在TechCrunch Disrupt2025大会上，AI语音巨头ElevenLabs联合创始人兼CEO马蒂·斯塔尼斯泽夫斯基（Mati Staniszewski）做出一项惊人判断:AI语音模型将在未来两三年内走向“商品化”——尽管短期内仍是核心竞争力，但长期来看，模型之间的性能差异将逐渐缩小，尤其在主流语言和通用音色上。
图源备注：图片由AI生成，图片授权服务商Midjourney
短期靠模型，长期靠产品
面对“既然模型终将同质化，为何还要重投入研发”的质疑，Staniszewski坦言:“今天，模型仍是最大的技术壁垒。如果AI语音听起来不自然、不流畅，用户体验就无从谈起。”他指出，ElevenLabs过去在模型架构上的突破（如情感表达、多语言韵律建模）是其当前领先的关键。
但公司早已布局后模型时代。Staniszewski强调，ElevenLabs的长期战略并非仅做“模型供应商”，而是打造“AI+产品”的完整体验——正如苹果通过软硬件协同定义智能手机，ElevenLabs希望以自研模型为引擎，驱动高价值应用场景落地，从而构建真正护城河。
多模态融合成下一战场
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。“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。”他以Google最新发布的Veo3视频生成模型为例，说明跨模态协同正成为技术新前沿。
为此，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。例如，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。
商品化≠无价值，而是价值重心转移
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:“未来，企业会根据具体场景选择不同模型——客服用一个，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语音，更能快速集成到真实业务流中。
结语:做AI时代的“声音基础设施”
在语音AI从“炫技”走向“实用”的拐点，ElevenLabs的选择清晰而务实:短期死磕模型，长期深耕产品。当行业共识逐渐指向“模型即服务”（Model-as-a-Commodity），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。
