波兰小创企如何成为数十亿美元AI语音巨头

ElevenLabs的计算机语音如此逼真，甚至能骗过你的母亲。对于这家成立四年的公司来说，这既是福音——其30岁以下30强校友创始人现在都是亿万富翁，也是诅咒。

在波兰，配音电影非常糟糕。一个孤独的旁白员用单调乏味的斯拉夫语调讲述所有对话。没有演员阵容，说话者之间没有变化。年轻观众厌恶这种形式。"问任何一个波兰人，他们都会告诉你这很糟糕，"AI语音公司ElevenLabs联合创始人马特乌什·斯坦尼舍夫斯基说道。"我想这是共产主义时期遗留的廉价内容制作方式。"

在Palantir工作期间，斯坦尼舍夫斯基与高中朋友、谷歌工程师彼得·达布科夫斯基合作实验人工智能。这对搭档意识到，其中一个项目——一个特别有前途的AI公共演讲教练，可以解决波兰独有的恐怖现象：莱昂纳多·迪卡普里奥或斯嘉丽·约翰逊被像马切伊·古多夫斯基这样的旁白"明星"淹没。

两人凑齐积蓄，到2022年5月辞职全职投入ElevenLabs。从一开始，他们的新AI文本转语音生成器就比苹果Siri和亚马逊Alexa的机器人语音好得多。ElevenLabs的AI语音能够表达快乐、兴奋，甚至笑声。

2023年1月，ElevenLabs发布了首个模型。它可以接受任何文本，使用AI以任何声音大声朗读——包括你自己的声音克隆（或者令人担忧的是，别人的声音）。立即出现了需求。作者可以用该软件即时生成有声书（专业版现在起价每月99美元，质量更高，时间更长）。YouTube创作者使用ElevenLabs将视频翻译成其他语言（其模型现在可以说29种语言）。这家总部位于华沙和伦敦的创企与语言学习和冥想应用达成协议；然后哈珀柯林斯和德国贝塔斯曼等媒体公司也加入进来。"显然这是最好的模型，每个人都在采用它，"Andreessen Horowitz的投资者詹妮弗·李说道，该公司在2023年5月共同领投了1900万美元的融资。一年后，联合创始人被评为福布斯欧洲30岁以下30强。

不过，其他人发现了更令人不安的用途：模仿特朗普总统等公众人物的AI声音用于粗俗地解说视频游戏对战，女演员艾玛·沃森朗读《我的奋斗》，播客主持人乔·罗根推销骗局等内容迅速传播。更糟糕的是，欺诈者开始使用AI克隆工具冒充亲人的声音，在复杂的深度伪造诈骗中窃取数百万美元。

这些都没有阻止风险投资家注入资金。ElevenLabs总共筹集了超过3亿美元，10月份估值飙升至66亿美元，成为欧洲最有价值的创企之一。担任CEO的30岁斯坦尼舍夫斯基（公司没有传统头衔）和30岁的研究主管达布科夫斯基现在都是亿万富翁，据福布斯估计，各自身价刚好超过10亿美元。

ElevenLabs过去12个月1.93亿美元收入的大约一半来自思科、Twilio和瑞士招聘机构Adecco等企业，这些公司使用其技术处理客户服务电话或面试求职者。Epic Games使用它为《堡垒之夜》中的角色配音，包括与达斯·维德的对话（得到了詹姆斯·厄尔·琼斯遗产的同意）。另一半收入来自早期采用者YouTube创作者、播客主持人和作者。"当你与他们交谈时，他们的优秀程度令人震惊，"高德纳分析师汤姆·科肖说道。与大多数AI公司不同，ElevenLabs也是盈利的，过去12个月净赚约1.16亿美元（60%的利润率）。

它现在正与谷歌、微软、亚马逊和OpenAI等巨头竞争，成为AI的事实语音标准。这不是一个新领域：科技公司大约十年前就开始推出听取、转录和生成语音的产品。虽然对微软来说这在某种程度上是副业，但萨蒂亚·纳德拉愿意在2022年3月花费200亿美元收购在纳斯达克上市的语音转录服务公司Nuance。OpenAI在2024年10月推出了自己的语音工具，可以将人类对话输入ChatGPT。

