图片来源：Stripe
Z highlights
-
我们很多语音生成工作，正是通过加入这些不完美的“人性化特征”，让合成声音显得更加真实和有情感，这也成为ElevenLabs的声音技术与众不同之处。当然，并不是所有场景都适合这种风格。但总体而言，“人性”中的不完美，恰恰是人愿意互动的关键。
-
未来的语音Agent会具备上下文感知能力，能够理解你为什么打电话来，并帮助你顺畅地完成后续操作——无论是预约、账单问题、退款申请，整个流程都能变得迅速而顺滑。最初你可能只是想“赶紧搞定”，但它的价值会延伸得更远，比如：它可以帮助你理解一个产品的核心功能，教你怎么用，并让你真正用出价值来。
-
在我们构建ElevenLabs的技术时，我们不是为了技术而做技术，而是希望通过技术把故事传达出去，让我们触达的不同群体都能理解并参与进来。让人们觉得他们也在这段故事之中。
ElevenLabs是一家2022年由前谷歌机器学习工程师Piotr Dabkowski与前Palantir部署策略师Mati Staniszewski共同创立的软件公司，专注运用深度学习开发自然逼真的语音合成软件。ElevenLabs发展迅猛，2025年1月完成1.8亿美元C轮融资，估值达33亿美元。其推出的语音转文本模型Scribe v1支持99种语言，准确性领先。Stripe总裁John Collison与哥哥Patrick Collison于2010年创立支付领域知名的Stripe公司，致力于解决支付难题，在其领导下Stripe估值颇高，成为支付行业重要力量 。本次访谈首发于2025年5月30日Stripe频道。
探秘AI语音软件：Mati团队打造ElevenLabs的动机
John：各位好，非常高兴今天能请到ElevenLabs的联合创始人Mati Staniszewski。我想可以毫不夸张地说，Eleven是过去五年里从英国走出来最成功的AI创业公司之一。你们现在的年经常性收入（ARR）已经突破了一亿美元。
Eleven最近一轮融资的估值达到了30亿美元，投资方包括Sequoia（红杉资本）、Andreessen Horowitz以及我们刚刚提到的Nat Friedman等。正如大家所看到的，Eleven专注于语音AI的研发。为了让大家更直观地了解产品到底有多强大——你们应该很熟悉我的声音了，听我说了不少话。你们团队甚至还克隆了我的声音。或许我们可以现场做个演示，来听一下AI版的“John”是什么效果。
AI John（英语）：虽然大家都说AI是提升生产力的工具，但真人John最近实在是有点懒啊。
John：哈哈，这确实很有意思。而且，我们今天要讨论的一个重点就是AI在多语言环境下的表现。我自己不会讲印地语，但我们也可以做一个印地语的演示。
AI John（印地语）：虽然大家都说AI是提升生产力的工具，但真人John最近实在是有点懒啊。
John：效果真的很惊艳，有太多内容可以聊了。谢谢你今天来参加节目。
Mati：谢谢你的邀请，很高兴来聊聊。
John：我们有太多内容可以聊了，但不如从最开始说起。你在2022年创办了ElevenLabs，也就是在ChatGPT推出之前、在这波生成式AI浪潮真正席卷全球之前。为什么选择做语音？为什么是ElevenLabs？
Mati：我很高兴来到这里。也很幸运能直接展示我们的成果，让大家亲耳听到我们的技术效果。我们一直有个坚定的信念：语音是人类与技术交互最自然、最高效的接口，也是人与设备之间最直观的沟通方式。真正的灵感来源其实挺特别的。我和我的联合创始人已经认识了15年，我们一起读书、工作、生活，最后一起创办了ElevenLabs。尽管中途也经历了一些挑战，但我们仍然是最好的朋友，所以可以说“时间站在我们这一边”。
