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
Mati Staniszewski 复盘 ElevenLabs 的产品策略、团队管理和企业增长方法，重点拆解从 Palantir 学来的 FDE 打法：让工程师进入客户现场，再把交付经验写回通用产品。
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。
数字人和口型同步是 Mati 给出的反例。团队曾考虑把跨语言音频与数字人结合，但当时画面质量才是整体体验的主要短板。即便接入很好的声音，成品仍会被视频模型拖累，于是他们暂停了相关投入。后来外部图像和视频模型改善，ElevenLabs 可以重新考虑广告本地化等组合产品，但仍然选择使用外部视频能力，自己聚焦已有素材的音频、语言和局部改造，不训练类似文本生成视频的底层模型。
这条边界同样排除了通用知识工作和代码模型。ElevenLabs 把目标放在“沟通平台”上：企业把自己的知识、品牌资产和系统集成放进来，再把一致的声音与对话部署到营销、销售、客服和运营的整条客户旅程。它只争夺人和企业如何通过声音传递内容、知识与对话这一层。
德国电信如何从一个内容产品走到通信网络
Deutsche Telekom（德国电信）的合作展示了这套平台如何进入大型企业。双方并未从最核心、风险最高的客服流程开始。两年前，语音 Agent 在 Mati 看来还不够可靠、也不够快，德国电信先在营销和内容场景使用 ElevenLabs：在 Magenta 应用里生成每日音频内容，也用它制作广告。
第一项应用真正部署并产生价值后，合作才进入呼叫中心。此时自然的声音只是最外层，Agent 还要连接德国电信的知识库和 CRM，理解产品信息、退款流程与近期账单；输出端要接入电话系统，包括 SIP trunking 或 Twilio 等通信方式；业务团队还要把“电话接起后应该怎样处理”转换成 Agent 可以遵守的流程。
上线前，双方先做模拟测试、核验通话记录，再从小范围运行开始。正式上线后也不会立即结束，而是逐步增加使用量，并持续评估、监控和调整。再往后，Mati 说德国电信甚至把 Agent 部署进通信网络，T-Mobile 用户可以让它加入通话，协助订位或完成实时翻译与配音。
这条顺序揭示了企业扩单的真正逻辑：先用风险较低的场景验证产品价值，赢得进入下一段工作流的机会；越接近核心业务，模型之外的集成、测试和运营工作越重。一个展示效果很好的语音接口，距离可处理真实账单和退款的客服系统，中间还隔着整套企业工程。
Mati 也因此把概念验证和价值验证区分开来。客户愿意看一次演示，只证明技术有趣；第一项应用在真实环境中跑起来，才给第二项合作提供理由。
德国电信的扩展路径
越靠近核心业务，新增的就越不只是一个语音模型
选择一层，观察价值证明、系统连接和运营要求如何同时加深。
低风险入口
先证明产品能在真实环境产生价值
- 实际应用
- Magenta 应用里的每日音频内容，以及广告制作。
- 主要新增
- 把生成能力接进内容生产流程。
- 通过条件
- 从“演示有趣”走到第一项应用真正部署。
核心工作流
声音之外，开始承接企业系统和业务规则
- 实际应用
- 语音 Agent 进入客服电话，处理产品、账单和退款问题。
- 主要新增
- 知识库、CRM、电话系统、业务逻辑与通信连接。
- 通过条件
- 模拟测试、通话记录核验、小范围运行，再逐步扩大并持续监控。
网络级能力
Agent 成为通信过程本身的一部分
- 实际应用
- 加入 T-Mobile 用户的通话，协助订位、实时翻译和配音。
- 主要新增
- 从单个企业流程进一步进入通信网络。
- 通过条件
- 前序场景已经证明价值，并建立起更成熟的集成和运营能力。
当前观察：先用内容场景证明价值，换取进入下一段工作流的机会。
FDE 要完成两次交付
一个语音模型在演示中听起来像真人，距离它能接起德国电信的客服电话，中间还隔着一套生产系统。模型并不知道客户资料放在哪个 CRM 里，也不会自动理解退款和账单流程；它必须接入知识库和电话系统，按照企业的业务逻辑行动，还要经过模拟测试、通话记录核验和小范围运行。正式上线以后，团队仍要持续评估、监控和调整。
负责跨过这段距离的，是前置部署工程师（Forward Deployed Engineer，FDE）。在德国电信项目中，ElevenLabs 的 FDE 去德国波恩，与客户团队肩并肩完成集成、测试和上线。这里的“前置”不是地理意义上的常驻，更重要的是工程师站到问题发生的一边：不等需求经过销售、项目经理和管理层层层转述，直接看清现实系统怎样运转、产品到底卡在哪里。
