Mati Staniszewski
前沿洞察
模型层优势窗口期仅有6至12个月，基础能力的快速商品化正迫使AI语音竞争从“参数领先”转向“系统锁定”。真正的护城河不再是单纯的声音质量，而是自治交付机制、创作者生态分发，以及对电话、编排、安全合规等企业全栈工作流的深度嵌入。当下语音正跃升为核心交互界面，胜负手在于将代理从客服扩展至高价值全场景，并经受住长周期留存的严苛拷问。
观点集合
打造 AI 增长最快的公司之一｜Mati Staniszewski，ElevenLabs
公司专注音频研究，只在能形成独特优势时拓展，并避开智能、知识工作和编程。智能体和创作者是最大收入线，前置部署工程师推动 Deutsche Telekom 扩展至客服和实时翻译。纯研究优势长期可能减弱，20,000种认证声音的市场与未来12个月连接智商和情商的语音对话值得关注。
查看摘要（7段）
- 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”。
语音 AI 的世界：与 ElevenLabs 的 Mati Staniszewski 对谈
ElevenLabs正加速转向销售驱动的企业业务，客户结构变化成为判断其下一阶段增长质量的重要信号。模型架构与专有韵律数据可能构成护城河，但复杂工作流能否持续部署，仍取决于级联式agent与对话编排能力的改善。
查看摘要（8段）
ElevenLabs 在2025年底的 ARR 已达3.5亿美元，随后单季度新增1亿美元净新增 ARR，按 John Collison 的粗略计算，公司 ARR 已接近4.5亿美元。 目前超过50%的业务来自销售驱动型企业客户，较低的初始定价推动客户从单一工作负载切入，再扩展至多个部门。
技术护城河来自模型架构，以及对语音如何表达的异常丰富数据，而不只是对说了什么的记录。 ElevenLabs 建立了专门的标注团队，因为公开音频很少能准确标注说话人、口音、情绪或韵律；其内部语音转录工作后来也变成了面向客户的产品。最终，模型甚至能让「Britishness is an emergent property」（“英国腔”是涌现属性），而不是依靠硬编码开关。
语音 AI 短期的瓶颈在部署和编排，而非原始音质。 Staniszewski 认为，达到生产质量的异步旁白约在3年前出现，实时语音约在2年前成熟，而具备连接能力和上下文感知能力的应用直到最近才出现。客服场景已经可以通过限定范围的“语音图灵测试”，但开放式游戏和通用助手仍然困难得多；ElevenLabs 希望更广泛的对话式 agent 问题能在“未来一年左右”得到改善。
ElevenLabs 正押注级联式 agent——语音转文字、LLM、再到文字转语音——因为企业看重可靠性、可见性和控制力，胜过最低延迟。 直连式语音到语音模型速度更快，但 Staniszewski 称其“明显更笨”；这类模型也无法看见中间流程步骤，可靠性可能更低。Staniszewski 预计未来将采取混合架构：低复杂度交互使用直连模型，更复杂的操作、身份验证和数据库检索则使用级联架构。
产品机会远不止合成声音，而是覆盖企业与客户之间的完整交互层。 ElevenLabs 希望提供模型、知识连接、电话系统、集成、监控和安全机制，覆盖客服、销售和营销，同时把深度垂直化的应用留给行业软件厂商。解决语音问题也会顺带提供文字层，但复杂的多轮推理和金融分析明确不在公司的优化目标之内。
语音模型的训练经济学结构性优于前沿 LLM，但分发和推理仍然重要。 领先语音模型的参数量约为数十亿至数百亿，而领先 LLM 达到数千亿；客户主要按 token 或分钟付费，并签订年度承诺、获得规模折扣。ElevenLabs 经常以接近成本的价格提供更新、更昂贵的模型，让客户暴露真实使用场景和失败模式，使产品采用同时成为分发渠道和研究反馈。
下一代产品的前沿是个性化理解与可控表达。 ElevenLabs 预计将在即将发布的版本中加入针对个人的转录能力，“希望在下个月推出”，并补充说话人分离、降噪和关键词词典；V3 已支持放慢语速、插入戏剧性停顿等指令。其 expressive mode 还能识别压力状态，并在语言和语气上都生成安抚式回应。
ElevenLabs 的运营模式与模型本身同样重要：公司有470名员工，产品和研究项目通常不到10人，每位创始人直接管理超过15人。 非技术职能配备技术负责人来自动化工作流，而自助服务则让开发者优先接触最新技术，即使产品尚未达到企业级成熟度。Staniszewski 的文化筛选标准是“agency”；Collison 的更尖锐表述是，高 agency 的人会从 AI 中获益，而组织中的低 agency 人群会被淘汰。
No Priors 第143期｜与 ElevenLabs 联合创始人 Mati Staniszewski 对谈
