半年估值暴漲110億美元，AI音頻為什麼比視頻先賺到錢？

半年估值暴漲110億美元，AI音頻為何能比影片更快獲利？AI音頻正在成為科技領域最出乎意料的獲利賽道。根據外媒報導，英國新創ElevenLabs正內部討論二級市場股份出售交易，允許員工賣出持股，該交易預計在9月前完成，公司估值來到220億美元。值得注意的是，就在約五個月前，ElevenLabs才剛完成5億美元的D輪融資，當時估值為110億美元。短短不到半年，估值翻了一倍，這家以AI語音為核心的公司，憑什麼在市場中衝出驚人漲勢？ElevenLabs由馬蒂·斯坦尼舍夫斯基與彼得·達布科夫斯基於2022年創立，最初專注於文字轉語音（TTS）技術。

不同於傳統TTS的拼接合成方式，他們透過深度學習讓模型理解文字含義，直接生成帶有情緒、節奏與停頓的自然語音。兩人自掏腰包十萬美元進行首次訓練，成果顯著，從此奠定AI底子。2024年，ElevenLabs推出Conversational AI平台，後更名為ElevenLabs Agents。這套系統的運作邏輯是：使用者語音輸入後，先由語音轉文字模型提取內容，交給大型語言模型理解與生成回覆，最後再經由文字轉語音模型聲情並茂地輸出。整個過程僅需幾百毫秒。

值得一提的是，ElevenLabs的「聽」與「說」皆採用自家模型：語音轉文字模型負責辨識，而語音合成則有兩款分工——eleven_flash_v2_5主打低延遲（約75毫秒），適合即時對話；eleven_v3則涵蓋70多種語言，專注高品質內容製作。以Agents為核心引擎，ElevenLabs進一步延伸出多語言配音（Dubbing）與音樂生成（Music）服務。2026年7月，Netflix上線旺卡主題真人秀《Wonka's The Golden Ticket》，其中的旁白竟是已故演員吉恩·懷爾德的聲音，這正是ElevenLabs經其遺產管理委員會授權後，用AI重建的成果。

懷爾德的妻子公開表示支持以這種方式將他的聲音帶給新一代觀眾。同一時期，ElevenLabs也發佈了AI朗讀版《奧德賽》，朗讀者為麥克爾·凱恩的聲音克隆，同樣取得授權。這些案例顯示，名人聲音如同肖像權，已成為可授權、可收費、可規模化使用的IP資產。ElevenLabs順勢推出Iconic Voice Marketplace以及AI前台員工Reception AI等服務。商業表現上，ElevenLabs在2025年底的年度經常性收入（ARR）接近3.5億美元，到2026年4月已突破5億美元。

其Agents平台上累計建立超過200萬個Agent，光是2026上半年就處理了超過3300萬次對話，且這些皆為真實生產環境調用，不含測試數據。亮眼數字背後，員工卻選擇賣出股票，原因在於ElevenLabs每天都與OpenAI、Anthropic搶奪同一批工程師與研究員。團隊持股兩三年後紙上富貴可觀，但公司未上市無法變現，跳槽誘因大增。因此，這次二級市場交易本質上是為核心團隊提供變現機會。投資人願意以220億美元回購，正是對公司估值持續上漲深具信心。對比之下，AI影片生成至今仍難獲利。Sora因虧損過大而關閉，火山引擎總裁譚待也公開表示，市場上流傳的Seedance收入數據普遍高估且錯誤。

無論國內外，AI影片仍處於燒錢階段。為什麼AI音頻卻能率先賺到錢？首先，成本結構更輕。語音生成處理的是時間序列，將文字與情緒轉換為連續音頻；影片生成則需同時維持人物、背景、動作、鏡頭、光影及前後幀一致性，輸出資訊量大、推理鏈複雜。單次生成成本極高，且影片容易因變形、不自然而需重跑，每次重試都消耗算力。語音則產品形態成熟，一次生成即可使用，單次成本遠低於影片。其次，場景更確定。配音、有聲書、短影片旁白、在地化翻譯、客服電話、銷售外呼、員工訓練、線上教育、遊戲NPC等，AI音頻的應用場景早已存在，它是直接替換既有配音方式、擴大產能。影片生成的場景則相對模糊，廣告素材、短片或社群媒體內容仍待驗證。

第三，門檻更低。影片需解決世界模型、客觀現實、肖像權等複雜問題；語音只須在音質清晰、情緒自然、延遲夠低、穩定性夠好四個指標達標，即可直接進入生產流程，無需人工後製。這意味著從「能展示」到「能上線」的距離更短，變現更快。第四，也是關鍵的一點，語音是AI Agent的自然入口。若AI Agent要進入真實世界，就不能只會打字。文字互動是網路時代的介面，語音才是Agent時代的介面。許多現實場景的預設互動方式就是語音。ElevenLabs Agents不僅讓機器參與完整對話，更讓機器理解使用者問題。此外，語音還能進入無螢幕場域，如電話線路、耳機、車機與線下門店，而AI影片生成再精彩也離不開螢幕。

回到中國市場，類似ElevenLabs的獨立公司為何難以出現？以豆包為例，其語音功能是超級App與助手的一部分，目的在於將使用者留在字節生態內。短影片配音有剪映，網文聽書有番茄小說，AI助手語音有豆包，企業語音調用有火山引擎，直播電商講解有抖音。換言之，ElevenLabs在海外一個一個爭取的場景，在中國大廠生態中早已內建。最肥的語音應用場景，已被生態系統截留。然而ElevenLabs並非沒有挑戰。當語音模型能力逐漸接近，客戶購買的可能是「誰能更快把語音Agent跑起來」，而非「誰聲音更像人」。

例如Vapi這類開發者平台，能將語音辨識、LLM、語音合成、電話線路、工具調用等環節串聯，並允許替換底層TTS模型。今日可接ElevenLabs，明日也能換成OpenAI或Cartesia。若ElevenLabs因算力或其他因素無法定期更新模型，這種聚合模式反而更具競爭力。總體而言，AI音頻因成本輕、場景明確、門檻低及語音入口優勢，率先實現獲利與估值躍升。但面對生態內巨頭布局，以及平台型對手的靈活威脅，ElevenLabs能否持續維持技術領先，仍是未來觀察重點。