Deepgram 收入破亿后和客户抢生意：语音 AI 的利润留在哪一层？

2026 年 1 月，Deepgram 完成 1.3 亿美元 C 轮，估值 13 亿美元，同时收购了 YC 孵化的 OfOne。Deepgram 靠语音识别起家，按分钟卖给开发者，客户里有 Twilio（也是这轮的投资方）和做语音智能体的 Vapi。OfOne 做的是快餐店得来速（开车不下车的点餐窗口）的语音点单，Deepgram CEO Scott Stephenson 看中的就是这个场景。

Deepgram 在创投库内的资本关系：2020 年 A 轮 Wing VC 领投，2021 年 B 轮 Tiger Global 领投，2022 年 B 轮追加 Madrona 领投，2026 年 C 轮 AVP 领投，累计约 2.15 亿美元；投资方还有英伟达、SAP、Twilio 等，外圈是这些机构投过的其他公司；下方为创始团队 Scott Stephenson、Noah Shutty、Adam Sypniewski（SVTR AI 创投库，2026 年 11 月）

三层语音公司，分的是企业按分钟付的同一笔钱

这笔收购放回产业链里看就不奇怪了。一通 AI 接听的电话背后有三层语音公司：最底层是模型和线路，识别负责“听懂”，合成负责“说话”，再加实时传输；中间是编排平台，自己不做模型，替企业把几家模型接成能打电话的 AI 客服；最上面是行业应用，直接和保险公司、快餐连锁签合同。加上付钱的企业，就是下图的四层。

模型公司收钱的方式各不相同，合成按字符、识别按分钟，但企业最后认的只有一个单位：一分钟通话。三层公司分的是同一笔钱。企业只和离它最近的那家谈价，那一家定这一分钟卖多少，再在下面挑便宜的供应商，差价归自己。

语音 AI 产业链四层：企业客户按通话分钟付费；行业应用层 Parloa 近 24 个月融资 4.7 亿美元、PolyAI 0.86 亿美元，Deepgram 收购的 OfOne 做快餐点单；编排平台层 Vapi、Retell AI、Bland AI、Synthflow，Retell 平台费每分钟 0.055 美元；模型与基础设施层识别 Deepgram、AssemblyAI 每分钟 0.006 至 0.0125 美元，合成 ElevenLabs、Cartesia、Fish Audio、Gradium，实时传输 LiveKit、Twilio（SVTR AI 创投库，截至 2026-11-12；价格据各公司官网与 Sacra）

我们的判断：语音 AI 的利润正在往握着客户合同的那一层集中。单卖识别已经卖不上价，单卖合成的溢价也守不久，夹在中间、只负责把模型接起来的编排平台最先被挤。这里说的“握着客户合同”，指直接和付钱的企业签长期合同、懂它行业流程的一方，不管它原来在哪一层。Deepgram 自己去签餐厅，就是想变成这一方。

识别已经卖不上价，Deepgram 只能自己下场接电话

2022 年 9 月 OpenAI 开源 Whisper 后，识别价格被打了下来：现在 Whisper 接口每分钟 0.006 美元，Deepgram 的基础识别约 0.0125 美元。识别准不准已经拉不开差距，Deepgram 改卖“快”：AI 在电话里接话，慢半秒对方就听出来了。

Deepgram 的收入没受影响，年化收入今年 8 月过了 1 亿美元。但投资人出价不高：按 SVTR AI 创投库记录，它的估值只有年化收入 13 倍，ElevenLabs 是 37 倍。

Deepgram 与同行年化收入对比（亿美元）：ElevenLabs 6，Deepgram 1，Retell AI 0.6，Parloa 0.52；Deepgram 估值是年化收入的 13 倍，ElevenLabs 是 37 倍。年化收入为 Sacra 估算，估值倍数为创投库最新估值除以年化收入（SVTR AI 创投库，截至 2026-11-12）

收入在涨、倍数上不去，这就是 Deepgram 沿产业链往上走、改卖整通电话的原因。它 2025 年推出了打包识别、大模型和合成的语音智能体接口，每分钟 0.075 美元，是单卖识别的 6 倍，卖的正是它的客户 Vapi、Retell AI 在卖的东西。