ElevenLabs凭借每月500万创意用户和收入占比接近一半的企业代理业务，以350名员工实现了3亿美元ARR。其研究优势可能只持续6至12个月，因此长期价值取决于分发、语音、集成和工作流，尤其是代理从客服扩展至结账、教育、媒体和政府服务。
查看摘要（7段）
ElevenLabs 以一款拥有500万 MAU的创作者产品叠加一项营收接近一半的企业级 agents 业务，在350名员工的规模下实现了3亿美元 ARR。 自助订阅和创作者业务仍约占收入的50%；数千家企业客户覆盖“从财富500强到增长最快的一批 AI 初创公司”。经营层面的信号是业务足够宽，但没有放弃最初的研究优势。
创始切口来自波兰糟糕的配音体验：所有角色都由同一个平板旁白配音，但公司的判断已扩展为，声音才是计算最自然的交互界面。 ElevenLabs 的目标，是让“原声、原本的情绪、原本的语调”跨越语言传递，这一点已在 Lex 对 Narendra Modi 的采访中得到展示。Mati 更大的判断是，键盘和屏幕交互“感觉已经坏掉了”，因此机会远大于传统配音市场的支出规模。
Mati 的运营模式是研究先行、产品并行，再围绕具体问题组建小型跨职能实验室。 一个约5人的声音实验室先解决了接近真人的叙述问题，随后 ElevenLabs 扩展到有声书和配音；之后的 agent 实验室则把语音转文字、LLMs、文字转语音、集成、测试和监控组合起来。产品团队能看到研究路线图，只有在相关突破看起来还要超过3个月时，才通常会自行开发替代方案。
客户支持是最先大规模落地的 agent 类别，但声音交互正从被动处理工单，走向发现、结账、教育、媒体和政府服务。 Meesho 的 agent 已从退款和物流追踪推进到产品引导，并可能进一步覆盖结账；MasterClass 让学习者与 Chris Voss 练习谈判；乌克兰正在推进 Mati 所称的“第一个 agentic government”。这使商业价值从节省人力成本，扩展到创造收入和全新的体验。
声音质量不是一个单一标量基准，因为即使底层模型质量不同，用户偏好也会随声音身份、语言、受众和表达方式改变。 一名客户要求声音“尽可能机器人化”；而一项覆盖日本和韩国的部署，则希望面向年轻来电者使用兴奋的声音，面向老年用户使用平静、缓慢的声音。因此，ElevenLabs 会提供声音指导，并预计最终针对每个人、每种场景动态选择声音。
ElevenLabs 假设基础模型终将商品化，并将研究领先视为只有6到12个月的优势。 Mati 说，“研究只是起跑优势”；长期价值必须通过分发、声音、集成、工作流，以及连接模型与业务逻辑的产品层不断累积。开源模型的叙述质量已经很强，但可控性和实时编排仍有差异化；一个可能只有50-100名顶尖音频研究员的集中人才池，仍能带来架构级跃迁。Mati 估计其中约10人可能在 ElevenLabs。
近期路线图瞄准可控的多模态创作，以及更低延迟、更具情绪感知能力的 agents，同时保留级联系统服务可靠的企业工作负载。 据称，Scribe v2 在 FLEURS 的前30种语言上实现了低于150毫秒的延迟和93.5%的准确率；融合式 speech-to-speech 可能更富表现力，但也可能引入幻觉，且可见性更低。Sarah 估计，接近真人的对话交互至少还需要1年，但可能在1年内到来；实时配音或翻译则可能在2年内实现。个性化教育——“随时拥有一名专属老师”——是最大的尚未兑现的应用。
ElevenLabs CEO：为什么语音会成为下一个 AI 界面
ElevenLabs 通过约20个自治团队和三个月规则，将研究与产品交付分开，避免长期研究阻碍简单的客户需求。其语音市场已有近10,000种声音，并向贡献者返还1000万美元；向编排、电话系统、安全与合规扩张则表明，可靠部署而非单纯模型质量决定变现与战略边界。
查看摘要（6段）
- ElevenLabs 在保持研究目标激进的同时，也不让研究成为产品瓶颈。 公司曾因希望研究能让声音自动推断节奏，连续9个月拒绝加入简单的速度控制；随后定下3个月规则：如果研究周期超过这一时限，产品团队可以自行选择任何方式填补缺口。「我们不想变得和上一代编辑套件一样」（“We don’t want to become the same as the previous generation of the editing suite”）是拒绝滑块的理由，而不是绝对约束。
- 约20个由5至10人组成的自治产品团队，在研究底座支持下推动交付速度。 这种组织结构以允许重复开发、接受团队进度不一为代价，换取异常高的自主权，以及同时推进创意工具和对话式智能体的能力。每个新团队都有6个月证明自己；基础设施团队已从合作时的3人扩大到如今的11人。
- 分布式模式背后是全球人才论，而不只是远程办公政策。 ElevenLabs 在全球范围内以非传统方式招聘，包括从一名当时还在呼叫中心接电话谋生的开源文本转语音开发者招募人才；员工超过30人后，公司才增设办公中心。公司取消了职级，资历不决定层级；当透明度开始变成干扰时，信息访问权限会被有意收紧。
