AI音频公司ElevenLabs半年估值从110亿美元暴涨至220亿，而AI视频代表Sora却因亏损关停。文章剖析语音生成成本低、可用性高，能快速嵌入企业流程，成为Agent时代的核心界面，而视频仍需解决世界模型、肖像权等难题。

半年估值暴涨110亿美元！AI音频公司ElevenLabs员工要卖股票，买家却用220亿美元回购——而AI视频代表Sora，亏到关停。

差距在哪？语音生成只处理一条时间序列：文字转音频，清晰、自然、低延迟就够了。视频要同时搞定人物、背景、光影、动作一致性，重跑一次成本上天，还经常不可用。

ElevenLabs从TTS起步，后来靠Conversational AI Agents翻盘。客户用自研模型搞定听、说、理解，延迟压到75毫秒，光是今年上半年就处理了3300万次真实对话。

语音Agent能进电话、耳机、车机、线下门店——这些地方没有键盘。文本Agent只能活在App里。

当然，中国长不出第二个ElevenLabs。字节的剪映、番茄小说、豆包、火山引擎早就把语音场景包圆了，独立公司根本挤不进去。

未来呢？模型越来越像，客户可能转向Vapi这种编排平台，把TTS当可替换组件——那才是真正的危机。

但至少现在，AI语音已经证明：谁能先让机器跑出“算得过的账”，谁就能先赚到钱。