Expressive Mode for ElevenAgents：让 AI 客服学会"察言观色"

2026-03-03 | 官网 | ProductHunt | 公告博客

30秒快速判断

这东西干嘛的：ElevenLabs 给自家语音 Agent 加了"情感模式"——AI 客服不再用一成不变的语调回答问题，而是能根据你的情绪实时调整语气。你急了它柔声安抚，你困惑它放慢节奏，你开心它跟着愉快起来。

值不值得关注：非常值得。这不是一个新创业公司的试验品，而是估值 $110 亿、年收入 $3.3 亿的 ElevenLabs 的战略级产品更新。Voice AI 从"能说话"到"会说话"，这是一个标志性节点。对做语音相关产品的开发者来说，这直接重新定义了用户体验基线。

与我有关三问

与我有关吗？

目标用户是谁：

• 企业客服团队（要把呼叫中心 AI 化的公司）
• 语音 AI 产品的开发者（做语音助手、电话机器人的人）
• 任何用 ElevenLabs API 的现有客户

我是目标用户吗？ 如果你正在做以下任何一件事：

• 搭建 AI 客服系统 → 你必须看看这个
• 做语音交互产品（教育、医疗、金融）→ 直接影响你的产品体验
• 写代码调 TTS API → 了解一下技术实现思路
• 以上都不是 → 作为科技趋势关注就好，不用急着上手

对我有用吗？

ROI 判断：如果你现在有真人客服团队处理电话，或者你的 AI 语音助手因为"太像机器"被用户投诉，这个投入产出比很高。但如果你只是做简单的 TTS（比如生成播客音频），Expressive Mode 的增量价值有限。

喜闻乐见吗？

爽点在哪：

• 情绪感知真的管用：它通过 Scribe v2 Realtime 实时分析你的语气、语调、停顿，推断你当前的情绪状态
• Turn-taking 终于不尬了：不再动不动打断你说话，知道什么时候该等你说完

"哇"的瞬间：

"卧槽 这是我听过最像真人的 AI！它会自己停顿，叹气、惋惜，完全模拟了真人客服的所有情绪" — @xiaohu (493 likes, 48789 views)

"这太疯狂了；Elevenlabs 搞定了。不仅是声音，尤其是延迟。" — @kimmonismus

用户真实评价：

正面："唯一经过验证、可投入生产的 TTS 解决方案" — G2 Review 吐槽："额度消耗太快了，而且不滚存" — Trustpilot Review

给独立开发者

技术栈

• 核心 TTS 模型：Eleven v3 Conversational — 基于 Eleven v3，专门为实时对话优化的超低延迟版本
• 语音转文字：Scribe v2 Realtime — 不只是转文字，还能从语音信号中推断情绪（升调 = 惊讶/释然，短促感叹词 = 兴奋）
• Turn-taking 系统：基于 Scribe v2 的信号，判断何时该说、该停、该等
• API 架构：三种接入方式 — REST（完整请求）、Streaming SSE（渐进式）、WebSocket + WebRTC（实时双向）
• SDK：Python / JavaScript / Swift / Kotlin
• 输出格式：MP3 / PCM / WAV / OPUS / u-law（电话场景）
• 合规：SOC 2, HIPAA, GDPR，支持 EU 数据驻留和 Zero Retention

核心功能怎么实现的

说白了就是两件事合在一起：

1. 让模型"听懂"情绪：Scribe v2 不只做语音转文字，还分析你说话的方式——语速、音高、停顿模式——来推断你是着急、生气还是开心
2. 让输出"带着"情绪：v3 Conversational 不是一句一句独立生成，而是保持整段对话的情感上下文。还能通过 [laughs]、[whispers]、[sighs] 这样的 expressive tags 精确控制

一个很聪明的设计：你可以在 system prompt 里定义情绪规则（"当用户语气焦躁时，用更慢更柔和的语调回应"），也可以让 LLM 自己往输出里插 expressive tags。