- 语音市场把模型的广度转化为一个具备可量化创作者经济的生态。 平台已有近10,000种声音，并已向贡献者返还1000万美元；一款低沉的西班牙语声音在西班牙需求寥寥，却因被开放用于其他语言，并凭借低沉特质在英语市场走红，最终成为前三大声音之一。Staniszewski 更倾向于帮助行业参与者「共同颠覆，而不是各自颠覆」（“disrupt together rather than just disrupt”）。
- 进军企业市场迫使 ElevenLabs 放弃了工程师可以直接做销售这一设想。 如今面向客户的团队约为80%销售、20%工程；产品也已从文本转语音扩展到语音转文本和编排，而企业部署还需要电话系统、评测、监控、安全与合规。公司最终希望达到「四个9或五个9」的可用性，但 Staniszewski 承认，AI 的可靠性很难保障。
- 到了350名员工，激励机制已经成为产品与竞争战略的一部分。 Staniszewski 将配额和佣金称为「战略的滞后指标」：即使一笔交易在战略上错误，公司仍可能照发佣金，同时终止交易；最近一家基础模型竞争对手就曾要求授权 ElevenLabs 模型用于演示。由此形成的政策明确禁止向基础模型公司销售。
ElevenLabs CEO/联合创始人 Mati Staniszewski：欧洲增长最快 AI 初创公司的未公开故事
ElevenLabs收入已突破2亿美元、员工约250人，显示6至12个月的研究领先如何转化为产品、分发和企业工作流优势。语音代理将成为下一阶段增长验证，企业收入继续扩张，而自有算力、员工流动性和国际团队支撑独立性，但模型商品化与第2年留存仍待验证。
查看摘要（7段）
ElevenLabs称收入已突破2亿美元，员工约250人，而2023年结束时接近3500万美元。 Mati介绍，公司用约20个月达到1亿美元，最初称达到2亿美元又用了“约10个月”，随后修正为“更久一点，可能是15个月”。企业客户目前贡献了大部分收入，最大合同约200万美元；Mati提醒，增长“也可能很快掉头向下”。
护城河不是永久性的模型领先，而是在6至12个月研究优势期内构建的产品和分发能力。 ElevenLabs集中稀缺的语音人才资源——Mati估计全球真正处于最高水平的研究人员只有50至100人——并将模型快速转化为生产工作流。对于“OpenAI为什么不会做这个”的回答是：OpenAI当然会做一些事情，但ElevenLabs依靠的是非凡团队、专注、执行速度和产品层。
如果“我们把事情做对”，语音代理可能成为ElevenLabs规模达数十亿美元的业务。 公司正从语音组件扩展到知识库、函数、测试、监控以及Salesforce、ServiceNow和SIP trunking等企业集成；电子邮件和WhatsApp可能进一步把平台延伸至全渠道客服。Mati预计，常规排期和退款会率先自动化，而高风险、强领域属性的工作仍由人完成。
公司的融资故事从接触30至50家pre-seed投资人，转向美国投资人凭速度和运营支持展开竞争。 ElevenLabs在2022年以900万美元投后估值融资200万美元，产品发布引爆后于2023年融资1900万美元；之后一轮融资定价为33亿美元。Mati说，美国机构“在玩另一种游戏”：它们会询问如何加大下注，投资前先验证能否提供帮助；而在他的反向调查中，美国投资人通常比部分欧洲投资人展现出更强的证据，证明自己能在创始人失败时提供支持。
自有训练基础设施是经济和战略上的押注，不是炫耀性项目。 ElevenLabs计算认为，如果持续训练模型并通过租赁基础设施搬运大型数据集，自建数据中心约两年即可实现盈亏平衡；如今自有设施让公司能够更快试验并获得更大控制权。Mati承认，硬件创新可能打破这套计算，但他认为新模型初期应先优化“魔法感”，再优化成本。
Mati关于欧洲公司的核心判断是：从欧洲出发，但不要只为欧洲而建。 他称欧洲是“困难模式”，拒绝接受欧洲人天生不够努力的说法，并认为欧洲的进取型人才没有被充分使用。ElevenLabs培养本地领导者，再用有经验的顾问补足能力，目前运营约20个团队。矛盾在于，如今“小而强大”意味着员工从250人增长至400人，同时在巴西、日本、印度和墨西哥设立小型团队。
流动性被用来支持员工承担风险，并支撑一项更长期的押注。 ElevenLabs曾收到收购邀约，但从最初几次流程中吸取教训后变成“坚决拒绝”；几乎每轮融资都包含二级流动性或针对已归属员工股份的要约收购。在主持人提出的私募市场选择中——3000亿美元的OpenAI、1700亿美元的Anthropic和1200亿美元的xAI——Mati会买OpenAI，但拒绝点名不该买的公司；他同时表示Anthropic在编码领域尤其有吸引力，Google“肯定还在竞争中”，但自己对Google“并不特别看好”。