在TechCrunch Disrupt 2025大会上，AI语音巨头ElevenLabs联合创始人兼首席执行官Mati Staniszewski做出了一个惊人的预测：AI语音模型将在未来两到三年内变得“商品化”。尽管它们在短期内仍然是核心竞争优势，但从长远来看，模型之间的性能差异将逐渐缩小，特别是对于主流语言和通用语音风格。
短期：模型，长期：产品
面对“如果模型最终会变得同质化，为什么要在研发上投入这么多？Staniszewski 承认：“今天，模型仍然是最大的技术障碍。如果 AI 语音听起来不自然或不流畅，用户体验就不可能了。他指出，ElevenLabs 在模型架构（如情感表达和多语言韵律建模）方面的突破是其目前处于领先地位的关键。
但该公司已经为后模型时代奠定了基础。Staniszewski强调，ElevenLabs的长期战略不仅仅是做一个“模型供应商”，而是构建一个完整的“AI+产品”体验。正如苹果通过软硬件融合来定义智能手机一样，ElevenLabs希望以自研模型为引擎，驱动高价值应用场景，从而构建一条真正的护城河。
多模态融合成为下一个战场
展望未来 1-2 年，Staniszewski 预测单模态语音模型将加速实现多模态集成。“你将同时生成音频和视频，或者在对话过程中动态链接大型语言模型和语音引擎。”他以谷歌最新发布的Veo3视频生成模型为例，解释说跨模态协作正在成为新的技术前沿。
为此，ElevenLabs 正在积极寻求与第三方模型和开源社区的合作伙伴关系，探索如何将其顶级音频能力嵌入到更广泛的 AI 生态系统中。例如，将 ElevenLabs 的语音合成与视觉生成和 LLM 推理相结合，以创建身临其境的虚拟人、智能客户服务或互动娱乐体验。
商品化≠没有价值，而是价值焦点的转移
Staniszewski 认为，模型商品化并不意味着行业衰落，而是价值焦点从底层技术转向应用创新。他解释说：“未来，企业会根据具体场景选择不同的模式——一种用于客户服务，另一种用于游戏配音，另一种用于教育讲解。可靠性、可扩展性和场景适应性将比’最佳音质’更重要。
因此，ElevenLabs 正在同步加强其 API 平台、开发者工具链和行业解决方案，以确保客户不仅能够获得高质量的语音，还能快速将其集成到真实的业务流程中。
结语：做AI时代的“语音基础设施”
随着语音AI从“炫耀”走向“实用”，ElevenLabs的选择清晰而务实：短期聚焦模型，长期深耕产品。随着行业共识逐渐指向“模型即商品”，真正的赢家可能不是参数最多的公司，而是那些最了解用户、能够将AI无缝嵌入到人机交互场景中的公司。