促使我们真正行动起来的契机，其实源于我们成长的环境。我们两人都来自波兰。你可能不知道，在波兰如果你看一部外语电影，配音通常只有一个旁白演员，不管台词是男是女，都是由一个声音来念。可以想象，这种“配音”就像在听一本有声书——非常破坏观影体验。正是这个痛点，触发了我们创办ElevenLabs的念头。
John：想象一下，一部电影里，不管是男主、女主，还是反派，全都是同一个配音演员的声音，这确实非常破坏观影体验。
Mati：对，而且那种配音是故意做得很平淡，观众被“要求”自己去想象角色的情绪和语气。最关键的是，这种情况直到今天仍然在发生。这其实就是我们在2022年决定开始创业的触发点。那时我们已经看到了技术的突破：无论是Transformer架构，还是Diffusion Models的崛起，我们坚信这类进步不仅适用于图像生成，也同样适用于音频合成。
于是我们创办了ElevenLabs。虽然最初的愿景是聚焦在配音和影视本地化上，但后来我们意识到，声音的潜力远不止于此——它可以提升从叙述类内容到实时交互体验的方方面面。
ElevenLabs的起点时刻与人机交互的下一个十年
John：你们是在什么时候第一次觉得，“这个demo做得真的不错”？我猜你们也经历了很多迭代，毕竟从零到现在年收入破亿美金（ARR $100M），这肯定不是一蹴而就的。但你们第一次觉得，“哇，这真的有潜力”的demo，是在什么时候？
Mati：要说“真的不错”的那一刻，其实我们在最初的六个月里，做了不少demo，但都不算理想。真正让我们觉得“突破来了”的，是我们第一次让AI能够发出类似笑声的时候。我们当时发布了一组语音样本，AI首次表现出一些类似人类的情绪反应，比如笑。很多人听完后告诉我们：“这是我们第一次听到AI在笑。”那一刻我心里想，这或许是个正确的方向。
还有一个关键时刻，是我们beta测试的时候。我们发布了一个原型产品，那时候还很简单，就是一个像推特输入框一样的小工具，只能一句一句地生成语音。结果我们发现，有不少图书作者参与测试，他们会直接把整本书复制进去，一次又一次粘贴生成语音，然后下载。那时市面上还没什么地方可以上传AI音频内容，他们就自己上传、分发、收反馈。最让人惊讶的是，很多听众居然反馈说“这作品非常不错”，这些创作者也因此带来了更多行业里的人来合作。
所以，那时候我们才真正意识到：这个产品开始“跑起来”了，它不再只是一个demo，而是可以开始规模化应用的东西了。之后类似的关键节点还发生了好几次。
John：我想在这里稍微打断一下，因为很多人在谈到产品与市场的契合度（product-market fit）时会说，一旦你看见它、感受到它，就会明白。那种状态就是，产品几乎是“从货架上被抢光”的节奏，用户开始用它做一些你根本没预料到的事情。
听起来你们也经历了类似的时刻。虽然当时产品还远远称不上是一个成熟的有声书工具，但用户已经在把整本书拆成一小段一小段，硬是用你们的demo来实现完整的朗读体验。那会不会就是你们第一次意识到，这东西真的有戏了？
Mati：完全正确。而且必须要特别感谢我的联合创始人Piotr，他是我们早期很多核心技术背后的“大脑”——真正让模型听起来更像人类、更具叙述性的关键创新，很多都来自他。
那是我们第一次在真实场景中看到用户和内容之间产生这种互动，我们才意识到：“这个模型真的达到了实用层级，它可以胜任这样的任务。”
John：这个转折点，大概是公司历史中的哪个时间点？
Mati：是在2022年11月。
John：但这真的很快啊，能在这么短时间内就拿出一个让人震撼的demo。所以说，你们在一年之内就达到了这种程度？
