数据上进行训练（而非文本token），它将理解声音的情感结构，从而实现从语音到音乐、从说话到歌唱的无缝转换。

瓶颈与应对策略

最大的技术瓶颈在于"语音图灵测试"——如何让AI真正通过人类听觉的情感辨识阈值。为跨越这一障碍，ElevenLabs采取了两大策略：一是"研究-产品闭环"，产品团队直接对接用户反馈，将真实需求（而非学术假设）传递给研究人员，实现快速迭代；二是"垂直整合"，不依赖开源模型或API，而是从模型训练到前端交互全栈自研，确保技术栈的每一层都能为最终体验服务。数据显示，产品上线初期仅有几千人注册，但迅速增长到数十万用户，这一爆发式增长验证了其技术路径的正确性。

细节支撑

ElevenLabs的成长轨迹本身便是案例：创始人Mateusz和Peter在波兰长大，童年时期观看外语电影时，所有角色无论男女都由单一声音配音，所有情感表达消失殆尽——这一痛点成为他们创业的原始动机。2021年，Mateusz在Google工作，Peter在Palantir，周末一起探索项目，ElevenLabs由此诞生。团队从7人起步（Series A阶段），现已扩展至11个城市、超过300名员工，每6个月翻倍。他们选择远程优先模式，因为在语音AI的顶级研究者全球仅有50-100人，必须"雇佣最好的人，无论他们在哪里"。

4. 核心干货运用：创始人与战略家手册

商业模式演进

ElevenLabs的产品矩阵体现了清晰的扩展路径：语音合成（Text-to-Speech）作为基础设施，语音设计（Voice Design）允许用户自定义声音特征，Studio 3.0提供专业级制作能力，图像与视频（ElevenLabs Image and Video）则将语音能力延伸至多模态内容。其商业模式核心不是"卖API调用次数"，而是"赋能创作者与企业"——从独立YouTuber到大型影视制作公司，从教育培训到游戏开发，所有需要语音内容的场景都是潜在客户。

组织与领导力逻辑

ElevenLabs的组织哲学可归结为三点。第一，“无Title筛选”：移除所有职级title，既是低自尊人群的过滤器（如果你执着于VP头衔，这里不适合你），也是消除隐性偏见的机制——任何人都可以向任何人提问或提供建议，无需顾虑层级。第二，“小团队高授权”：每个人都是" founders"，对产品和用户负责，而非对上级负责。第三，“远程优先但文化强绑定”：通过严格的文化筛选（culture screen）确保每一位加入者都认同愿景，远程工作反而放大了这种文化凝聚力。

创始团队特质

投资人在评估ElevenLabs时，最看重的是创始人的"独特愿景"：Matty和Peter是童年挚友，彼此高度信任，形成"阴阳互补"的协作模式——Peter专注研究，是"绝对的技术天才"；Matty擅长运营与产品。这种互补性使得团队既能保持技术前沿的深度，又能快速将技术转化为产品。投资人回忆：“与他们聊天时，你会发现他们对未来世界有独特的愿景，而大多数人还没有看到这一点。”

5. 冲突点与未来预判

反直觉/非共识洞察

主流观点认为语音AI是"小众工具"，主要用于语音助手或无障碍访问。ElevenLabs的观点截然相反：语音将取代文本成为人机交互的主要形式，其背后的逻辑是信息密度——语音不仅传递内容（与文本相同），还传递情感、意图、关系（文本所缺乏）。此外，语音将打破语言与文化的壁垒——当你可以用任何语言说话并传达完整的情感与微妙之处时，跨文化交流将从"学习外语"转向"即时翻译+情感还原"。

未来12-36个月预测

访谈中虽未给出具体的时间线量化预测，但核心判断清晰：语音AI的"情感阈值"突破将在未来数年实现；“通用音频生成模型”（一个模型生成语音、音效、音乐、歌声）将成为行业标配；大多数人与机器的交互将通过音频完成，如同从PC互联网到移动互联网的范式转移。

6. 金句

• “语音是唯一能够真正让你感受情绪的AI模态。文本可以给你一个故事，但它无法给你那种情感体验。”
• “当你用爱来构建产品时，用户是能感受到的。”
• “我们想雇佣世界上最好的人，我们不认为世界上有那么多顶级研究者——在语音领域可能只有50到100人。所以我们必须 wherever they are（无论他们在哪里）。”
• “如果你有优秀的人，管理公司几乎不需要努力，因为你只需要信任他们。”
• “我们有机会成为那个定义语音将成为什么样界面的人——这太独特了，这是我们非常幸运能参与的事情。”

📺 视频原片

视频ID: afkFLnyrLww