AI音频半年估值暴涨110亿美元 为何先于视频盈利

AI编程、AI Agent、AI视频生成，这几个赛道确实火。但你有没有注意过另一个方向——AI音频。

外媒最近披露了一则消息：ElevenLabs正在内部讨论一项员工股份出售交易，允许员工变钱。交易预计在9月前完成，估值大约是220亿美元。

要知道，仅仅5个月前，这家公司刚完成5亿美元的D轮融资，当时估值是110亿美元。

半年时间估值翻了一倍。凭什么？一家做AI声音的公司，凭什么在AI热潮里硬生生涨出100亿美元的市值？

01

从AI配音工具，到声音基础设施

2022年，ElevenLabs的两位创始人Mati Staniszewski和Piotr Dabkowski，走的是TTS路线。传统的TTS就是"拼接合成"——把真人录音切成小块，再按文字拼起来。结果呢？语气、节奏、情绪全没了，只剩一个机器在念稿子。

这两位用自己的钱掏了10万美元，用深度学习训练模型，让机器学会理解文字含义，直接生成带情绪、有节奏、会停顿的语音。效果出奇地好。

从产品形态上看，还是TTS，但从底层逻辑看，ElevenLabs已经拥有了AI的基因。

到了2024年，ElevenLabs推出Conversational AI平台（后来改名ElevenLabs Agents）。产品逻辑很清晰：用户用语音说一句话，系统用语音转文字提取内容，交给大模型理解并生成回复，再通过文字转语音，声情并茂地念出来。整个过程只需要几百毫秒。

它的核心竞争力在于——整个过程中"听"和"说"都用的是它自己的模型。"听"用的ElevenLabs的Speech to Text模型；"说"这边，有两款合成模型分工协作：eleven_flash_v2_5追求快，延迟压到75毫秒左右，专门用于实时对话；eleven_v3追求质量，覆盖70多种语言，适合内容制作那种对质量要求高、对延迟不敏感的场景。

当Agents成为主引擎后，ElevenLabs顺势延伸出Dubbing（多语言配音）和Music（音乐生成）两条业务线。

事情远不止于此。2026年7月，Netflix上线了一档旺卡主题真人秀节目《Wonka's The Golden Ticket》，节目旁白用的是吉恩·怀尔德（Gene Wilder）的声音——可这位演员早在2016年就去世了。这是ElevenLabs用AI重建的，并经过Wilder遗产管理委员会授权。Wilder的妻子公开表示，家人支持用这种方式把声音带给新一代观众。

差不多同时，ElevenLabs还发布了一个AI朗读版《奥德赛》，朗读者是迈克尔·凯恩（Michael Caine）的声音克隆，同样有授权。

名人的声音就是IP，就像肖像权一样，可以授权、收费、规模化使用。于是，ElevenLabs搞出了Iconic Voice Marketplace——把名人声音变成可授权的IP资产，还有AI前台员工Reception AI。

2025年底，ElevenLabs的ARR已经接近3.5亿美元。到2026年4月，这个数字突破了5亿美元。

截止目前，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。而且这些对话不含任何demo数据，全是真实生产环境调用的结果。

到这里，你可能会疑惑：既然发展势头这么好，为什么员工还要卖股票？留着等上市不香吗？

原因其实很简单：ElevenLabs现在每天都要和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，但公司没上市，就没法变&现。跳槽的诱惑越来越大。这次交易，本质上是公司在为核心团队开闸放水。事实上，ElevenLabs在Series D的同时就做过一次1亿美元的tender offer，不到一年这是第二次。投资人愿意用220亿美元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。

02

AI语音市场：为什么声音比视频先赚钱

Sora因为亏损太多关停了。火山引擎总裁谭待也说过，市面上所有流传的Seedance收入数据全是错的，而且普遍偏高。无论国内国外，AI视频生成这块，真的不赚钱。

为什么AI音频赚钱？

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。

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"——一段视频可能因为人物变形、镜头不稳、动作不自然反复重跑，每一次重试都要消耗算力。

音频不一样。它单次成本远低于视频，而且产品形态成熟，不需要重复试错。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、足够低延迟，就能直接进入企业生产流程。但视频生成的结果，往往还得经过剪辑才能发布。

所以，AI音频像基础设施，AI视频更像一个有意思的"小玩意"。ElevenLabs增长的底层逻辑就在这里：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，这才是AI语音比AI视频更早变成一门算得过账的生意的原因。

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……随便想想都能列出大量AI音频的应用场景。它不是创造一个新需求，而是替换已有的配音方式，扩大产能。

视频生成的场景就没这么确定——它能干什么？广告素材？短片？社交媒体内容？这些场景为ElevenLabs提供了增长，但视频就不好说。

第三，门槛比视频低得多。

视频要解决的问题太多：世界模型、客观现实、肖像权，各类层面的难题都有。语音只要四个指标达标就行：音质够清晰、情绪够自然、延迟够低、稳定性够好。一旦过了线，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。现实生活中很多场景，本来就不是在键盘上发生的——许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对话，还让机器理解了用户的问题。这也是为什么ElevenLabs强调它的Agent有"员工属性"。

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，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。

03

语音才是AI时代的入口

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。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使用。

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"声音基础设施"，然后将业务打包卖给他们。

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。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还面临另一个问题：当模型能力不断接近，它的优势又在哪里？

比如Vapi，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、测试和部署全部串起来。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"谁的声音更像人"，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——哪家更新就换哪家。ElevenLabs却只能用自己家的。这意味着，如果未来因为算力等原因，ElevenLabs没有能力定期更新新模型了，反而会成全Vapi这样的聚合模式。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI音频半年估值暴涨110亿美元 为何先于视频盈利要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题