Mati：没错，一年之内。但当然，后面还要做很多“扫尾工作”才能真正跑起来。比如你需要有真正能交互的产品，最开始的时候，系统经常崩溃，整个基础设施根本承受不了压力。在最初一两年里，我们也经历了你刚才提到的那种“断崖时刻”——比如GPU资源根本不够，服务频繁中断，用户体验完全跟不上。但我们一步一步修补、扩容，现在整个系统已经相对稳定了。
John：这个问题在AI领域尤其常见。因为算力消耗太大，经常会出现服务器“宕机”的情况。就比如我这周尝试用一下Claude 4，结果平台太热门，服务器直接崩了。这个“服务熔断”现象，在AI行业已经成了常态。你刚才提到了“语音是人机交互的主界面”这个观点，我也特别感兴趣。我们其实早在几十年前就有这样一个设想——未来人与计算机的交互，核心不再是UI，而是语音。
来举个例子：大家举手示意一下，现场有没有人看过《2001太空漫游》？（很多人举手）
好，看来大家审美不错。那是部经典影片。电影里有个AI系统HAL，最关键的一点是，人类和HAL之间的交互完全是通过语音来完成的。这部电影上映于1968年，也就是说已经过去57年了。结果我们现在——还在那儿像原始人一样划手机屏幕。所以我的问题是，“语音真正成为我们与计算设备主要交互方式的时刻，什么时候才会到来？”我说的不是“Alexa，开灯”这种简单命令，而是更复杂、更智能的语音交互场景。那一天什么时候到来？它还缺什么关键因素？
Mati：这背后需要实现两个关键突破。第一个是模型层面的突破。其实我们已经能在部分真实场景中看到它的应用，模型在语音交互中表现得越来越像人类，体验比以前任何技术都自然流畅。但真正意义上的“语音版图灵测试”——也就是你完全分辨不出这是AI，而不是人类时的交互体验——很有希望在今年内实现。
John：是的，我觉得语音这部分其实已经足够好了，问题在于它“整套体验”里，其他环节还不到位……
Mati：完全同意。而且另一个关键就是“推广路径”要打通。这点我们其实已经在一些公司里看到初步趋势，但真正的转折，会是在未来一到两年内，从现在的“早期用户阶段”迈向“早期主流市场”。举个例子，我们和Perplexity有合作。他们做了一个assistant，你既可以用打字的方式提问，也可以直接说话，它会给出语音回应。整个交互体验非常顺畅，甚至可以说是愉悦和惊艳的。
所以我们已经看到了这个趋势正在形成。但就像你说的，这种语音交互的“幻想”已经在很多电影里出现了很久了。比如《钢铁侠》里的Jarvis助手，人和技术之间完全通过语音交互，而不是敲键盘或划屏幕。我们从小看到大的这些幻想，真的有可能在今年逐步变成现实。
不完美才更真实：AI语音的人性化拐点
John：在语音交流中，那些“非文字”层面的细节，有没有什么是特别值得注意、但又不容易被外行人意识到的？
我印象中最早注意到这个是在OpenAI的ChatGPT语音模式里，也可能你们更早就实现了——就是用户可以打断AI的语音回复。虽然现在的打断体验还有点生硬，但相比完全不能打断，已经是巨大的进步了。这个体验让我意识到，在语音交互里，知道什么时候一个句子“结束了”、能否自然打断，竟然是一个非常重要的要素。
除了这些显性的部分，比如把一段文字流顺畅地转成语音，还有没有其他我们非语音技术背景的人不会想到、但实际上非常关键或出乎意料的地方？
Mati：有意思的是，一开始我们一直在追求让技术尽可能完美。我们刚起步时，也是想把语音做得尽量流畅、准确、没有错误——尤其是当我们为客户服务、医疗、金融等行业的公司提供语音解决方案时，这种追求听起来非常合理。但后来我们意识到，如果要让人真正“愿意互动”，语音“太完美”反而不是最佳答案。更“人味儿”的语音，反而会带来更好的用户参与感。
举个实际例子：我们跟一家物流行业的公司合作，他们提供一个语音Agent服务，用户可以通过电话预约配送，然后Agent会回电确认预约。后来他们在合成语音里特意加入了一些“嗯”、“啊”这种犹豫词，甚至还有些轻微的呼吸音——这些并不是错误，而是模拟人的语气。结果令人惊讶：用户通话流程的完成率提高了两个百分点级别的幅度，整体体验也被显著优化。