同一通电话的三种卖法：单卖识别，OpenAI Whisper 接口每分钟 0.006 美元，Deepgram 基础识别约 0.0125 美元；单卖合成，ElevenLabs 每百万字符 80 美元，是谷歌 4 美元的 20 倍；卖整通电话，Deepgram 智能体接口每分钟 0.075 美元（SVTR AI 创投库，截至 2026-11-12；价格据各公司官网与 Sacra）

合成的溢价还在，但追兵一出场就带着大钱

合成这一端情况不同。Mati Staniszewski 创办的 ElevenLabs 还卖得上价：它最新一代合成模型每百万字符 80 美元，谷歌的基础合成 4 美元，差 20 倍。它的年化收入今年 6 月到了 6 亿美元；2 月红杉资本领投 5 亿美元 D 轮，估值 110 亿美元，9 月 Wellington、T. Rowe Price 牵头一笔员工老股转让，又把估值抬到 220 亿美元。

这是对我们判断最有力的反驳：顶级投资人按 220 亿美元下注，说明合成的溢价眼下守得住。但据 Sacra，ElevenLabs 的增长主要来自它的智能体平台，企业拿它做客服、销售和招聘。也就是说，这 220 亿美元押的更多是它往上走、按通话收钱的那部分，而不是按字符卖声音。

它的投资方名单里还藏着一层风险。三家主要投资方红杉、a16z、Iconiq 都投了自己也在做语音对话的大模型公司：红杉投了 OpenAI、Anthropic、xAI，a16z 投了 OpenAI 和 xAI，Iconiq 投了 Anthropic。语音一旦成了大模型的标配，这几家基金未必还会为“单卖声音”加注。

追兵在创投库里看得见：

· Gradium，巴黎，Neil Zeghidour 等人创办，2025 年 12 月种子轮 7,000 万美元；

· Fish Audio，从开源合成项目 Fish Speech 起家，2026 年 7 月种子轮 5,200 万美元，Retell 已经在生产环境里用它的模型；

· Cartesia，Karan Goel 等斯坦福研究者创办，2025 年 10 月 B 轮 1 亿美元，英伟达参投。

识别要等 Whisper 开源、出现免费替代品才降价。合成这边不用等：开源起家的 Fish Audio 已经被客户用上，两家新公司的种子轮都超过 5,000 万美元。替代品一多，价格就难守。我们认为合成会把识别的路再走一遍，而且更快。

编排平台融资最少，也最先被两头挤

Vapi、Retell AI 这类公司站在中间，替企业把识别、大模型、合成接起来，调好延迟，处理好对方中途打断。这门生意眼下能赚钱。Retell 只融过一轮 460 万美元的种子轮，2025 年底年化收入已约 6,000 万美元。它每分钟收 0.055 美元平台费，模型费用照成本转给客户，识别用的正是 Deepgram。Jordan Dearsley 创办的 Vapi 今年 5 月拿到 Peak XV 领投的 5,000 万美元 B 轮。

但能赚钱不等于站得稳，两头都有人竞争。模型那一头，Deepgram、ElevenLabs 自己就卖接好的整套，客户可以绕过中间层。客户那一头，大企业直接和 Parloa、PolyAI 这类公司签长期合同，不经过编排平台；这些公司还管着话术和系统对接，客户换起来难。Retell 的客户多是服务业和本地商家，换平台的成本低得多。

收入再好，钱也没往中间流。近 24 个月，我们追踪的 12 家美欧语音公司里，模型层 6 家融了 15.7 亿美元，直接签客户的行业应用 2 家融了 5.6 亿，同在最底层、但不做模型只做实时传输的 1 家融了 1.5 亿，编排平台 Vapi、Bland AI、Synthflow 三家只融了 1.4 亿（Retell 这 24 个月没有新融资），还不到 Parloa 一家的三分之一。模型层钱多是因为训练烧钱，ElevenLabs 和做语音对话模型的 Sesame 两家就占了七成多；要看的是中间层：收入不差，却最难获得投资机构的青睐。