但ElevenLabs的300人团队并不是在追赶。其模型如此优秀，能够收取比这些美国竞争对手高达三倍的费用。其拥有10000种异常逼真人声的语音库是迄今为止最大的，现在包括A级明星迈克尔·凯恩和马修·麦康纳。它也更可靠。数据训练创企Labelbox用阅读测验测试了六个顶级语音模型，发现ElevenLabs的错误率比最接近的竞争对手OpenAI少一半。"我们是极少数在语音、语音转文本和音乐方面领先于OpenAI的公司之一。这很难做到，"斯坦尼舍夫斯基说道。ElevenLabs的配方很简单。一小群机器学习研究人员，专注于一个狭窄问题的执着，以及紧张的预算（联合创始人垫付了第一次10万美元的训练运行）推动了模型突破。"拥有大量计算资源可能是诅咒，因为你不会思考如何聪明地解决问题，"达布科夫斯基说道。

但一对有声书旁白员的诉讼暗示了另一个要素。卡丽莎·瓦克和马克·博耶特指控ElevenLabs使用数千本版权保护的有声书来训练其模型。他们声称如此多的书籍被抓取，以至于他们声音的克隆最终成为ElevenLabs的默认选项。该案件中ElevenLabs否认有不当行为，于11月庭外和解。（瓦克和博耶特没有回应评论请求；ElevenLabs拒绝进一步评论。）

成熟度正在显现。该公司最终制定了"禁止"声音清单（主要是政治家和名人），此前ElevenLabs制作的乔·拜登声音克隆被用于在2024年民主党初选前的机器人电话活动中阻止投票。ElevenLabs现在有七名全职人工审核员（加上AI，当然）搜查其片段是否被滥用。新克隆的声音需要通过同意检查，公司提供免费的深度伪造检测器。

斯坦尼舍夫斯基和达布科夫斯基对语音之外有宏大计划。资金紧张的创作者和注重预算的媒体公司都想要免版税的背景音乐，所以他们在8月份推出了AI音乐生成器。没时间拍视频？ElevenLabs将在明年推出AI虚拟形象来制作Sora风格的视频。他们最大胆的赌注是，他们可以将专业知识转化为为客户提供管理所有AI工具的单一中心。"我们正在构建一个平台，允许你创建语音智能体并顺利部署它们，"斯坦尼舍夫斯基说道。

当然，这让ElevenLabs与一群希望做同样事情的其他创企发生冲突。它从最早期就盈利，这很有帮助，但其创企竞争对手资金充足，科技巨头拥有几乎无限的资源。尽管如此，它必须创新。语音模型很快就会商品化。当其他模型赶上时，已经对ElevenLabs定价犹豫的善变客户可能会转向其他公司。

随着从语音扩展到计算密集度更高的音乐和视频，ElevenLabs需要扩大自己的GPU农场以保持竞争力。它已经在俄勒冈州的数据中心项目上花费了5000万美元。"如果我们要在AI领域建立世代性公司，你需要建立规模，我们正在建设，"斯坦尼舍夫斯基说道。

回到波兰，老化的旁白员群体暂时仍在营业。达布科夫斯基没有忘记ElevenLabs的最初愿景，吹嘘他的下一个模型将一次性翻译并配音整部电影。"我们从不放弃我们的使命，"他说。

Q&A

Q1：ElevenLabs是什么？它的核心技术有什么特点？

A：ElevenLabs是一家AI语音公司，由两名波兰创始人成立。其核心技术是AI文本转语音生成器，能够产生极其逼真的人工语音，可以表达快乐、兴奋甚至笑声，远超苹果Siri和亚马逊Alexa的机器人语音效果。

Q2：ElevenLabs如何在短时间内成为独角兽公司？

A：公司成立仅四年就达到66亿美元估值，成为欧洲最有价值的创企之一。关键在于其语音技术明显优于竞争对手，能够收取比美国竞争对手高三倍的费用，并且从早期就实现盈利，过去12个月净赚1.16亿美元。

Q3：ElevenLabs面临哪些争议和挑战？

A：公司面临声音克隆技术被滥用的问题，包括制作假冒公众人物声音进行诈骗。此外还有版权争议，两名有声书旁白员起诉称公司使用版权保护的有声书训练模型。公司现已设立禁止声音清单并加强内容审核。