开源情况

• ElevenLabs 不开源，纯云端 API

• 开源替代品：

  • Chatterbox (MIT, Resemble AI) — 盲测中 63.8% 听众偏好它而非 ElevenLabs，可商用
  • Fish Audio Open Audio S1-mini — CC-BY-NC，不可商用但可本地跑
  • Kokoro (Apache) — 可商用
  • Coqui TTS — 开源语音克隆

• 自己做难度：高。单纯 TTS 可以用开源方案，但"实时情绪感知 + 情感调节 + 低延迟 turn-taking"这套组合拳，目前开源社区还没有完整方案，预计 6-12 人月。

商业模式

• 变现方式：按用量付费 API
• 定价：$0.08/分钟（TTS 按字符计费，STT 按分钟计费）
• 2025 年 ARR：$3.3 亿，同比增长 175%
• 客户量：41% Fortune 500，1000+ 企业客户

巨头风险

这个赛道巨头已经在场了：

• Google 有 Cloud TTS + Gemini 语音能力
• OpenAI 有 Advanced Voice Mode
• Amazon 有 Polly + Alexa 技术栈
• 微软 有 Azure Speech + Copilot

但 ElevenLabs 的护城河在于：语音质量仍然是公认的天花板，加上 $110 亿估值和 $7.8 亿融资。短期内不会被替代，但长期巨头跟进是确定的。开源社区（特别是 Chatterbox）正在快速追赶英语质量，但多语言和情感控制仍有差距。

给产品经理

痛点分析

• 解决什么问题：AI 客服接到愤怒客户的电话时，用平淡的语调回应只会火上浇油。Expressive Mode 让 AI 能"察言观色"，用合适的语气安抚、引导、解决问题
• 痛点有多痛：高频 + 刚需。每个有呼叫中心的企业都面临这个问题。一次糟糕的 AI 客服体验可能直接丢掉一个客户

用户画像

• 企业客服负责人：想用 AI 降成本但又怕用户体验下降
• 语音产品开发者：做电话机器人、语音助手需要更自然的交互
• 多语言业务：需要在 70+ 种语言中保持自然的语音体验
• 使用场景：客服热线、催收电话、预约确认、售后回访、多语言导购

功能拆解

竞品差异

可借鉴的点

1. 情绪感知作为基础能力：不是"加了个功能"，而是重新定义了语音 Agent 的基线体验。任何做语音产品的团队都应该思考"情绪"这个维度
2. Expressive Tags 的设计：让 LLM 通过文本标签控制语音情感，这个接口设计很优雅，降低了集成复杂度
3. System Prompt 情绪规则：把品牌语气和合规要求通过 prompt 实现，不需要额外训练模型

给科技博主

创始人故事

• Mati Staniszewski (CEO)：波兰华沙出生，伦敦帝国理工学院数学一等荣誉毕业，先后在 Opera Software (商业智能)、BlackRock (产品开发)、Palantir (部署策略师，4年) 工作
• Piotr Dabkowski (联创/研究负责人)：格但斯克出生，牛津工程学士 + 剑桥高级计算机科学 MPhil，NeurIPS 2017 论文作者
• 两人在华沙的哥白尼高中相识，15 年老友
• 创业动机：受够了波兰电影只有一个男声旁白覆盖整部片子的糟糕配音体验。"我们想让每种语言都能有原声级别的配音"
• 早期挣扎：被 30-50 个投资人拒绝。"这个市场存在吗？两个欧洲年轻人怎么和科技巨头竞争？" 最终以 $9M 估值融了 $2M，卖出 11% 股权
• 关键转折：原本做配音（dubbing），但 YouTuber 对配音兴趣不大，对 TTS 生成工具热情很高，于是果断转型

争议点/讨论角度

• "通过图灵测试的客服"是好事吗？ — Luke Harries (ElevenLabs 增长负责人) 在采访中说 Agent 正在"通过图灵测试"。这引发了一个伦理问题：当 AI 客服听起来完全像真人，消费者有没有权利知道自己在和 AI 说话？
• 开源正在追赶 — Chatterbox 在盲测中已经打败了 ElevenLabs（63.8% 偏好率）。ElevenLabs 的护城河到底有多深？
• $110 亿估值合理吗？ — 2025 年 ARR $3.3 亿，33x ARR 的估值在 AI 公司中算高还是低？

