ElevenLabs联合创始人兼CEO马蒂·斯坦尼舍夫斯基（Mati Staniszewski）表示，语音正成为AI的下一个主要交互界面——随着模型超越文本和屏幕，人们将越来越多地通过语音与机器进行互动。
在多哈举行的Web Summit上，斯坦尼舍夫斯基告诉TechCrunch，由ElevenLabs等公司开发的语音模型最近已不再仅仅模仿人类speech——包括情感和语调——而是与大语言模型的推理能力协同工作。他认为，这一转变改变了人们与技术互动的方式。
他说，在未来几年里，“希望我们的手机都能回到口袋里，让我们沉浸在周围的现实世界中，以语音作为控制技术的机制。”
这一愿景推动了ElevenLabs本周以110亿美元的估值完成5亿美元融资，并且这种观点在AI行业日益得到广泛认同。OpenAI和Google都将其下一代模型的核心聚焦于语音，而Apple似乎正通过收购Q.ai等举措，悄然构建始终在线、与语音相关的技术。随着AI扩展到可穿戴设备、汽车和其他新型硬件中，控制方式正从点击屏幕转向更多依赖语音，使语音成为AI下一阶段发展的关键战场。
Iconiq Capital普通合伙人塞思·皮尔蓬特（Seth Pierrepont）在Web Summit的舞台上也表达了类似观点，他认为虽然屏幕在游戏和娱乐领域仍将继续发挥重要作用，但键盘等传统输入方式开始显得“过时”。
皮尔蓬特表示，随着AI系统变得更加具有自主性（agentic），交互方式本身也将发生变化，模型将获得护栏、集成能力和上下文信息，从而能够在用户较少提供明确提示的情况下做出响应。
斯坦尼舍夫斯基将这种代理性转变指认为正在发生的最大变化之一。他表示，未来的语音系统将越来越多地依赖随时间积累起来的持久记忆和上下文，而不是逐条列出所有指令，从而使交互更加自然，用户所需付出的努力也更少。
他补充说，这一演变将影响语音模型的部署方式。虽然高质量的音频模型大多运行在云端，但斯坦尼舍夫斯基表示，ElevenLabs正致力于一种混合方法，将云处理和端侧处理相结合——此举旨在支持包括耳机和其他可穿戴设备在内的新硬件，在这些设备上，语音将成为一个常伴左右的伙伴，而非仅在用户决定使用时才启用的功能。
ElevenLabs已与Meta合作，将其语音技术应用于Instagram及其虚拟现实平台Horizon Worlds等产品中。斯坦尼舍夫斯基表示，他也愿意与Meta就其Ray-Ban智能眼镜展开合作，随着语音驱动界面扩展到新的形态，这类合作将变得更为重要。
但随着语音变得更加持久并嵌入日常硬件中，它也打开了关于隐私、监控以及语音系统在与用户日常生活日益紧密的接触中将存储多少个人数据的严重担忧之门——对此，像Google这样的公司已被指控滥用这些数据。