现在回头来看，我们很多语音生成工作，正是通过加入这些不完美的“人性化特征”，让合成声音显得更加真实和有情感，这也成为ElevenLabs的声音技术与众不同之处。当然，并不是所有场景都适合这种风格。但总体而言，“人性”中的不完美，恰恰是人愿意互动的关键。
另外还有些场景下，声音本身的“特殊性”就是体验的核心。例如我最近和Epic Games合作，他们希望复刻Darth Vader的声音——这就非常典型。Darth Vader的声音独特且极具辨识度，所以我们在重建时，既要保留他的语音特征，也要确保在玩家与他互动时，依然能传达那种“黑暗原力”的压迫感和氛围。
John：他可是个严肃的角色。
Mati：对，他很严肃，你不会想对Darth Vader开玩笑。你希望在所有场景中都能保持这种角色设定，而且是在数百万玩家同时互动的情况下，仍然保持低延迟的语音体验。
那么，怎么做到这一点？这就需要语音本身能传达出角色的气质，合成出来的声音要贴合角色，同时回答要简洁、有力度，确保角色感不被稀释。所以说，语音的“个性”和“风格”，在拉近人机之间的情感距离时，其实是非常关键的一环。
John：目前大家用语音最多的三个场景，好像还是集中在：智能家居唤醒、手机语音输入（但也就只是填个文本框而已）、还有电话语音菜单（phone trees）。那你觉得，下一个还没有大规模普及的语音交互形态，会是什么？
Mati：互动式媒体绝对是接下来会快速增长的一个方向。
John：你是指你刚才讲到的那类电子游戏场景？
Mati：没错，就是游戏的那个例子。这是其中一个方向。原本静态的内容宇宙，正在开始向可交互的方向演进，不仅是游戏，甚至传统媒体也会被重新定义。
我们看到一个很有代表性的用例：在“年度人物”报道上线期间，读者不仅可以阅读文章、听文章，还能与文章进行互动。比如你可以对它提问，了解更多关于这个年度人物的信息，甚至问出历年来其他的年度人物是谁。这种“交互式媒体”会成为一个非常大的类别。
第二个方向是现在还相对传统的客户支持。今天它还是“你产品出问题了，就得去找客服”这种模式。但它会逐渐演变为品牌体验和产品引导的一部分。未来，当你开始使用某个产品时，Agent会成为你体验的核心，主动引导你熟悉产品，告诉你功能在哪里、怎么用、如何组合这些功能。这会是一个非常有趣的转变——从传统软件的使用方式，过渡到以语音和交互为核心的产品体验。
John：所以你的意思是，现在的客户服务主要还是那种人在崩溃时才打过去的东西，但未来通过语音完成的产品引导，有可能真正帮助更多人顺利使用产品？
Mati：完全正确。现在大家熟悉的电话语音树（IVR）那套体验，说实话并不好，也不够高效。但我们正看到这种体验会被彻底改变，变成真正愉悦的交互过程。
未来的语音Agent会具备上下文感知能力，能够理解你为什么打电话来，并帮助你顺畅地完成后续操作——无论是预约、账单问题、退款申请，整个流程都能变得迅速而顺滑。最初你可能只是想“赶紧搞定”，但它的价值会延伸得更远，比如：它可以帮助你理解一个产品的核心功能，教你怎么用，并让你真正用出价值来。
John：是的。在座的很多企业，包括我们自己，其实都在思考怎样才能把AI真正地融入业务。你觉得企业该如何真正用好AI带来的效率提升？不只是语音，其他形式也行。
Mati：是的。我们在实践中看到的模式，主要可以归为两大类：第一类是效率和利润率优化，即如何在现有流程中提升效率；第二类是增长，也就是你如何获取更多客户，以及如何将效率提升转化为可规模化的成果。