Mati 对这种工作方式的信任来自 Palantir。此前在 BlackRock，由于合规和安全要求，他入职后一度连向外发送邮件都要先经过团队审核；到了 Palantir，入职培训刚结束，他就被派往苏格兰阿伯丁，接近北海油气业务的一线人员，弄清实际问题，再把知识带回公司。两种经历让他意识到，离问题越远，信息越容易在汇报过程中被整理成一个看似清楚、实际失真的需求单。
但“工程师去了客户办公室”仍不足以定义 FDE。系统集成商、实施顾问和售后工程师同样会到现场。ElevenLabs 这套做法真正不同的地方，是 FDE 在组织上属于产品团队，不属于 go-to-market 团队，并且深度了解产品路线图。他们既要对眼前的上线结果负责，也要判断现场遇到的问题会不会改变产品本身。
因此，FDE 实际上要完成两次交付。
第一次交付给当前客户：让 Agent 在真实业务里跑起来。以德国电信为例，这意味着打通知识库、CRM 和电话系统，把业务规则变成 Agent 能执行的流程，验证通话结果，从小范围运行逐步走向正式上线。完成这一步，证明的不是“模型可以说话”，而是这套系统能够进入企业现有的技术和运营环境。
第二次交付给 ElevenLabs 的通用产品：把现场经验从一个项目里带回来。新做出的连接方式，能否成为其他客户也能使用的标准集成？在医疗或电信项目中反复出现的工作方式，能否变成更合适的产品流程？一次失败究竟来自这家客户的特殊配置，还是暴露了许多企业都会遇到的产品缺口？FDE 了解路线图，正是为了把这些问题交还给产品团队，而不只是留下一堆能让当前项目勉强运行的补丁。
FDE 的两次交付
第一次让客户跑起来，第二次让产品变得更通用
切换两种结果，看同一次客户上线会把公司带向哪里。
CRM、电话系统、知识与业务规则互相缠绕。
与客户并肩集成、测试、上线，再持续观察。
判断哪些经验能变成通用集成或产品体验。
成果留在专用配置和补丁里；客户越多，重复交付与维护负担也越重。
重复问题被做成标准集成或默认流程；新项目由此少走一段旧路。
当前结果：现场经验进入通用产品，下一位客户不必从零开始。
如果成果只留在一个客户的配置与补丁里，完成的是服务；如果它改善了通用产品，客户现场才成为研发加速器。
判断第二次交付有没有发生，可以看下一位同类客户。假如团队仍要重新编写相似的连接、重复解决同一种产品缺口，前一次项目留下的主要是个人经验；如果已有集成可以直接复用，产品的默认流程已经吸收了前一次部署的教训，新客户便不必从零开始。这才叫“知识回流”，而不是开完一场复盘会、把经验写进文档就算完成。
这一步也决定了一家公司是在卖产品，还是逐渐滑向定制服务。如果每增加一个大客户，都要增加一支队伍重新搭系统、维护专用补丁，收入增长就会不断带来同比增加的交付负担；现场项目越多，产品反而越碎。若 FDE 能把重复出现的问题做进平台，前一位客户支付和参与的那次落地，就会降低后一位客户的重复工作。客户现场由此不只是产品的交付终点，也成为发现通用产品缺口的地方。
标题所说的“免费研发实验室”，真正免费的并不是客户的人力和资源，而是 ElevenLabs 无须关起门来猜测企业会遇到什么问题。德国电信自己的套餐、账单规则和运营方法仍属于它的领域专长，也是它参与竞争的能力；ElevenLabs 可以带走的，是软件应该怎样承接这类知识——例如需要什么集成、产品流程怎样组织、哪类能力应成为平台的一部分。客户的专有业务不能被包装成公共模板，承接这类业务的软件方法才可能被抽象。
所以，FDE 不是在销售和研发之间增加一个新职位，而是在两者之间建立一条闭环：一端把产品送进最复杂的真实环境，另一端把环境暴露的问题送回产品。这个闭环要成立，FDE 必须靠近客户、属于产品团队、理解路线图；后方团队还必须能够接收并处理这些一线信号。于是问题自然从“怎样派工程师去现场”，转向“公司内部怎样让现场信息不在层级中消失”。
AI 原生组织首先是一套信息机制
FDE 从现场带回大量信号后，公司内部还要有能力接住。ElevenLabs 的扁平化并非只靠“少设几个管理层”完成，Mati 描述的是几项彼此依赖的机制。
公司不设传统头衔，组织层级深度上限约为五层；具体产品和交付团队很小，五人左右已经算相对大的团队。Mati 还说，公司里很多人有接近十名直接下属。小团队获得较强自主权，宽管理幅度则减少中间层级，但也会制造新的困难：一个管理者怎样知道这么多团队正在发生什么？
