ElevenLabsのCEOに聞く 音声AIの現在地と評価額220億ドル

何が報じられたか

ElevenLabsは、テキストを人間らしい音声に変換するモデルを提供する企業です。TechCrunchは、同社の共同創業者兼CEOであるMati Staniszewski氏に、カナダ・トロントで開かれた起業家向けカンファレンス「Nrth」(旧Elevate)で短時間のインタビューを行いました。同社は年間経常収益(ARR)が6億ドル規模で推移していると説明しており、投資家による評価額は220億ドルに達すると報じられています。創業からまだ4年という若い企業です。

顧客にはKlarna、Deutsche Telekom、Cisco、Adobe、そして増えつつある政府機関が含まれます。記事によれば、Klarnaは米国の3500万人の顧客向けの一次電話サポートを同社の技術で運用しています。またクリエイター向けに、オーディオブック、吹き替え、音楽といった用途でも提供されています。

音声モデルの現在地

Staniszewski氏は前年、音声モデルは数年でコモディティ化(一般化して差別化が難しくなること)すると述べていました。今回のインタビューでは、モデル単体で得られる品質差はまだ大きいとしつつ、3〜5年後にはその差は小さくなるとの見方を示しています。

同社が目指すのは、会話AIにおけるチューリングテストの突破だとしています。知能だけでなく感情知能が必要で、相手の感情を理解して話す速度を落としたり声を張ったりする必要があると述べていますが、これはまだ実現していないとしています。

顧客と競合の境界

事業構成について、氏はARRの55%以上が従来型のエンタープライズで、残りの45%の多くは中小企業や開発者、クリエイターだと説明しています。大企業向けと個人・小規模向けの両方に顧客基盤を持つ形です。

一方で、顧客が競合になる例も出ています。会話AIプラットフォームのDecagonはElevenLabsで音声製品を訓練した後、自社モデルで処理するようになり、現在は競合関係にあります。Staniszewski氏は、モデル企業・プラットフォーム企業・アプリケーション企業の境界が曖昧になっていると述べ、かつてモデル企業だったAnthropicが今はプラットフォームであり、さらに幅広いアプリケーションを手がける方向に進んでいると例示しています。

用途で変わるモデル選択

ElevenLabsは顧客に対し、推論を担うモデルを選択肢から選べるようにしています。情報提供だけの問い合わせでは、知識ベースが良い体験を定義するためオープンウェイトモデルを多く使える一方、金融サービスでは認証や取引情報、返金の処理が必要で誤りが許されず、フロンティアモデルが優位に立つと氏は説明しています。

政府案件では要件が異なるとしています。ポーランドの医療案件では、患者の予約に対して18%が無断キャンセルになる課題があり、電話でリマインドするエージェントを展開しているとのことです。この案件では、データレジデンシー(データを特定の国・地域内に保管する要件)を保ちながら、政府側が自らの知識で最適化したモデル群と統合していると述べています。

明かされていない点

粗利率については詳細を明かしていません。顧客にコスト削減分を還元する方針で、市場シェアを広げられるならマージンがさらに下がることも気にしないと述べています。

IPOについては、2028年を視野に入れていると報じられているものの、氏は「今後数年で実現できるよう基盤を整えている」と述べるにとどめ、実施するかどうかは時期と状況次第だとしています。

顧客の通話データを訓練に使うかという点では、企業と共同でモデルを作ったケースがあるとしつつ、訓練で大きかったのはデータ量ではなくアノテーション(教師データへの注釈付け)だと説明しています。社内で数千人規模の契約ベースの人材が、発話内容だけでなく話し方や感情の注釈を付けており、アクセントを正確に検出するためにボイスコーチを招いたと述べています。