在实际应用上，有三个非常典型的切入点：首先，是所有人工处理、重复性强的流程；其次，就是那些看起来不那么明显但非常关键的场景——你是否拥有大量结构化的数据，能为AI的接入和训练提供土壤。我们和很多公司合作时，常见的一个误区是：到底需要多长时间才能做出来？我们的经验是：在三个月内，应该就能上线一个高质量的proof of concept（概念验证），验证价值；一年内则应该能进入正式上线。
John：这位哥们（指Mati）不到一年就做出了业内领先的语音模型，所以我们谁也别找借口说自己的客户服务系统改进流程做不出来——如果比他还慢，那就说不过去了。你刚才提到“数据”，我理解你是在说，其实大家现在可能太急着想在流程上搞优化、找效率，但反而应该先回过头去想一想：我是不是拥有一些别人没有的、有价值的数据？我能不能用这些数据打造出独特的产品体验？哪怕一开始不是为了提高效率，也可以带着“探索式”的心态去构建AI相关功能，这反而能打开更大的想象空间。
Mati：完全正确。这些应用基本都会落在我们刚才说的几大类里。如果你关注的是效率提升，客户支持是我们反复看到的最容易切入的场景，不论是基于文本还是基于语音都很适用。你已经拥有企业内部的知识库，你可以训练一个Agent，这完全是可行的。
但除此之外，还有一些更有趣的方向：比如你有IP、有内容、有你想传达的品牌故事，这些都是独特的资产。现在，如果你有这些内容作为基础数据，你就可以围绕它构建交互式体验，打造一个能体现品牌调性的AI入口，让外部用户可以真正“参与进来”，与之互动和尝试。
AI语音的意想不到用途
John：对。那你看到过最让你意想不到的、基于ElevenLabs产品的应用场景是什么？
Mati：我先说一个对我们来说最温暖的故事。最初，很多人在失去声音后，比如因为ALS（渐冻症）或癌症，就开始用ElevenLabs来重现他们的声音。我们还和他们合作，帮助这些人“找回”了声音。但更令人惊讶的是，去年发生了一件事，一位美国国会议员不幸失去了声音，却希望继续在国会工作、代表她的州，我们帮助她重建了声音。这是AI语音第一次在国会中发声，尽管她面临不幸的境遇，却真正展示了技术的可能性，继续推动她的工作。这是一个非常励志、非常了不起的故事。
此外，我们看到在大多数大型AI实验室推出语音产品之前，有一家创业公司做了一个整合——将ElevenLabs的语音模块、语言模型（LM）以及视觉模块结合起来，打造了一个AI旅游导游助手，可以环绕讲述你周围的世界，而且你还能与这个“旅游助手”互动。这大约是在两年前的一个hackathon里，有人做了这个项目，成功部署后开始组建公司，这也是早期的一个精彩案例。
最近还有一个有趣的例子，我们举办了一场hackathon，参与者探索未来Agent之间的交互。想象一下，你的Agent帮你订餐厅，打电话给餐厅，而接电话的是另一个Agent，负责接单。他们做了一个demo，展示Agent们会切换各自的AI声音，用自己的语言互相交流，以提高效率，然后在另一端完成整个处理流程。
John：抱歉，能具体说说更高效的Agent语言是什么样的吗？
Mati：这是一种叫做Jibber，或者Jibberlink的协议，它实际上是把我们熟悉的词语，转换成信号或者频率来传递信息。
John：哦，明白了。
Mati：也就是说，它通过编码和解码，完成消息的传输。
John：那听起来就像调制解调器（ZP注：调制解调器（Modem）是一种实现数字信号与模拟信号相互转换的网络设备，主要用于在不同传输介质中传输数据，是早期互联网接入的关键设备。）连接时发出的声音，然后它们开始工作了，真有趣。这就像升级成了更高带宽的通信格式。你刚才提到大型AI实验室，他们总喜欢说应用层和更具体的东西都会成为路障，被碾压掉。那你们是怎么避免被这些更大的实验室碾压的呢？
Mati：ElevenLabs的特别之处在于，我们既做基础模型的研究工作，又做产品开发，聚焦于voice领域，同时兼顾这两个方面。