他的答案是尽量让信息来自最接近问题的人。产品负责人应该能看到实际开发工程师的情况，客户信息也应尽可能保留原始对话，而不是只剩经过多层整理的摘要。按照 Mati 的描述，公司保持很高的文档透明度，几乎每个人都能访问内部文档；AI 再从大量记录中汇总哪些做法有效、哪里出现缺口，让管理者主动发现需要介入的位置。
这解释了 AI 在组织中的一个具体作用：它扩大管理者能够读取的原始信息范围，帮助宽管理幅度继续运转。但这套机制能否有效，取决于文档是否完整、团队是否愿意记录，以及访问边界怎样设置；AI 汇总不会自动产生正确决策。
另一项选择，是把工程能力放进非技术职能。招聘、运营、法务等团队内部也配置工程人员，帮助自动化重复工作，并提升业务同事使用 AI 的能力。采用新工具因此可以从小团队内部发生，不必等待管理层统一发命令，再由中心 IT 部门逐层推广。
公司仍保留需要集中建设的能力。Mati 以法务和 Revenue Engineering（营收工程）为例：前者集中帮助各地团队理解复杂产品应该怎样销售，后者构建通话提示、转写、字段回填等工具，把销售与客户沟通中的知识保存下来。中心团队还开发 AI SDR（AI 销售开发代表），再交给各地团队做本地化调整。
官网上的 AI SDR 很能说明“吃自己的狗粮”怎样产生新信息。潜在客户既可以填写下拉表单，也可以直接与语音 Agent 交谈。Mati 说，公司观察到选择对话的人更放松，留下的问题和使用场景也比表单丰富。语音产品在这里同时承担销售入口和用户研究工具的作用。
少层级、小团队、透明文档、AI 汇总和职能内工程能力并不是五个互不相关的管理技巧。它们共同解决一个问题：让现场信号尽量少损耗地抵达能行动的人，再让团队有能力把判断变成工具或产品。
模型优势会缩小，产品和生态要接上第二棒
现场经验可以推动产品变得更通用，却不能保证模型优势永远存在。Mati 判断，长期来看，ElevenLabs 在纯研究上的优势可能没有今天这么大，因此平台、品牌信任和创作者生态也必须形成防线。
声音市场（Voice Marketplace）就是其中一个尝试。声音创作者或配音演员可以创建并认证自己的 AI 声音，其他用户调用时，声音拥有者获得报酬。Mati 在访谈中称，市场当时大约有两万个声音，ElevenLabs 也会在语言、口音、年龄或风格出现缺口时主动寻找合作者。主持人使用 ElevenReader 中名为 George 的声音时，背后对应的配音演员会随使用获得收益。
这个例子把“模型生成一个声音”变成了另一种产品关系：平台需要持续获得有辨识度的声音资产，创作者则需要认证、分发和回报机制。研究模型决定声音能不能被高质量复现，市场机制决定谁愿意把声音放进来，以及用户下一次为什么还回到这里。
产品层也在继续分化。Mati 将公司当时的业务描述为三条核心产品线、三条孵化中的方向，下面还可以长出二三十种具体工具。ElevenReader 把文档变成可听内容；Eleven Productions 在自动化流程中加入人工修正和本地化；创作工具与企业 Agent 则构成他所说的两大收入来源。这里的统一性来自底层音频能力和沟通场景，而不是所有产品长得相似。
哪些行业先采用语音 Agent，也暴露了落地条件
Mati 说，当时 ElevenLabs 的主要收入来自创作产品和企业 Agent，语音 Agent 的部署用例增长很快。
在行业采用速度上，他把金融科技放在最前面，并举出 Revolut、Klarna 和 PagBank。医疗与电信随后，零售和电商则在访谈所处的年份开始出现更明显的采用。他也提醒，不同地区的监管环境并不相同，因此这些公司之间不能只按技术热情比较。
这段信息的价值不在于排出一个永久行业榜单，而是说明语音 Agent 的扩散速度由多种条件共同决定：客户交互是否足够高频，企业是否已经数字化，内部系统能否接入，以及组织愿不愿意承担测试和持续运营。德国电信案例进一步表明，即使需求明确，越核心的业务也会采用更渐进的上线方式。
访谈末尾关于行业会议的讨论，也补充了企业增长的另一面。Mati 早期没有成熟产品时去参会，只感到疲惫和低效；现在他每季度参加两三场，并提前安排密集的一对一会面，把许多客户和伙伴同时出现的场合当作“强制汇聚机制”。会议本身没有突然变得有价值，变化来自公司已经知道要卖什么、想见谁，以及一次会面怎样推动现有合作从一个用例扩到更多用例。
音频既是科学问题，也是品味问题
