ElevenLabs（语音与创意 AI 平台）

它是什么

ElevenLabs 把自己的业务分成三块：面向客户体验的 ElevenAgents、面向内容创作的 ElevenCreative，以及一个 AI 语音生成器。^[1] 产品页上列出的功能包括文本转语音（text to speech）、音乐、语音转文本（speech to text）、声音克隆（voice cloning）、配音（dubbing）和旁白（narration）。^[1] 这些名字背后是相当不同的活儿：文本转语音把写好的文字变成人声；语音转文本反过来，把录音变成文字；声音克隆用某个人的语音样本做出一个听起来像他的合成嗓音；配音替换掉已有录音里的说话声，最常见的用途是让人听到另一种语言的版本；旁白则是把朗读的声音套到文章、书稿这类长文本上。

产品线

ElevenAgents 面向客户体验，公司也把销售、招聘和市场运营列为这项技术的用武之地。^[4] 这几处的共同点是语音智能体（voice agent）：一种接住对方说出来的话、判断该做什么、再用语音回答的程序。对打电话的人来说，好处是不必在按键菜单里一层层选，直接说就行。ElevenCreative 对应内容一侧，用的是同一套语音技术，但目的不是对话，而是为视频、游戏、广告之类的素材生产声音。

语音模型

Eleven v4 于 2026 年 9 月 28 日发布，按公司的说法是它情感表现力最强的文本转语音模型，同时发布的还有主打低延迟的 Eleven v4 Turbo。^[2] 所谓「情感表现力」，说的是模型能把重音、语速、停顿这些表演成分带到输出里，而不是把所有文本都压成一种平直的朗读腔。低延迟指的是从送出文字到拿回音频之间的等待时间，这件事在预录旁白里无所谓，在实时对话里却很要紧。

ElevenLabs 表示，Eleven v4 在 Artificial Analysis 的排名中位列第一，并在与竞争模型的盲测两两对比中被约 75% 的听众选中。^[2] 盲测的做法是让听众听两段样本，不告诉他们哪段出自哪个系统，然后选更好的那段；这能削掉一部分品牌名带来的影响，但测的仍然是偏好，而不是某种客观的正确性。以上是公司自己对结果的表述。

图像与视频

Image & Video 于 2025 年 11 月 17 日进入测试版，在平台内被组织成一条统一的创作流程。^[3] 它把 Veo、Sora、Kling、Wan、Seedance 等视频模型，以及 Nanobanana、Flux Kontext、GPT Image、Seedream 等图像模型汇总到一起。^[3] 也就是说，同一个任务不是只给一个模型，而是把来自多家开发者的模型摆在同一处，用户描述想要的东西、逐个试过去，在图片和片段之间反复修改，不用在几个彼此独立的服务之间来回切换。

客户与规模

公司网站上列出的客户包括 Twilio、The Walt Disney Studios、KPN、TELUS Digital、Cisco、Epic Games、NVIDIA、Revolut、Meta、Zoom 和 Ramp。^[1] 这份名单从通信平台、电信运营商一直排到游戏工作室、银行和电影公司，与它同时把技术当作底层组件、又当作成品创意工具来卖的产品结构是吻合的。

ElevenLabs 在 2025 年底的年度经常性收入为 3.5 亿美元，并在 2026 年前四个月里越过 5 亿美元。^[4] 年度经常性收入（annual recurring revenue）是把订阅收入折算成一整年的口径，软件公司常用它来看经常性的那部分基本盘，而不是一次性的销售额。公司把这轮增长归因于企业在客户支持、销售、招聘和市场运营中部署语音智能体。^[4] 其 D 轮融资的第三次交割引入了 BlackRock、Wellington、NVIDIA 旗下的 NVentures、Santander，以及 Jamie Foxx 和 Eva Longoria。^[4] D 轮属于较晚期的融资轮次，「第三次交割」意味着这一轮在先前交割之后又重新开放，让更多投资方进来——这里既有资产管理公司，也有企业风险投资部门、一家银行，还有两位来自娱乐业的个人投资者。