我们认为取胜的关键，第一是保持对voice的专注，真正加倍投入，打造最顶尖的研究模型。我的联合创始人成功聚集了音频领域一些最优秀的研究人员，我们相信他们能带来下一波技术突破。与其他模型相比，voice领域的最大不同可能在于，突破更多依赖模型和数据，而不是算力和规模。所以，即便现在仍在做基础模型的研发，也能显著提升效果。随着未来从单模态向多模态转变，这种情况可能会有所变化——这也是我们正在努力的方向。但目前来说，在音频和voice领域，技术突破依然是核心。
另外，我们公司花费大量时间的地方，是在研究之外——你必须能够把研究成果真正应用起来。无论是有声书的旁白，还是构建具备性能指标和知识库整合的voice agent，这些产品层面的工作占据了我们绝大部分的产品开发周期，目的是为客户打造实用的应用体验。
John：因为大家最终都是想用AI去做点什么，有一个实际的行动结果。
Mati：完全正确。只有研究和产品两手抓，才能真正取得成功。通过做研究，我们能把别人做不到的技术带进产品里；通过做产品，我们能贴近客户，和他们一起合作。
John：你说这不仅仅是规模和堆更多GPU的问题，还关乎更好的技术手段。我记得OpenAI的Greg Brockman也说过类似的话。虽然这在某些情况下是对的，但基本上，AI领域的每种方法，随着计算规模的增加，效果都会变得更好。我们发明了transformer，那非常棒，而投入的计算越多，效果越好。你觉得这在voice领域也是这样吗？还是有某些原因让它不一样？
Mati：随着时间推移，这种情况会越来越明显。当我们解决了voice领域一些最基础的问题后，规模带来的优势才会真正显现出来。但如果不解决这些基础问题，仅靠堆算力，结果依然会是糟糕的输出。从长远看，百分之百如此。特别是，我们看到的一个主要范式是——我们之前也提过。你提到了互操作性的问题。实际上，这可以通过两种方式实现。我们公司最初的切入点是text-to-speech。然后随着时间推移，我们扩展到了speech-to-text，现在构建了一套编排系统，能够把speech-to-text、LLM和text-to-speech结合起来，实现完整的流程。这三个模型本质上是相互独立的，我们把它们“串联”起来。但未来，这种级联（cascaded）的方式会逐渐转向多模态（multimodal）训练，即将这些模型一起训练。在那种情况下，规模的重要性会变得更加突出，这也是我们持续投入的方向。
有关AI语音欺诈的安全问题以及如何建立新的信任
John：我们目前正处在一个社会性的“信任平衡”中，比如说你在进行一个需要高度信任的操作——例如在线银行业务，你说：“我要把账户里所有的钱转出去。”银行的反应通常是：“这个请求可疑，我们得验证一下。”于是他们会打电话给你，确认听到的声音确实非常像是你的，只有在这种情况下，他们才会允许资金转出。这个机制作为一种“信任平衡”已经持续了几十年，直到，你刚才听到的（AI合成语音）出现了。那现在的问题是，在语音信任这个问题上，我们的“新平衡”该是什么？因为我们不仅在语音上看到越来越多基于deepfake的欺诈，文本、甚至视频领域也出现了类似问题。你觉得这种新的平衡状态会是什么样？我们要如何验证一个人的身份？
Mati：这是一个很重要的问题，也是我们花了很多时间深入思考的。尤其是在你发布这类技术时，必须考虑如何构建有效的安全防护措施，以防止它被恶意使用。而现实情况是，随着技术的发展，滥用的情况是不可避免的。我们从公司创立之初就非常重视一个核心理念：“可追溯性（provenance）和透明性（transparency）”。也就是说，所有通过ElevenLabs生成的内容，都可以被追踪回其生成者的身份来源。这个机制会辅以我们的内容审查系统——包括语音和文本层面的审核机制——共同构成一道安全屏障。
