تصور کنید تماس‌های تلفنی سازمان‌ها دیگر یک تعامل انسانی ساده نباشد، بلکه یک استقرار نرم‌افزاری مقیاس‌پذیر باشد که هیچ‌کس متوجه مصنوعی بودن صدای آن نمی‌شود. این همان دنیایی است که ElevenLabs با ارزش‌گذاری ۲۲ میلیارد دلاری، اکنون در مرکز «تب طلای» هوش مصنوعی صوتی قرار گرفته است.
به نقل از مصاحبه ماتی استانیشفسکی (Mati Staniszewski)، مدیرعامل این شرکت با تک‌کرانچ در ۲۴ سپتامبر ۲۰۲۶، درآمد سالانه تکرارشونده (ARR) این شرکت به ۶۰۰ میلیون دلار رسیده است. هوش مصنوعی صوتی دیگر صرفاً خواندن متن نیست؛ بلکه در حال تبدیل شدن به رابط اصلی خدمات مشتریان در سطح جهانی است. بسیاری از کاربران روزانه با این سیستم‌ها تعامل دارند، اما اغلب بدون آنکه متوجه شوند یک ماشین در حال صحبت است. این تحول، تماس‌های تلفنی را از یک تجربه انسانی به یک ابزار نرم‌افزاری تبدیل می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، هرچه لایه‌های واسط بین انسان و ماشین نامرئی‌تر شوند، نیاز به حفاظ‌های سخت‌گیرانه‌تر افزایش می‌یابد.
ElevenLabs اکنون «لایه صوتی» زیرساختی برای برخی از بزرگترین سازمان‌های جهان را تأمین می‌کند. برای مثال، شرکت Klarna از این پلتفرم برای مدیریت پشتیبانی تلفنی خط اول برای ۳۵ میلیون مشتری آمریکایی خود استفاده می‌کند. غول‌هایی مثل Deutsche Telekom، Cisco و Adobe و حتی برخی دولت‌های ملی نیز به مشتریان این شرکت تبدیل شده‌اند.
گستره بازار و دسترسی
علاوه بر بخش سازمانی، ElevenLabs به طیف متنوعی از تولیدکنندگان محتوا نیز خدمات می‌فروشد. این کاربران از پلتفرم برای تولید کتاب‌های صوتی با کیفیت بسیار بالا (High-fidelity)، دوبله و تولید موسیقی بهره می‌برند.
جالب است که این رشد خیره‌کننده در حالی رخ داده که شرکت تنها چهار سال قدمت دارد. این رشد در چشم‌اندازی اتفاق می‌افتد که مرز بین ارائه‌دهندگان مدل و توسعه‌دهندگان اپلیکیشن در حال محو شدن است. استانیشفسکی اشاره کرد که شرکت‌هایی مانند Anthropic که در ابتدا به عنوان شرکت‌های مدل‌ساز شروع به کار کردند، اکنون به پلتفرم‌هایی با مجموعه‌ای گسترده از اپلیکیشن‌ها تکامل یافته‌اند.
استراتژی درآمدی و تسخیر بازار
مدیرعامل ElevenLabs ساختار مالی فعلی شرکت را به شرح زیر تشریح کرد:
- سلطه سازمانی: بیش از ۵۵٪ از درآمد ۶۰۰ میلیون دلاری ARR از قراردادهای کلاسیک سازمانی تأمین می‌شود.
- رشد دنباله‌ای (Long-Tail): ۴۵٪ باقی‌مانده بین کسب‌وکارهای کوچک تا متوسط، توسعه‌دهندگان و تولیدکنندگان مستقل تقسیم شده است.
- قربانی کردن حاشیه سود: استانیشفسکی صراحتاً اعلام کرد که اگر کاهش حاشیه سود ناخالص باعث تسریع در گسترش سهم بازار شود، او با این موضوع راحت است. او معتقد است سرمایه‌گذاری در حال حاضر برای اثبات ارزش، بسیار حیاتی‌تر از دستیابی به حاشیه سود فوری در پنج سال آینده است.