热度数据

• PH 上：票数仅 1（几乎没有 PH 社区关注，可能是因为不是新产品而是功能更新）
• Twitter/X 上：官方推文 1100 万播放, 2297 赞。CEO Mati 的 live demo 推文 2095 赞。说明真正的讨论在 Twitter 而非 PH
• 发布时机：2 月 10 日发布，2 月 4 日刚宣布 $5 亿融资。产品发布和融资宣传打了组合拳

内容建议

• 适合写的角度："AI 客服终于学会了察言观色" — 从人类情感交互的角度切入，不只是技术评测
• 蹭热点机会：ElevenLabs IPO 准备中，任何关于它的深度内容都有长尾流量

给早期采用者

定价分析

注意：$0.08/分钟听起来不多，但呼叫中心每天几百通电话，费用上去很快。而且额度 (credits) 不滚存。

上手指南

• 上手时间：15 分钟可以跑通第一个 demo
• 学习曲线：低（如果你用过任何 TTS API）
• 步骤：
  1. 注册 ElevenLabs 账号，获取 API Key
  2. 在 Agent 配置面板，选择 V3 Conversational 作为 TTS 模型
  3. Expressive Mode 默认启用，无需额外配置
  4. 在 system prompt 中添加情绪规则（可选但推荐）
  5. 测试、迭代 prompt 直到语气符合品牌需求

坑和吐槽

1. Expressive tags 只管 4-5 个词：你写了 [whispers]，它只低语一小段就恢复正常。如果要长段低语，得反复加 tag
2. Professional Voice Clones (PVC) 不兼容：如果你花钱做了专业克隆声音，切到 v3 Conversational 后声音可能完全不像原来的
3. 跨 session 一致性：同一个声音在不同通话里可能有微妙差异，对品牌一致性有要求的要注意
4. 非英语质量参差：70+ 语言听起来很美，但实际上英语之外的质量差异较大

安全和隐私

• 数据加密：传输中和静态都加密
• 合规认证：SOC 2, HIPAA, GDPR
• EU 数据驻留：支持指定数据存储在欧盟
• Zero Retention 模式：可以选择不存储任何音频数据

替代方案

给投资人

市场分析

• 对话式 AI 市场：2025 年 $148 亿 → 2034 年 $825 亿，CAGR 21%
• 语音 AI Agent 细分：2024 年 $24 亿 → 2034 年 $475 亿，CAGR 34.8%
• AI 语音生成：2024 年 $30 亿 → 2030 年 $204 亿，CAGR 37.1%
• 驱动因素：80% 企业计划 2026 年前集成 AI 语音到客服；AI 客服可降低 20-30% 运营成本

竞争格局

时机 (Timing) 分析

• 为什么是现在：三个因素同时成熟 — 1) LLM 足够聪明可以理解情感上下文；2) TTS 延迟降到 <100ms 可以做实时对话；3) 企业对 AI 客服的接受度从"试试看"变成"必须有"
• 技术成熟度：英语场景已经生产就绪 (production-ready)，多语言还在追赶
• 市场准备度：高。德国电信 (Deutsche Telekom), Klarna, Revolut 等已经在生产环境使用

团队背景

• CEO Mati Staniszewski：帝国理工数学 + Palantir 4 年，入选 TIME 2025 AI 100 人
• CTO Piotr Dabkowski：牛津 + 剑桥，NeurIPS 论文作者
• 团队规模：400 人，20 个 5-10 人微团队
• 全球布局：14 个城市的办公室
• 管理风格：CEO 亲自面试每一个人（即使公司已经 $2 亿收入）

融资情况

• 2025 ARR：$3.3 亿，同比增长 175%
• IPO 计划：CEO 公开表示正在"建设通往 IPO 的道路"

结论

Expressive Mode 不是一个新产品，而是语音 AI 行业的一个分水岭。 它把"AI 能说话"的能力提升到"AI 会说话"。对于做语音交互的团队来说，这重新定义了用户体验的基线——你的竞品如果上了这个，你没上，用户会明显感觉到差距。

资源链接

2026-03-03 | Trend-Tracker v7.3