ElevenLabs 只研究音频，并不意味着这是一项容易用单一指标衡量的技术。Mati 认为，声音处在科学与艺术的交界：模型需要数据、算力和架构，生成结果却带有强烈的主观感受。每种声音都不同，同一个声音在不同听众耳中也可能产生不同评价，这让文本转语音模型之间的基准测试格外困难。
当产品进入品牌场景，问题又从“像不像真人”延伸到“这个声音是不是这家公司的表达”。语调、节奏、情绪和风格都涉及品味。Mati 回忆，Palantir 内部曾有“艺术家聚落”的说法；到 ElevenLabs，他才更具体地理解艺术与工程为什么需要并存。公司甚至设想过 forward deployed creative——可以理解为走到客户现场的创意人员——与 FDE 类似，帮助客户把技术能力转化成合适的表达。
语音 Agent 的一次产品经历进一步说明了这种主观性。团队最初试图做一个毫无瑕疵的 Agent，结果听起来反而不像人。加入“嗯”“呃”和思考停顿后，Mati 观察到交流效果明显改善，用户更愿意继续说下去。设计重点因此不在于机械增加口头禅，而在于让停顿、犹豫和情绪符合真实对话的节奏。
声音不只传递文字，也承载一个人的身份
主持人把播客与阅读作比较：即使非常喜欢一位作家，他对熟悉播客声音形成的情感连接仍然更强。Mati 接着指出，声音比文字多出语调、停顿、情绪和不完美。听见熟悉的声音时，人可以立刻认出对方是谁。
这种身份属性让语音技术超出内容生产工具。Mati 在访谈中称，ElevenLabs 已帮助超过一万人重建声音，并与约八百家机构合作。他提到一位失声后重新与老乐队演出并巡演的音乐人、一位使用 AI 声音在英国国会发言的女议员，以及因渐冻症失声后用重建声音制作播客的前 NFL 球员兼作家 Tim Green。主持人还提到一位在婚礼前失声、后来用重建声音宣读誓词的女性。
对失去声音的人来说，这项技术的价值不只在于重新获得“可听见的文字”，还在于恢复能够被亲友辨认、与自身经历相连的声音身份。
声音可以被重建，也意味着声音可以被冒用。Mati 在谈到无障碍案例时主动提及安全的另一面：声音生成能力越强，身份认证、防冒用和授权机制就越需要同步建立。
声音会成为重要入口，但 ElevenLabs 不准备造一条“巴别鱼”
Mati 对长期机会的判断，是智能能力继续提升后，人们如何与智能沟通会成为新的瓶颈。几十年来，人需要学习键盘、屏幕和编程语言来适应机器；语音 Agent 的方向，是让技术理解人本来就会使用的交流方式。
他设想未来系统能够同时处理知识与情绪，也就是访谈中所说的 IQ 与 EQ：理解说话者知道什么、想完成什么，也感知情绪变化，学会停顿、思考和在合适的时候重新进入对话。在 Mati 的设想里，声音会成为未来最主要的交互方式之一，让人们不必像今天这样持续盯着手机，屏幕可以更多时候回到口袋里。
创业初期，两位创始人的幻灯片上就有《银河系漫游指南》中的“巴别鱼”：放进耳朵便能理解不同语言。ElevenLabs 的北极星指向把实时语音和跨语言理解带到人们已有的设备、场景与工作流中，无须由公司亲自制造一件独立硬件。这一点也与公司的平台选择一致——把音频能力嵌入其他系统，无须占有交互链条里的每一层。
ElevenLabs 也用拒绝收购表明了这项长期选择。Mati 说，公司曾收到三四次严肃、具体的收购要约，最近一次约在录制前一年的六月，团队全部拒绝。他给出的理由是，AI 带来的许多事情尚未被写定，而自己、Piotr 和研究团队恰好拥有适合这个问题的技能，也处在难得的时间窗口。对他们来说，继续建设仍然比退出更有吸引力。
ElevenLabs 真正想复制的，是问题变成产品的速度
ElevenLabs 的方法依赖几组同时成立的关系。
研究要足够集中，才能解决语音生成这样的底层瓶颈；产品又要足够靠近用户，才知道先把哪项研究变成可用工具。进入企业后，FDE 需要完成现场交付，还要把经验带回通用平台，否则规模增长只会带来更多定制工作。组织想保持少层级和小团队，就必须让原始信息更透明，并把工程能力分布到真正需要改造流程的职能里。
声音市场、品牌表达、不完美的 Agent、无障碍重建和“巴别鱼”看起来属于不同话题，背后都指向同一个事实：声音传递的不只是文字。它包含身份、情绪、节奏和关系，也因此同时带来商业机会、设计难题与安全责任。
ElevenLabs 接下来的难题，是能否长期保持研究领先、企业交付和产品复用之间的平衡。它的下注路径已经清楚：聚焦音频，把模型放进真实环境，再尽快把环境暴露的问题变成下一版所有人都能使用的产品。