ElevenLabs 的 Mati Staniszewski：语音如何成为 AI 的界面
摘要
Mati Staniszewski 是 ElevenLabs 的联合创始人兼 CEO，这家公司从 2022 年起步，如今已拥有超过 400 名员工、年收入超过 4 亿美元，成为音频 AI 领域的绝对领军者。在 Sequoia AI Ascent 2026 上，Mati 讲述了 ElevenLabs 从波兰童年经历——所有外国电影被同一个单调男声配音的痛苦记忆——到构建音频前沿模型的创业故事。ElevenLabs 的模型矩阵覆盖文本转语音（Text-to-Speech）、语音转文本（Speech-to-Text）、配音本地化、语音引擎和音乐生成等全栈音频能力。Mati 揭示了语音代理人（Voice Agent）领域的两个关键趋势：从客服转向收入生成（如 Deliveroo 和 Deutsche Telekom 的案例），以及被忽视的巨大机遇——公民服务（乌克兰政府已在部署）、教育和医疗。他还分享了 ElevenLabs 的反直觉组织经验：每个非技术团队嵌入工程师、无职级制度、团队控制在 10 人以下。他对未来的核心判断是：语音和视觉将成为连接人类与 AI 智能的关键界面，而情感智能——理解用户的压力、情绪并做出相应回应——将是下一步革命性的突破。在信任层面，Mati 预言了一种范式反转：未来我们将检测"真实认证的 AI"，而一切未经验证的都将被假定为伪造。
正文
童年记忆：一个声音配所有电影
ElevenLabs 的故事始于一个非常个人化的经历。Mati 和他的联合创始人 Piotr（他们从高中起就是最好的朋友）都来自波兰华沙郊区。在波兰，有一个奇特的现象：所有外国电影的配音都使用同一个人声——无论是男性角色还是女性角色，全部由同一个单调的声音朗读。
"你可以想象这是多么糟糕的体验，"Mati 回忆道，"这种配音方式刻意保持单一音调，让你自己去解读内容中的情感。"
这种体验在 Mati 和 Piotr 心中埋下了一个信念：未来每个人都应该能够用任何语言，以相同的情感和语调进行交流。 随着他们深入研究，发现音频问题存在于远比想象中更多的领域——内容播报、书籍缺乏音频版本、新闻文章、语言障碍，以及即将到来的机器人时代。
"当人形机器人围绕在我们身边时，语音将成为与技术交互的主要界面，"Mati 说，"这是我们想要修复和解决的问题。"
从"小众"到前沿：错位竞争的艺术
ElevenLabs 的起家路径在 2022 年显得极为不同寻常。当时市场热潮在加密货币和元宇宙，AI 领域几乎没有人在做音频——音频被视为一个巨大的利基市场。
"这个领域的研究人员非常少，"Mati 解释道，"但这恰恰是我们的优势。音频模型更小，不需要像文本模型或视觉模型那样多的算力。数据需求虽然大，但我们知道如何转录和标注这些数据。"
公司的组建方式也打破了传统。ElevenLabs 采取完全远程办公，通过 GitHub 搜寻最好的音频研究人员，不论他们身在伦敦还是华沙。他们用作品说话，通过分享样本来吸引顶尖人才加入。
另一个关键决策是快速货币化。"我们试图尽快获得收入流，以便为模型研究提供资金，"Mati 说，"我们保持健康的利润率，确保能够独立发展。但随着野心增长，我们也从外部引入了大量资金。"
全栈音频模型矩阵
ElevenLabs 的模型路线图遵循清晰的产品逻辑：
- 文本转语音（TTS）： 理解文本上下文，自动赋予正确的语调和情感——快乐的内容听起来快乐，对话自然展现
- 语音转文本（STT）： 高质量的转录能力
- 配音与本地化： 将 TTS、STT 和翻译模型融合，实现跨语言的内容转换
- 实时流式音频模型 + 语音引擎： 支持语音代理的实时交互体验，包括轮次接管和编排
- 音乐生成： 音频领域最难的模态之一
Mati 骄傲地回忆了几个"哇哦时刻"：第一次完美复制自己的声音（"你总觉得那不是自己的声音，但并排一听——绝对是"）；第一次让 AI 笑出来，登上了 Hacker News 头条；2023-2024 年哈维尔·米莱的多语言演讲病毒式传播；马修·麦康纳用西班牙语和葡萄牙语发布 newsletter，让他的家人第一次听到他用他们的母语说话。
语音代理：从客服到收入引擎
