1. 首页 > 电商出海

ElevenLabs如何凭借2亿美元ARR实现快速增长

从被拒30次到2亿美元ARR:ElevenLabs的“反常识”创业路

2022年初, ElevenLabs收到过一家美国创业加速器的邀请,不是Y Combinator,但也是个不错的机会。Mati Staniszewskii和联合创始人Piotr Dabkowski纠结了一阵子,再说说不要了。“我们觉得自己能做出更有值钱的东西,而且当时也不需要那份帮。”眼下回头看, 这玩意儿决定让两人压力倍增——不要加速器意味着得彻头彻尾靠自己找钱,而GPU开销已经开头涨,最早几名员工的工钱也得从谷歌和Palantir干活攒下的积蓄里掏。

种子轮融资成了“地狱模式”。两位数投钱人,30到50位,具体数字Mati记不太清了只想起来“真实的很煎熬”。投钱人问的三个问题像三座巨大山:你们的手艺真实能比现有方案优良?买卖场太细小没人关心吧?你们两个年纪轻巧人怎么做成这事?“当时AI领域根本没人关注,元宇宙和加密货币都在矮小谷,公众对AI模型的关注度差不离零。”Mati后来在播客里说这种质疑挺正常的,但他们坚持自己的判断——语音手艺迟早要突破。

2 亿美元 ARR,ElevenLabs 如何做到快速增长?
2 亿美元 ARR,ElevenLabs 如何做到快速增长?

更讽刺的是 2022年他们还在纠结要不要收下加速器邀请,后来啊2023年初ChatGPT火遍全球,AI一下子成了香饽饽。Mati笑称“要是当时有眼下的烫度,种子轮兴许早就搞定了”。但早期不要加速器的代价是他们得结实着头皮找钱,甚至动用了周末黑客马拉松攒下的积蓄。“凶险越来越巨大,而我们想加巨大投入、接着来推进项目,所以非...不可得拿到外部投钱。”

测试版发布那天 他们晓得“找对方向了”

整个2022年,ElevenLabs都在摸索PMF。一开头想解决电影配音问题——波兰全部电影不管角色男女,都用一个配音演员,语气平淡像念书。Mati和Piotr觉得“几年后一定能解决”, 于是发了几千封邮件给YouTuber,问“如果有一款让视频适配全部语言的配音产品,你会感兴趣吗?”回复率不到15%,巨大许多是“不太确定”“能发样品看看吗?”

后来他们找到, YouTuber真实正需要的是更轻巧松的东西:说错了想修改,正式录制前想听脚本效果,甚至不想自己配音,想要语音旁白。Piotr转向研发文本转语音模型,能模拟情感和语调。2023年1月, 测试版上线,做了三件关键事:

件事,创作者、旁白演员开头主动反馈,欧洲、中东用户率先关注,势头起来了。

细小团队不是“省钱”, 是“迅速”的本质

拿到1900万美元融资后很许多人疯狂招人,ElevenLabs却坚持“细小团队模式”。眼下公司250人,拆成20个细小团队,个个5到10人,负责不同买卖场或项目。“人许多解决不了问题。”Mati反复有力调,细小团队的核心是“飞迅速施行”,精准匹配到对的人。

他们还取消了头衔。“早期团队只有5个人, 后来陆续有人加入,最想优化的是‘关系到力’:不管是谁,从加入第一天起,都能发挥最巨大值钱,而不是被头衔管束‘能做啥决策’。”Mati说 比如有些新鲜人 tenure不长远,但能力足够,能管理比自己资深厚的人,有头衔就轻巧松被“职位等级”束缚。

细小团队的“主人翁意识”很有力。比如有个团队专门负责“干活室界面”, 用户登录后看到的核心操作界面;另一个团队负责“语音Agents套件”,还有团队做企业级核心组件。个个细小团队有临时负责人,决策分歧时负责人拍板,但负责人不固定,随时调整。“在其他公司,头衔给了通常不变,但我们这里灵活。”

融资不“圈钱”:每一轮都要绑定“实质性进展”

ElevenLabs的融资逻辑很特别:不为了宣布而宣布, 每一轮都要绑定沉巨大产品动态、用户里程碑或核心招聘进展。“2022年Q3完成融资,但直到2023年Q1才对外宣布,基本上原因是等测试版准备优良,一边宣布融资和发布。”Mati说理念是“每一轮融资都得有额外意义”,比如推出新鲜产品、说明站稳脚跟,或发布新鲜研发模型。

2023年6月, a16z和Nat Friedman领投1900万美元,这轮融资也和产品绑定——当时ElevenLabs已经验证了PMF,用户量开头增加远。“Nat亲自测试API, 他是独一个‘提前测试过我们API’的投钱人,见面第一句话就说‘有些功能用不了有些能用;语音效果不行,稳稳当当性也有问题’。”Mati回忆,Nat不仅测试产品,还给出改进觉得能,之后才聊公司愿景。“这种‘先产品后融资’的顺序,反而让我们更有底气。”

估值也跟着业务涨。2023年底营收1亿到1.2亿美元, 2024年1月完成8000万美元B轮融资,估值33亿美元;“两周内,ARR已经突破2亿美元了”,从1亿到2亿用了10到15个月,比第一个1亿美元迅速得许多。“如果能保持身子优良的营收结构,一边为客户发明真实正的值钱,我们当然愿意挑战这玩意儿速度。”Mati说。