John：但我其实相信，你们或许还能在一定程度上控制ElevenLabs的语音被如何使用。不过问题在于，现在整个这项技术就像潘多拉的盒子一样已经被打开了。我很好奇，你是怎么思考这个问题的？从整个社会层面来看，我们该如何适应这样一个现实：现在非常逼真的语音复制技术已经广泛存在了。那么，我们所谓的“新信任平衡”该如何建立？
Mati：完全正确。这也是我们在训练模型的过程中就开始思考的问题。所以我们做的一件事，是构建了一个公开可用的分类器，这个工具可以供整个行业使用。起初，它可以判断某段音频是否是通过ElevenLabs生成的。
John：哦，听起来你们是给声音“加水印”了？
Mati：严格来说，这就是一种基于分类器的方式。随着时间推移，我们也开始和其他公司合作，把这个能力扩展出去，比如和伯克利大学合作，在开源模型和其他模型上进行训练，尝试扩大识别范围。但这始终不是最优解，因为新的开源模型、新的商用模型总会不断涌现，这其实是一场永远追不上的游戏，无法长期可靠。
所以，回到你刚才的问题，未来的路径其实会反过来——不是检测内容是不是由AI生成的，而是去检测内容是不是由人类产生的。也就是说，在设备端，比如手机、电脑、屏幕，内建一种机制：这是某人本人在发声，是用某人的设备产生的内容，前端加密、后端解码，从而确认“这就是这个人”。这种方式很直接——如果所有人都采用，那问题就好解决了。
但还有第二层，我觉得其实更有意思。随着Agent的普及，大家都可能拥有一个或多个Agent，我们会需要一种机制来确认这个Agent是被认证过的、合法的。例如，有一段是用你的声音生成的语音，你希望明确知道：这段语音是经过你的授权和同意生成的，并且这个信息能够被外部获取。那么在这种情况下，我们就可以通过“水印”的方式，把这些元数据嵌入进去。这是第二层。
然后第三层就是“其他一切内容”。如果某段内容既没有水印，也没有认证，也无法验证它是真实的、由人类生成的，那就可以默认把它归类为AI生成的。在这种情况下，我们就可以再部署前面提到的分类器方法，去进一步确认这是否为AI内容。
总的来说，未来的默认逻辑应该是：凡是不经过验证的内容，都应被标记为AI生成的。
John：这非常有意思，我之前还真没从这个角度想过。这让我想到恶意软件检测的工作原理，比如电脑上的杀毒软件，它会在你试图运行某个可执行文件时，去识别这个软件的代码签名，然后判断：“嗯，我们以前见过这个，是恶意的。”如果你看杀毒软件的检测机制，它当然也不是完美的，但总比完全没有好，整体上其实还是相当可用的。所以我们最终可能也会对AI生成的声音采用类似“恶意软件检测”的机制来识别。这想法挺有意思的。
Mati：完全正确。其实还有一些想法可以借鉴HTTPS协议的机制，比如：有一组受信任的实体参与验证通信，来确认这是一个经过认证的消息。同样的思路也可以应用到AI声音上：所有愿意参与验证机制的公司，都可以为其AI生成的声音添加水印、认证或编码的“真实声音”，从而获得验证。这样一来，就像HTTPS中的安全证书一样，参与的公司就被视为可信来源。而没有加入这个体系的内容，就不会被认证。
John：你刚才提到“经许可使用你自己的声音”，还有像你自己的Agent在外面替你工作，这点挺有意思的。那我该怎么理解自己用AI生成的声音？尤其是现在你们已经帮我做了一个，我是不是错过了一些使用它的机会？我该怎么用我的AI声音才算用得上？
Mati：我觉得你至少可以从两个方向考虑。第一个当然是交互式的使用场景，比如你可以有一个Agent，它可以……
John：代表我欢迎大家来到Stripe。
Mati：对，比如代表你欢迎大家来到Stripe，或者根据你过去的演讲、你生成过的内容，回答用户的问题。这是一个方向。