语音 AI 各层近 24 个月融资（亿美元）：模型层 6 家 15.7，行业应用 2 家 5.6，实时传输 1 家 1.5，编排平台 3 家 1.4；Vapi、Bland、Synthflow 三家合计不到 Parloa 一家的三分之一。口径：库内有档、主营语音的美欧公司 12 家，2024-11 至 2026-11 已披露融资，非全量排名（SVTR AI 创投库，截至 2026-11-12）

表 1｜美国语音 AI 五家公司的融资与年化收入

数据：SVTR AI 创投库，截至 2026-11-12。年化收入为 Sacra 估算，不是公司审计数。

留得住利润的，是握着客户合同的那一层

柏林的 Parloa 直接卖给大企业客服中心，今年 1 月 General Catalyst 领投它 3.5 亿美元 D 轮；Nikola Mrkšić 等剑桥研究者创办的 PolyAI 给企业客服热线做语音助手。它们也用别人的模型，但手里有行业话术、系统对接和长期合同，换模型供应商对它们只是成本问题。

创业者也在往这一层走。2026 年 5 月以来，SVTR 接触的创始人中 7 个在做 AI 接打电话，其中 4 个瞄准具体行业：两个给美甲、美容这类预约制门店接电话，一个替充电站接司机的故障电话，一个给呼叫中心配语音智能体。没有一个是单做识别或合成模型的。

Deepgram 买 OfOne，买的也是快餐点单的流程和门店合同。我们在《Thrive Holdings 用 20 亿美元买会计所：AI 应用的壁垒究竟是什么？》里写过同一个思路：Thrive Holdings 直接收购会计所来拿客户。

不过，资本还没有集中押在某一层，不少基金在产业链不同层同时下注：

表 2｜同一家基金，押在语音产业链的不同层

数据：SVTR AI 创投库，截至 2026-11-12。

对语音创业者，从这张表可以看出：来谈的基金，可能同时投着你的供应商和你的竞争对手。

中国的钱没投单卖语音的公司，语音被大模型顺手做了

创投库里做语音识别、拿过融资的中国创业公司只有两家。一家是 2007 年成立的思必驰，融资停在 2024 年 1 月的一笔战略投资。另一家是复旦邱锡鹏团队创办的模思智能，今年 10 月完成超 10 亿元人民币 Pre-A 轮，但它做的是同时处理语音和视频的全模态大模型，识别和合成只是其中两项能力。

其余做语音的都是大模型公司。阶跃星辰累计融资约 32.7 亿美元，开源的 Step-Audio 系列把听、理解和说放进同一个模型；MiniMax 也对外卖语音合成接口；字节跳动的豆包把识别、合成、声音复刻、实时对话各做成一个模型，在火山引擎上一起卖。

美国那种靠单卖识别或合成起家、一路融到 C 轮 D 轮的公司，在中国几乎没有。对中国的语音应用团队，这有好有坏：上游靠大模型整体赚钱，没有 Deepgram 那种只能下场抢客户的压力，也就不太会来抢应用团队的客户；代价是能挑的独立供应商少。这也给美国的编排平台提了个醒：大模型把听、想、说做进同一个模型之后，“把三家模型接起来”这件事可能就不需要了。

看语音公司，先问它离通话账单有多远

对正在看项目的基金，我们的建议是两条：

· 投应用层：别只看技术接得多顺，要看有没有客户合同、懂不懂行业流程。只会把别人的模型接起来的公司，客户明天也能随手换掉它。

· 投模型层：看收入里按通话卖整套智能体的部分有多大。只卖单项能力的公司，估值很难跳出 13 倍这一档；Deepgram 眼下的倍数，市场还是按识别公司给的，而 ElevenLabs 的 37 倍，押的主要是它的智能体业务。

接下来值得盯三件事：Deepgram 的餐厅业务能不能签下连锁品牌；ElevenLabs 会不会单独披露智能体收入的占比；Retell、Vapi 会不会往上走，开始专攻某个行业、自己签大企业客户。最后一件一旦发生，就说明连中间层自己也承认：利润在握着客户的那一层。