自建数据中心:一笔“算不过来”的账, 但赢在控制力

巨大许多数公司用云服务,ElevenLabs却自己建数据中心。“我们算过一笔账:持续训练一巨大堆模型,加上数据传输本钱,两年维度看,自建和租用云服务本钱基本打平。”Mati说明白, 但长远期看,自建更有控制权,能更迅速开展试试,“GPU基础设施手艺不会有太巨大突破的话,自建的性价比很高大,眼下投钱回报率已经体现出来了。”

模型推理则和老一套领域一起干,不全部自建。“自建用于训练,推理找一起干伙伴,这样既能控制本钱,又能保证灵活性。”Mati说这种“训练自建+推理一起干”的模式,让他们在计算材料慌时也能飞迅速迭代模型。

语音Agents:从“配音工具”到“百亿赛道”的野心

ElevenLabs的业务从配音转向旁白,眼下聚焦“语音Agents”。“语音正一点点成为人与手艺交互的关键接口,整个交互模式都在变来变去。”Mati说 他们打造“对话式Agents平台”,客户基本上来自呼叫中心、客户支持、个人助理领域,最巨大单笔合同200万美元,整合语音转文本、天然语音生成等手艺搭建解决方案。

以后潜力更巨大。“如果战略得当,单是语音Agents这一块,以后就兴许成为年营收数十亿美元的业务——潜力非常巨大。”Mati提到, 还会拓展“全渠道对话Agents”,集成邮件、WhatsApp等工具,覆盖老一套客户支持场景。“短暂期和Drift是伙伴关系, 长远期看战略方向,如果他们横向走,我们纵向深厚耕,兴许有有些沉叠,但目前优先一起干发明值钱。”

欧洲人才困局?他们用“使命感”破解

很许多人说欧洲手艺圈缺乏“巨大规模运营经验人才”,ElevenLabs却从欧洲找到了不少许优秀人才。“欧洲有很许多想努力做事、 想发明非凡值钱的人,但他们缺乏机会——基本上原因是之前困难得有欧洲本土公司有‘全球化野心’。”Mati说 眼下越来越许多欧洲公司有了“对标全球”的志向,人才也愿意加入,基本上原因是想参与“能在全球比的事业”。

团队里很许多“使命感驱动”的人,周末主动加班,在乎公司成败,不只是“完成干活”。“他们觉得自己是公司一份子,这种归属感很有力。”Mati说 招聘时早期没名气,都是主动挖人,反而更轻巧松找到“值钱观契合”的人;眼下公司规模变巨大,主动投递的许多,冲“名气”来的也没问题,“不是全部人都愿意冒同样的凶险,不能所以呢不是他们的值钱。”

没被OpenAI取代:三个“非对称优势”

OpenAI、 Google、微柔软这些个巨头围攻AI语音赛道,ElevenLabs为啥没被取代?Mati了三点优势:

第一,顶尖研发团队。全球真实正精通语音手艺且水平顶尖的研发人员非常少许, 50到100人,ElevenLabs团队里有5到10人能跻身这玩意儿行列。“文本转语音手艺远超行业水平;语音转文本在基准测试击败OpenAI和Gemini;音乐生成手艺,巨大公司还没攻克。”

第二,飞迅速施行力。细小团队模式让决策速度迅速, “不管是,施行力的速度、投钱决策的速度,是独一个能拉开差距的东西。”Mati说 早期研发到一定阶段就走向商品化,仅靠研发不够,非...不可靠产品力,他们把研发和产品结合得很优良。

第三,场景深厚度聚焦。OpenAI兴许投入材料做语音研发,但产品落地细节不够许多。“比如创意领域语音产品, 需要额外优化步骤;开发语音Agents,要整合知识库、做优良集成、开发功能模块,还要部署测试评估监控——这些个环节构成完整平台。”Mati觉得,ElevenLabs在这些个产品落地的细节上投入更许多。

增加远迅速≠稳:他们对“单位钱财效益”的清醒认知

外界很许多公司在聊聊“单位钱财效益差”,ElevenLabs却有自己的看法。“很许多公司的策略很明确:第一, 模型本钱以后会不断优化;第二,先建立用户相信品牌,再通过品牌积累的数据信号反哺业务。”Mati说 他们掌控研发、产品和分销全链条,单位钱财效益比巨大许多数同类公司身子优良,“但即便如此,推出新鲜模型时我们还是会优先追求‘飞迅速实现核心效果’,而不是过度优化本钱——这样才能比比对手更迅速把‘突破性体验’推向买卖场。”

营收黏性很高大,企业客户是核心。“客户留存率和净收入留存率才是更核心的指标。”Mati提到, 眼下招人帮抢占买卖场,短暂期人均营收兴许减少,但如果以后5年NRR持续增加远,且不再巨大规模扩招,人均营收天然会提升。“我们的人均营收表现很不错,这玩意儿指标确实能反映公司运营效率。但如果有明确的长远期增加远路径,我们会毫不犹豫招人——哪怕短暂期兴许拉矮小人均营收。”

欢迎分享,转载请注明来源:小川电商

原文地址:https://www.jinhanchuan.com/250749.html