Mati 观察到语音代理正在从单纯的客服替代走向更广阔的商业场景。两个关键转变：
从成本中心到收入生成： 像 Deliveroo 这样的公司使用语音代理联系餐厅获取营业时间，从而优化骑手调度。Deutsche Telekom 使用语音代理处理入站销售——客户通过语音留下信息，而非填写表单。"结果令人惊讶：不仅流程更简单快捷，人们留下的信息量也大得多——他们会主动谈论使用场景、遇到的问题和其他正在评估的用例。"
被忽视的巨大机遇： Mati 特别强调了三个即将被语音代理彻底变革的领域：
- 公民服务： 乌克兰政府已经部署了语音代理，公民可以致电获取前线信息、教育资源和安全建议。"乌克兰可能是这方面最先进的政府之一。"
- 教育： 想象一位像 Andrej Karpathy 或 Richard Feynman 这样的顶级导师，24/7 随时可用，你可以通过耳机向他们提问学习物理。MasterClass 最近推出了互动版本——Gordon Ramsay 可以在你做饭时"吼"你进步，Chris Voss 可以与你实时谈判训练。
- 医疗： 语音交互在医疗预约和信息传达中的巨大潜力。
反直觉的组织原则：400 人，400M 收入，10 人小团队
Mati 分享了 ElevenLabs 的一些非常规组织经验：
- 每个非技术团队嵌入工程师： "我们的 HR 团队、市场团队、法务团队都有一个工程师，帮助他们构建自动化、提升效率。在 vibe coding 时代，非技术人员也可以编码，但代码审查、安全基础设施等要求需要技术资源来保证质量。"
- 无职级制度： 公司没有头衔，完全优化影响力而非资历。"你成长的速度取决于你自己。"
- 团队规模控制： 每个团队控制在 10 人以下，保持扁平化，快速移动。
- 实用创新： 比如在市场团队开发了一套评分系统——根据客户规模分配可给出的法律条款"点数"，完全自动化了合同谈判中的让步决策。
情感智能：语音的下一次飞跃
Mati 将 ElevenLabs 即将带来的下一个突破定位为情感智能（Emotional Intelligence）：
"在语音代理体验中，不仅仅要正确地说出语调和情感，更要能理解对方——如果有人感到压力，它要能察觉到并给予安抚；如果有人兴奋，它要能匹配那种状态；如果有人说话慢，它会确保自己放慢速度。"
更进一步，Mati 展望了音频通用智能（Audio General Intelligence）：一个模型可以在同一个连续流中播报、停顿、然后开始唱歌——用同一个声音无缝切换。
信任的范式反转
Mati 对未来的一个深刻洞察涉及信任的彻底重构：
"未来我们每个人都会有一个语音代理来预订餐厅或处理医疗预约。所有这些都需要极高的信任度——确保这就是你本人。将会有一套编码解码系统：一层用于真实的你，一层用于带水印的已认证 AI 语音，而默认情况下，其他一切都将被认为是伪造的。"
这与今天的范式完全相反——今天我们检测 AI 生成内容，未来我们将检测真实认证的 AI，并假定其他一切都是假的。
模型护城河：技术还是艺术？
在问答环节，Mati 提到了一个有趣的轶事：Jensen Huang 在看过 ElevenLabs 的模型后评论说，语音转文本是"技术"，而文本转语音是"艺术"。
"要真正做好文本转语音和情感表达，"Mati 说，"你需要非常专注在这个领域，真正走到用户面前收集数据和偏好，用这些来微调模型。不同领域的落地方式也截然不同——医疗、金融服务和教育各有各的要求。"
ElevenLabs 已经组建了一支超过千人的标注团队——由前声乐教练、音乐家、艺术家组成——他们不仅标注音频的"内容"（什么），还标注"方式"（如何）——用了什么情感？声音如何描述？音乐如何描述？这种投入在 6-12 个月内不会产生价值，但在 12-24 个月内会成为核心壁垒。
结语
在 AI 智能能力急速提升的时代，Mati 的 ElevenLabs 抓住了最根本的问题：如何与 AI 进行交互？ 正如他所说，"智慧的发展速度很快，但真正的瓶颈在于你如何与那种智慧沟通。" 语音和视觉将成为解锁智能价值的钥匙——而 ElevenLabs 正在构建这个界面层的全栈基础设施。从波兰的单调配音到全球数百万用户的音频平台，这不仅是技术突破的故事，更是关于让每一个声音都被真实地听见的使命。