ElevenLabs 联合创始人深度访谈：如何打造一家 AI 原生公司，以及如何把服务客户的 FDE 变成免费的研发实验室

商业播客主持人 David Senra 对 ElevenLabs 联合创始人兼 CEO Mati Staniszewski 做了一次 71 分钟深度访谈。Mati 毫无保留地分享了他们如何在几年内迅速崛起，以及背后非常硬核的商业逻辑、产品策略和团队管理哲学。

其中我觉得最有意思的点是：偷师数据巨头 Palantir 的“驻场工程师”玩法。

• 不迷信西装革履的销售：Mati 以前在硅谷著名的大数据公司 Palantir 工作。他把老东家的打法带了过来——不只靠传统销售去卖软件，而是直接派“前线部署工程师”（Forward Deployed Engineer，FDE）进入客户办公室，和银行、电信等大型企业的团队一起解决问题。
• 把大客户变成免费的研发实验室：更关键的是，这些 FDE 属于产品团队，而不是销售团队。他们帮助大客户解决语音客服、系统集成等实际问题后，会把可复用的行业知识带回公司，写进 ElevenLabs 的通用产品。下一位客户因此不必从零开始，真实企业现场也持续替 ElevenLabs 暴露产品缺口。

Mati 与相识 15 年的朋友 Piotr Dąbkowski 在 2022 年创办 ElevenLabs。Piotr 此前在 Google 从事文本模型研究，更早还做过计算机视觉；Mati 学数学出身，先在 BlackRock 做风险模型，后来到 Palantir，把优化模型送进英国疫苗分发、油气作业等真实环境。一个负责把音频研究推到前沿，一个擅长把模型送进客户的生产环境，这组分工后来变成了 ElevenLabs 的基本结构。

一次完整配音做不成，反而找到了第一款产品

ElevenLabs 的起点来自两位创始人在波兰长大的共同记忆。当地引进外国影视作品时，长期存在由一个旁白员为整部作品所有角色念台词的做法。男人、女人、老人和孩子共用同一种声音，角色原有的情绪、语调和身份感几乎都消失了。2021 年，两人发现这种体验仍然存在，于是想到：能不能让内容跨越语言时，仍然保留原声的特质和情感？

愿景听起来像“自动配音”，工程上却是三项技术串成的长链条：先把语音转写成文字，再翻译成目标语言，最后用另一种语言重新生成语音。Mati 回忆，当时转写已经有 NVIDIA 等机构的研究，DeepL 和 Google 的翻译也有一定可用性，但整条链路仍远未成熟。尤其是语音生成，现有方案听起来机械，有些开源项目虽然效果稍好，却很慢、很不稳定。

与此同时，团队拿着配音设想去找创作者，得到的反馈比技术评估更具体。创作者当然想让内容进入更多语言市场，但他们眼前还有更急的问题：视频录错一句话，能否只修改那一句；拍摄前，能否先把脚本念出来试听；制作旁白时，能否直接使用自然的 AI 声音。

于是，研究瓶颈和用户需求在同一点相遇了。Piotr 带研究团队先攻文本转语音（Text-to-Speech，TTS），产品侧先帮助创作者生成旁白、试听脚本和修正音频，暂时把完整的跨语言配音放到后面。按 Mati 的回忆，2022 年的第一代模型终于跨过了声音“像真人”的质量线。更重要的商业逻辑是，团队没有把宏大愿景缩成一句口号，而是从长链条里找到了一个能独立解决问题、又会推进底层研究的环节。

很多所谓“小切口”只是市场更窄。ElevenLabs 的切口不同：它同时降低了产品复杂度，并把有限研究资源压到了整条配音链路最薄弱的位置。一旦语音生成变好，旁白产品可以立刻成立，未来的配音愿景也会向前移动一步。

研究只做音频，产品却可以有很多种

ElevenLabs 后来让主持人感到困惑的地方，是“专注”和“产品众多”同时存在。公司既有 ElevenReader 这样的阅读应用，也做创作、本地化、企业客服和销售 Agent。Mati 对公司的概括却一直很稳定：研究加产品交付。

主持人用本田宗一郎的“发动机研究实验室”作类比。本田可以制造摩托车、汽车和其他设备，但共同的技术核心是发动机；如果一个新产品不需要发动机，本田就没有必要为了多元化而进入。Mati 认同这套思路。ElevenLabs 的研究侧只专注音频，产品侧则把音频与知识库、大语言模型、品牌素材和企业系统结合起来。

主持人随后把它归纳成三层，Mati 表示认同：最底层是文本转语音、语音转文字、本地化和对话编排等音频研究；中间是一套可以接入知识、品牌和外部系统的平台；上层才是 ElevenReader、内容创作、客服、销售和运营等具体应用。

这三层解释了为什么“产品多”并不自动等于失焦。判断新方向时，公司会问：音频是不是这段体验的关键瓶颈，自己的模型能否带来独特提升？如果决定成败的主要问题在视频、图像或通用推理，团队就缺少亲自从头建设的理由。