نبرد برای هوش مکالمه‌ای
هدف نهایی ElevenLabs عبور از تبدیل متن به گفتار (Text-to-Speech یا TTS) — شبیه به تبدیل یک متن خشک به صدای انسانی با احساس — و رسیدن به عبور از آزمون تورینگ در هوش مصنوعی مکالمه‌ای است. او استدلال می‌کند که هوش مکالمه‌ای واقعی نیازمند «هوش عاطفی» است؛ یعنی توانایی تشخیص خلق‌و‌خوی تماس‌گیرنده و تغییر سرعت یا بلندی صدا در لحظه (Real-time). این رویکرد یادآور تلاش‌های شرکت‌هایی مانند Nuance Labs برای خلق تعاملات انسانی طبیعی از طریق مدل‌های بنیادین بصری-شنیداری است.
اگرچه او پیش‌تر پیش‌بینی کرده بود که مدل‌های صوتی طی دو سال تبدیل به یک کالای عمومی و ارزان (Commoditized) می‌شوند، اما اکنون معتقد است «دلتای کیفیت» (تفاوت کیفیت) قابل دستیابی در سطح مدل همچنان چشمگیر است. با این حال، انتظار دارد این تفاوت‌ها در یک افق زمانی بلندتر، یعنی سه تا پنج سال آینده، کاهش یابد.
این جاه‌طلبی، ElevenLabs را در موقعیت رقابتی پیچیده‌ای قرار داده است. این شرکت حالا به‌طور فزاینده‌ای با مشتریان خودش رقابت می‌کند. برای مثال، پلتفرم Decagon که یک پلتفرم هوش مصنوعی مکالمه‌ای است، در ابتدا محصول صوتی خود را روی ElevenLabs آموزش داده بود، اما اکنون با مدل‌های اختصاصی خود مستقیماً با ElevenLabs رقابت می‌کند. این رقابت‌های شدید در بازار هوش مصنوعی صوتی گاهی به نتایج متفاوتی منجر می‌شود؛ همان‌طور که سقوط سرمایه‌گذاری ۱.۵ میلیارد دلاری Listen Labs نشان داد که حتی با بودجه‌های کلان، بقا در این بازار دشوار است.
استقرار و حاکمیت داده‌ها
طبق گزارش‌های شرکت، ElevenLabs هنگام همکاری با دولت‌ها، معماری مدل خود را برای رعایت قوانین سخت‌گیرانه اقامت داده‌ها (Data Residency) و الزامات امنیتی تغییر می‌دهد. دولت آمریکا و چندین دولت اروپایی در حال حاضر مشتریان این شرکت هستند و هر یک بر اساس موارد استقرار خاص خود، نیازهای متمایزی دارند.
در لهستان، این شرکت عامل‌هایی را برای سیستم بهداشت عمومی مستقر کرد تا یک ناکارآمدی خاص را حل کند: ۱۸٪ از بیمارانی که در سراسر سیستم بهداشت عمومی نوبت می‌گرفتند، هرگز در appointment حاضر نمی‌شدند. این استقرار شامل عامل‌هایی است که با بیماران تماس گرفته و نوبت‌ها را یادآوری می‌کنند؛ این مدل‌ها بر اساس دانش محلی بهینه شده‌اند در حالی که استانداردهای سخت‌گیرانه اقامت داده‌ها را حفظ می‌کنند.
بسته به نوع مشتری، شرکت ترکیبی از مدل‌های زیر را مستقر می‌کند:
- مدل‌های پیشرو (Frontier Models): برای خدمات مالی حساس که در آن احراز هویت، جزئیات تراکنش یا بازپرداخت‌ها درگیر است و هیچ جای خطایی وجود ندارد.
- مدل‌های وزن‌باز (Open-Weight Models): — یعنی مدل‌هایی که دستور پخت یا ساختار آن‌ها علناً منتشر شده — برای پرس‌وجوهای اطلاعاتی عمومی که در آن پایگاه دانش، تجربه کاربر را تعریف می‌کند و هیچ اقدام (Action) خاصی اجرا نمی‌شود.
- مدل‌های تنظیم‌دقیق شده (Fine-tuned Models): — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه خاص خبره شود — نسخه‌های سفارشی که به‌طور خاص برای مورد استفاده منحصربه‌فرد یک مشتری ساخته شده‌اند، مانند مدل‌هایی که در همکاری با شرکت‌های خاص ایجاد شده‌اند.