第二个方向，也是你刚才其实稍微提到过的，就是：未来会出现一个非常令人振奋的时刻，那就是语言的壁垒将会被打破。因为你的声音，将能够被理解成各种语言。你可以去不同国家旅行，而对方能听到你的声音用地道的语言在说话——带着你原有的语调、语气和情感。这种跨语言的沟通方式，过去几乎无法想象。当然我们也期待硬件层面能同步进化，那样你在任何地方都可以自然地表达自己，真正传达情绪和信息。希望到那个时候，像波兰的电影配音问题也能被解决，那就真的太棒了。
John：确实。其实关于语言这件事，可能是最具变革意义的一点。曾经很长一段时间，人工翻译是网络内容中唯一可行的方案。人们投入了巨大的精力去做翻译。但到了这几年，机器翻译的质量已经足够好了，所以我们现在在网上看到的大量翻译，其实都是机器翻译，效果也挺不错的。类似的情况大概率也会发生在语音内容上。外语内容的数量将会出现爆发式增长，因为……
Mati：因为Stripe全球所有员工都能听到“母语版”的讲话了。
John：对。这真的挺有意思的。比如全员大会的内容，就可以本地化地传达出去。而且你还会看到一个“诱导式需求效应”：正因为这个能力存在，人们会生产更多原本不会制作的内容。真的很有意思。
从Disney中获得的启发
John：最后一个问题：我知道你是Disney的忠实粉丝，我也很好奇，Disney或者Bob Iger给你带来了什么启发？在你打造ElevenLabs的过程中，有哪些是你从Disney的“剧本”中借鉴而来的？
Mati：我觉得Disney多年来创造了很多令人惊叹的东西，当然，其中最显而易见、也最让我敬佩的一点，是他们对“叙事”的执着。这种叙事不仅贯穿在他们的动画电影里，也体现在App、甚至Star Wars等品牌中。你能感受到，不管是哪个作品，它们共同构建了一个统一而永恒的世界观，让你觉得自己也是其中的一部分。在我们构建ElevenLabs的技术时，也希望借鉴这种理念。我们不是为了技术而做技术，而是希望通过技术把故事传达出去，让我们触达的不同群体都能理解并参与进来。让人们觉得他们也在这段故事之中。
另外一点我特别喜欢的，是Bob Iger在Disney推广的一个理念——他要求Disney内部的每个人都要穿上那些毛茸茸的园区人物服装，和游客互动。这样做是为了真正理解这个品牌意味着什么，它是如何被用户感知的，谁是你的受众。这个理念也对我们影响很大。我们始终希望公司内部每一部分，无论是在做研究、模型、产品还是运营，都能尽可能贴近用户，和用户保持真实而深入的联系。
John：那你自己的“穿上米老鼠服装”的版本是什么呢？
Mati：我自己反复在做的一件事是亲自参与客户支持，直接去处理用户工单，尽可能贴近用户。你真的能从中学到很多。我记得你也会这么做——邀请用户来电话里亲自聊他们遇到的“痛点”，从这些反馈中你能收获超出预期的洞察。
John：所以，像Disney一样，你得真正理解自己公司的差异化优势是什么、最擅长的核心能力在哪里，然后确保公司里的每个人都保持对这个核心的深入参与和紧密联系。
Mati：完全同意。谢谢你邀请我来聊这次。
John：非常感谢你。
原视频：A conversation with ElevenLabs CEO Mati Staniszewski
https://www.youtube.com/watch?v=bslevdsr85s
编译：Lyra Chen
请注意，本文编译自文末载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。
Z Potentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。
（文：Z Potentials）