摘要

Senra 将 ElevenLabs 比作 Honda 的发动机实验室，Staniszewski 表示认同：这是一家专注于音频研究、在其上叠加产品平台的公司。 他们判断每个新产品的标准都是：“我们是否相信，把音频模型应用到该产品体验上，能形成独特优势？” 这也是他们在2年前暂停开发数字人的原因——瓶颈在视频而非音频；他们也明确不会涉足“智能、知识工作或编程”，称那是“一场非常、非常激烈的战斗”。
公司成立于2022年——早于 ChatGPT，当时“时代话题是加密货币和元宇宙”——起因是要解决波兰电影由单一声音为所有角色配音的问题，但创作者表示配音并非当下最紧迫的需求，公司因此转向。 2022年，配音的3个环节——转录、翻译和重新生成——都“相当机械”，创作者反而希望先解决后期制作问题、用 AI 进行旁白。一款能把内容从一种语言迁移到另一种语言的模型在“就在一周前”上线。公司的指路明灯是《银河系漫游指南》里的 Babel 鱼，但目标不是造出这条鱼，而是“让每个人都能在自己的设备里拥有 Babel 鱼”。
增长由智能体驱动，扩张打法则是 Palantir 式的前置部署工程师：他们坐在产品团队里，而不是市场团队里。 Deutsche Telekom 从2年前的营销播客，扩展到呼叫中心语音智能体，再到加入 T-Mobile 通话、实时翻译的网络内智能体。金融科技是采用最快的垂直行业（Revolut、Klarna、Nubank），其次是医疗和电信；零售“今年才刚刚起步”。按收入看，最大的业务线来自智能体和创作者。
Staniszewski 承认，长期看，相对于大型实验室的纯研究优势“可能没有那么显著”，公司的对冲手段是生态：一个拥有20,000种经过认证声音的市场，声音所有者可以被动获得收入。 David Senra 在 ElevenReader 研究报告中使用的“George”声音，每次播放都会为一名真实的配音演员带来收入。他对未来3年的目标是：世界上有“3个平台集中承载所有互动”；ElevenLabs 希望成为这类沟通的领先平台。
ElevenLabs 已经拒绝了3、4个具体的收购要约，最近一次大约在去年6月，目前没有任何进行中的交易。 “AI 正在改变世界。我们可以打造这场变革的前沿。我们要全押上去。” Senra 反复追问：ElevenLabs 31岁时“可能是你一生中最好的创意”——为什么要把4个10年花在自己的第5好创意上？Staniszewski 回应：“你是在试图说服我相信一件我已经相信的事。”
未来12个月的判断是：AI 对话将把智商与情商连接起来——理解你的感受、停顿、重新回到对话中，把人类几十年来学习“技术的语言”反转为“让技术适应我们的方式”。 Senra 的类比是电报与电话——“拿起来，直接做你本来就在做的事。” 出人意料的是，让智能体变得不完美（加入“呃”“啊”和停顿），反而让表现“直线上升”。
组织设计本身就是公司理念：团队规模控制在10人以下，管理层级硬上限为5层，未来“如果 AI 能帮助我们按理想方式运营组织”，层级只会减少不会增加；工程师则嵌入法务、人才和运营团队，文件广泛透明。网站上的 AI SDR 是下拉表单的替代方案，能让潜在客户“留下远多于他们在下拉表单里愿意留下的信息”。

精读

1. 成立于 ChatGPT 之前，源于波兰配音的不满

Staniszewski 与联合创始人 Piotr——“我认识15年的挚友……我认识的人里最聪明的一个”——在2022年、ChatGPT 诞生前创立了 ElevenLabs。当时“时代话题是加密货币和元宇宙。所以那是一个完美的时点，因为我们可以专注于 AI 领域，投入大量建设。”
触发点来自波兰：每部电影都由一个声音为所有角色配音——“所有情绪和语调都消失了”；而到了2021年，情况与他童年时完全一样。公司的初始愿景是让人们在自己的语言中听到原本的声音和原本的情绪；就在本次录音前一周，一款能够“极好地”把内容从一种语言迁移到另一种语言的模型上线。
两人的履历与“研究加部署”的理念高度契合：Mati 曾在 Palantir 为英国 NHS 做新冠疫苗分配优化模型，也参与过油气能源项目；此前他在 BlackRock 做风险模型，拥有数学学位。Piotr 则曾负责 Google Knowledge Graph 的大量文本模型。
《银河系漫游指南》中的 Babel 鱼确实出现在“其中一页幻灯片”上，但目标从来不是亲自造出这条鱼：“我们要让每个人都能在自己的设备、自己的存在和当下的工作中拥有 Babel 鱼。”