حفاظ‌های ایمنی و داده‌ها
برای رسیدن به کیفیت انسانی، ElevenLabs به‌جای تکیه بر حجم انبوه داده‌های خام، به‌شدت بر برچسب‌گذاری انسانی (Human Annotation) متمرکز است. هزاران پیمانکار استخدام شده‌اند تا نه تنها آنچه گفته شده، بلکه زمان‌بندی صحبت‌ها و احساسات به‌کاررفته را برچسب‌گذاری کنند.
همچنین برای تضمین دقت در استقرارهای جهانی، شرکت مربیان حرفه‌ای صدا را به خدمت گرفت تا به مدل‌ها در تشخیص دقیق لهجه‌ها کمک کنند. این رویکرد انسان‌محور در برچسب‌گذاری داده‌ها، هسته اصلی استراتژی آموزشی آن‌ها است.
در مورد ایمنی، استانیشفسکی تأکید کرد که ElevenLabs از ریسک‌های مرتبط با عامل‌های خود-تکثیرشونده (Self-replicating agents) دوری می‌کند. برخلاف برخی پلتفرم‌های هوش مصنوعی، فناوری آن‌ها اجازه نمی‌دهد عامل‌ها، عامل‌های جدیدی خلق کنند. همچنین برای کاهش ریسک‌های سایبری، هر مشتری باید بررسی KYC (شناخت مشتری) را پشت سر بگذارد.
اخلاق و شفافیت
مدیرعامل این شرکت معتقد است کسب‌وکارها باید در حال حاضر اعلام کنند که مشتری در حال صحبت با یک عامل هوش مصنوعی است. او استدلال می‌کند که مردم هنوز به این فناوری عادت نکرده‌اند و اگر هوش مصنوعی افشا نشود، ممکن است احساس کنند «فریب خورده‌اند».
با این حال، او پیش‌بینی می‌کند تا پنج سال آینده یک چرخش اجتماعی رخ دهد. زمانی که افراد شروع به استفاده از عامل‌های هوش مصنوعی شخصی خود برای مدیریت تماس‌ها به جای خود کنند، انتظار تغییر خواهد کرد و تعامل با عامل‌ها به حالت پیش‌فرض تبدیل می‌شود. او یک راه میانه برای کسب‌وکارهای فعلی پیشنهاد می‌کند: اگر زمان انتظار برای صحبت با انسان طولانی است (مثلاً ۳۰ دقیقه)، ارائه گزینه استفاده از یک عامل هوش مصنوعی اغلب منجر به تجربه‌ای به‌طور غافلگیرکننده‌ای مثبت برای مشتری می‌شود.
مسیر رسیدن به IPO
در حالی که شایعاتی درباره عرضه عمومی سهام (IPO) در سال ۲۰۲۸ وجود دارد، استانیشفسکی درباره زمان دقیق آن ابهام داشت. او اظهار داشت که شرکت در حال ساخت بنیادی است که در برابر زمان مقاوم باشد، اما عرضه عمومی واقعی به زمان‌بندی و شرایط بازار در سال‌های آینده بستگی خواهد داشت.
این استراتژی رشد تهاجمی نشان می‌دهد که «لایه صوتی» در حال تبدیل شدن به یک کالای عمومی است و این امر شرکت‌ها را مجبور می‌کند به‌جای کیفیت صوتی ساده، بر روی یکپارچگی و ظرافت‌های عاطفی رقابت کنند.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا جایگزینی پشتیبانی تلفنی با عامل‌های صوتی می‌تواند نرخ ریزش مشتریان شما را کاهش دهد یا خیر.
- برای توسعه‌دهندگان، بررسی APIهای ElevenLabs برای ایجاد تجربه‌های چندوجهی در اپلیکیشن‌ها توصیه می‌شود.
- دنبال کنید که آیا مدل‌های وزن‌باز صوتی می‌توانند کیفیت مدل‌های پیشرو را در استقرار درون‌سازمانی به چالش بکشند یا نه.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو