在TechCrunch Disrupt 2025大会上，AI语音领域的领军企业ElevenLabs联合创始人兼CEO马蒂·斯塔尼斯泽夫斯基（Mati Staniszewski）发表了极具前瞻性的观点：AI语音模型即将在未来两到三年内进入“商品化”时代。这一判断揭示了行业发展的新趋势——尽管短期内模型性能仍是核心竞争力，但长期来看，不同模型之间的性能差距将逐渐缩小，特别是在主流语言和通用音色方面。这一趋势预示着AI语音技术正从技术壁垒向广泛应用过渡。
图源备注：图片由AI生成，图片授权服务商Midjourney
面对“既然模型终将同质化，为何还要持续投入研发”的疑问，Staniszewski给出了明确答案：“当前，模型依然是技术竞争的核心。如果AI语音缺乏自然度和流畅性，用户体验将无从谈起。”他强调，ElevenLabs之所以保持领先地位，正是得益于在模型架构上的持续创新，例如情感表达和多语言韵律建模等突破性技术。然而，公司早已将目光投向了后模型时代，Staniszewski指出，ElevenLabs的长期战略并非仅仅作为“模型供应商”，而是致力于打造“AI+产品”的完整生态体系。
正如苹果通过软硬件协同定义了智能手机时代，ElevenLabs也希望以自研模型为核心引擎，推动高价值应用场景的落地，从而构建起真正的竞争壁垒。这种战略布局不仅关注技术本身，更注重技术如何与实际应用相结合，为用户创造真正有价值的体验。
展望未来1-2年，Staniszewski预测，单一模态的语音模型将加速向多模态融合演进。他设想了一个未来场景：“你将同时生成音频与视频，或在对话中实时联动大语言模型与语音引擎。”以Google最新发布的Veo3视频生成模型为例，跨模态协同正成为技术发展的新前沿。为了在这一领域占据先机，ElevenLabs正积极寻求与第三方模型和开源社区合作，探索将其顶尖音频能力嵌入更广泛的AI生态系统中。
例如，通过将ElevenLabs的语音合成与视觉生成、LLM推理深度耦合，打造沉浸式虚拟人、智能客服或互动娱乐体验。这种跨领域的合作不仅能够提升ElevenLabs的技术实力，还能为其用户提供更加丰富和多样化的应用场景。
Staniszewski并不认为模型商品化意味着行业衰退，而是价值重心从底层技术转向应用创新。他解释道：“未来，企业会根据具体场景选择不同的模型——客服系统用一个，游戏配音用另一个，教育讲解再用一个。可靠性、可扩展性和场景适配性，比单纯的‘音质最好’更为重要。”因此，ElevenLabs正同步强化其API平台、开发者工具链与行业解决方案，确保客户不仅能获得高质量的语音服务，还能快速将其集成到真实业务流中。
结语：在AI时代成为“声音基础设施”
随着语音AI从“炫技”走向“实用”，ElevenLabs的选择清晰而务实：短期聚焦模型优化，长期深耕产品创新。当行业共识逐渐指向“模型即服务”（Model-as-a-Commodity）时，真正的赢家或许不是参数最多的公司，而是最懂用户、最能将AI无缝嵌入人类交互场景的那一个。正如Staniszewski所言：“最好的用例，诞生于产品与AI的魔法结合。”而ElevenLabs，正试图成为这场魔法的首席炼金术士。