2. 配音是最初想法，市场迫使公司先转向声音生成

配音可以拆成转录、翻译和重新生成3个环节，而2022年的研究还不够成熟：“一切都相当机械”，没有任何东西跨过恐怖谷。NVIDIA 有不错的模型和开源组件，DeepL 的翻译“非常出色”，最好的开源代码库“相当不错，但非常不稳定”。
早期创作者促成了转向：“太好了，我以后当然想要配音，但我现在有别的问题”——比如在后期修正一句录错的台词、在拍摄前听一遍脚本，或者让 AI 为视频做旁白。于是公司决定先解决声音生成研究，推出旁白产品，“暂时先忽略语言转换”。
Senra 还补充了一个旁证：MrBeast 多年前告诉他，自己的日语视频并不是简单配音，而是找了在当地已经成名的配音演员。

3. 像 Honda 的发动机实验室一样运营：研究只做音频

Senra 在 Honda 那期节目中提出的框架是：Soichiro Honda 把公司称为“一家发动机研究实验室”，将研发拆分成由销售额的一定比例提供资金的独立公司，并拒绝任何没有发动机的产品。Staniszewski 回应称：“这与我今天思考如何运营 ElevenLabs 的方式并没有太大不同”——打造专注的研究实验室和研究工程团队，配合“许多小团队，通常每个少于10人”，让他们自主运用最佳判断。
为什么只做音频？在数据、算力和架构3个维度中，“许多仍未解决的问题都在架构层面”；而音频是“科学与艺术的良好结合”，因为声音具有主观性。当被问及公司是否拥有世界上其他人都没有的技术时，他回答：“我们相信有。”
公司内部会对每个新产品都套用 Honda 式筛选标准：“我们是否相信，把音频模型应用到该产品体验上，能形成独特优势？如果产品体验的主要瓶颈不在音频和语音沟通侧，那就不是我们的强项。”

4. 公司明确拒绝什么，以及对抗大模型公司的生态对冲

最能体现纪律性的例子，是他们在2年前暂停了数字人和唇形同步项目，因为“那里要解决的问题是视频，而不是音频”——再好的音频也救不了糟糕的视频。如今开源视频模型已经足够好，公司正在重新推进，但“我们仍然有意识地决定，不从零开始创建这个模型”。
同样明确的是：“我们明确不打算涉足任何与智能、知识工作或编程有关的事情。这不是我们的强项……那是一场非常、非常激烈的战斗。”
音频聚焦是否是抵御大型实验室的防线？答案是“当然是”。但他也承认，长期看纯研究优势“可能没有那么显著”，因此产品和生态才重要：公司拥有一个包含20,000种经过认证声音的市场，创作者可以在自己的声音被使用时被动获得收入。Senra 的 ElevenReader 研究报告使用的“George”声音，每次播放都会为一名真实的配音演员付费。
公司对未来3年的目标是“3个平台集中承载所有互动”；ElevenLabs 希望成为这些互动及相关沟通的领先平台。

5. Deutsche Telekom 是“落地再扩张”的模板

最初的切入点是2年前的营销，当时智能体“还不太可靠，也不太快”：公司在 Magenta 应用中推出由 AI 配音的每日播客，并配合广告。随后扩展到用于客服和账单处理的呼叫中心语音智能体；最近又推出网络内智能体，T-Mobile 用户可以让它加入通话，用来安排预约或实时翻译对话。
扩张机制是：“我们不只是测试概念，还会测试影响、测试价值”，确认后再扩大规模。之后要做的是 CRM 集成、接入 SIP trunk 或 Twilio 电话连接，以及最难的部分——通过模拟和通话测试验证智能体行为。48名全职工程师与德国团队并肩合作，而“工作不会结束——你仍然需要持续评估、监控和迭代”。
按行业采用速度排序，金融科技最快（“Revolut、Klarna、Nubank……正在以另一种速度前进”），其次是医疗和电信，零售“今年才刚刚起步”。从收入看，“最大的业务线来自智能体端和创作者端”。

6. Palantir 的烙印：前线部署工程师嵌在产品团队里

最具冲击力的对比来自他的经历：在 BlackRock，他入职头1、2个月的工作是让团队审核发出的对外邮件；在 Palantir，入职几周后，“你就要飞到北海边的 Aberdeen，和他们并肩工作”——“这对我完全是一个冲击……但我觉得很棒。”
他还看重在其他公司见过的一种模式：规模很小的前线部署团队，最多大约5人；在这种团队里，“最佳创意胜出”的做法赋予成员真正的行动权。
他对组织结构最鲜明的判断是：ElevenLabs 的前线部署工程师属于产品团队，而非市场团队，因为他们还有第二项、但“经常被忽视”的工作——把一线知识带回产品；否则“基本上就只是服务业务”。Senra 总结并得到确认：客户群本身就是另一种研发，因为“很少有公司的问题是这个公司独有的”。
Palantir 还留下了一个更特别的影响：内部的“艺术家聚落”理念——“从未公开说过”。随着 AI 进入创意工作，他越来越看重这一点。对于“品味”这个流行词，他说：“抛开流行词不谈，我认为其中有很多真相……未来越来越多人能够创造一切”，因此决定胜负的是设计语言和打磨程度。Senra 又借 Edwin Land 的话补充：“好品味和独角兽一样稀有。”

7. 面向 AI 时代的组织设计：扁平、小型、工程师密集

Palantir 没有职位头衔，组织也相对扁平。ElevenLabs 的大多数人都有接近10名直属下属，同时管理层级硬上限为5层——“希望随着时间推移，层级会减少而不是增加，如果 AI 能帮助我们按理想方式运营组织”。小型独立团队也意味着，AI 的采用来自自下而上，而不是管理层强制推动。
AI 改变管理的方式，是让领导者直接从“离问题最近的人”那里获得信号，而不是依赖管理者汇报；领导方式也会从“被动反应转向主动出击”。其前提是一项经过刻意选择的风险： “几乎所有人都能访问公司的所有文件。”
每个团队——人才、运营和法务——都有工程人才，用于自动化工作并帮助团队使用 AI。Senra 举例说，Bending Spoons 的 Luca Ferrari 有一个50人的人力资源部门，“而且他们全都是工程师”。Staniszewski 预计，这种模式会在各家公司普遍出现。
AI SDR 是这一理念的具体成果：访客可以与语音智能体交谈，而不是填写下拉表单；他们更享受这一过程，也会“留下远多于他们在下拉表单里愿意留下的信息”。该产品由中央团队开发，再由各地团队持续优化。

8. 声音的护城河在情绪，不完美才是功能

在无障碍领域，已有超过10,000人的声音得到恢复，其中包括 ALS 或喉癌患者；公司还与800家机构合作。案例包括一名在婚礼前失去声音、最终用重建后的声音说出誓言的女性；一名如今带着 AI 声音巡演英国场馆的音乐人；以及一名用自己的 AI 声音在国会发言的女议员。最具代表性的案例是 Tim Green：这名 NFL 球员、前畅销书作者患有 ALS，用 AI 声音推出播客，并在今年赢得 Emmy；“数百或数千人因为他联系我们。”
工程上的反直觉经验是：他们一开始试图打造完美无瑕的智能体，但“听起来不像人”。加入“呃”“啊”和停顿后，表现“直线上升”：“让它不完美，现在几乎成了关键要素。”
音频研究之所以仍然困难，是因为每种声音都不同且具有主观性——即便是文本转语音的基准测试也“极其困难，因为不同模型通常会有不同的声音。这已经让它们无法比较”。
面对 Senra 关于 AI 国家化的追问，他坦言：“我没有直接答案。”但公司确实花大量时间与欧洲团队和政府讨论主权问题；他的坚定判断是，AI“需要放大人的潜能，而不是取代人”。

9. 拒绝3、4个收购要约：“我们要全押上去”

具体来说，公司收到过“3、4个”收购要约，最近一次大约在去年6月，目前没有任何进行中的交易。他的完整回答是：“AI 正在改变世界。我们可以打造这场变革的前沿。我们要全押上去。” 任何一笔收购“当然都会让生活变得非常容易。但我不认为钱本身应该是一个有趣的命题。”
Senra 的长篇追问构成了本期节目的情绪核心：那些卖掉公司的创始人告诉他，“如果可以，我愿意把那几十亿美元还回去，只求拿回我的公司”；而在31岁时，“ElevenLabs 很可能是你一生中最好的创意……你接下来要做自己的第2、第3、第4、第5好创意吗？”他还用 Steve Jobs 做测试：没有任何金额能让 Jobs 离开 Apple——“如果你热爱自己做的事，他们就不可能花钱买走你。”
Staniszewski 温和地避开了这场说教：“你是在试图说服我相信一件我已经相信的事。” Senra 还单独提出，Scott Wu 的 Cognition 也应该打造一家独立公司。Staniszewski 表示，联合创始人 Piotr 也“完全投入”；“我们都意识到，现在这个时刻有多么独特。”

10. 下一代界面是语音：未来12个月的预测

瓶颈在于：“智能整体上仍在演进。获取这种智能的下一个瓶颈，将是人类如何与它沟通和协作。”未来12个月，AI 将把“智商层面与情商”连接起来——知道你的感受，会停顿、思考，再重新进入对话。“几十年来，我们一直在学习技术的语言、键盘和屏幕……现在我们可以让技术适应我们的方式”；理想情况下，屏幕和手机“可以一直放在你的后口袋里”。
Senra 借历史做类比：Alexander Graham Bell 曾区分电报与电话——电报要求人们学习一套语言；而电话则是“拿起来，直接做你本来就在做的事”。如果语音能够推动这次转变，“使用 AI 的人数将大幅爆发”。
关于参加行业会议，Staniszewski 每季度参加2到3场，但这是吃过亏之后的选择：他第一次参会毫无准备，“糟糕透顶”。现在他会提前安排与合作伙伴和客户的一对一会面，而不是只参加会议环节。Senra 则引用一位朋友的反向箴言：“远离马戏团。”

深入了解衡量前沿智能的竞赛为什么即便是友善 AI，人类仍会在政治上无能为力——Daniel Kokotajlo 与 Thomas Larsen