ElevenLabs' Mati Staniszewski: How Voice Becomes the Interface for Everything

我和别人一样喜欢折线图和柱状图，可能还更喜欢一些。但 eleven Labs 的故事从人的角度看也很有意思，因为你是和一位儿时好友一起创办了这家公司。所以不妨先带我们回到 2022 年，或者更早一些，讲讲 eleven Labs 故事中更有人情味的一面。

我觉得在 eleven Labs 的故事里，我运气最好的一点是——它虽然开始于 2022 年，但感觉其实是从十七年前我遇见我的联合创始人 Piotr 时就开始了。波兰语里的名字都很复杂，幸好对我们来说还好。我们是在高中认识的，后来成了最好的朋友，一起上所有相同的课，然后这些年里，几乎什么事都是一起做的。所以我们一起旅行、一起学习、一起工作，而时间一直站在我们这边。

我们现在仍然是最好的朋友。到目前为止，一切都运转得很好。而 eleven Labs 之所以会开始，部分也来自我们共同的成长背景带来的启发。我们都来自 Poland，来自 Warsaw 郊区。而 Poland 有一件非常特别的事。

如果你看任何配成波兰语的外国电影，里面所有的声音，不管是男声还是女声，都会由同一个人来统一旁白。所以你可以想象，这种体验相当糟糕。基本上就是一个声音在讲述一切。而且通常还会刻意保持单调，你得自己去为这些内容脑补情绪。我们从小就是在这样的环境里长大的，而且直到今天，大多数内容依然还是这样。

这让我们意识到，在整个 audio（音频）领域，以及未来的发展中，一个非常明确的方向会是：让每个人都能用任何语言说话，同时保有同样的情感、同样的 intonation（语调）。于是我们开始更深入地研究这个问题，并意识到 audio 的问题其实也存在于很多其他场景里：无论是为我们身边的内容做 narrating（讲述/配音），还是很多书没有 audio 形式，还是新闻文章只能读不能听，还是语言障碍；再往未来看，就像前面对话里提到的那样，在 humanoids（人形机器人）、robots（机器人）围绕在我们身边的世界里，voice（语音）会成为大量技术的主要 interface（交互界面），而这正是我们很想修复并解决的问题。

很好。而 Eleventh Labs 构建的是面向 audio 的 frontier models（前沿模型）。我觉得现在似乎有一种范式：要做 frontier model，就得先拿到数百亿美元，至少也是数十亿美元，然后剩下的以后再说。11 并没有走这条路。你能不能谈谈你们构建这家公司的方法，你们为什么能这么做而别人没有复制，这种路径到了 2026 年是否还可能，等等？

对。我觉得这也延续了我们在时机上的那种好运，因为我们是从 2022 年开始的。对当时在这个 domain（领域）里工作的人来说，那一年还是 crypto 和 metaverse 的年份。那时几乎还没有人真正投入到 AI 这边。更进一步说，当然已经有人开始做 text models（文本模型）和 visual models（视觉模型），但 audio 作为一个领域，仍然被认为是一个很小的 niche（细分领域）。

当时这个方向上的研究者非常少。所以对我们来说，选择这个 domain 有几个好处。第一，我们对那个未来的发展方向本来就很兴奋。第二，我们觉得身边的人并没有真正意识到这个领域的价值。第三，这个问题需要解决的要求本身也很不一样。audio models（音频模型）规模更小，所以你不需要像其他一些“姊妹领域”那样，投入那么多 compute（算力）。

数据需求很大，但虽然音频数据很多，我们知道，要真正让这些音频发挥作用，就需要想办法把其中大量数据转写（transcribe）出来，并为所有这些数据做标注（annotate），而我们知道这些是我们能做到的。最终，问题都归结到架构层面：我们能不能把这一部分很好地解决？在这方面，我的 co-founder 是我认识的最聪明的人之一，也是非常出色的 researcher，并且已经能够召集到一些音频领域最优秀的人来帮助我们。我们当时采取了一种稍微不那么传统的方法。我们是在 London 开始的。

我们有很多人分布在 London 和 Warsaw 之间，并且是以完全 remote（远程）的方式创办公司的。所以我们想在任何地方招到最好的 researcher。我们采用了很经典的 GitHub scraping 做法，试着根据人们的作品而不是他们的所在地去联系他们。基于这些工作成果，我们会主动接触这些人。我们也总会分享我们的 sample，并尝试说服他们加入团队。

这就是我们组建起第一批成员的方式，而我们认为他们是音频领域最优秀的一批 researcher。多年下来，他们依然在帮助我们把很多 model 持续推进到 production（生产环境）中。之后我们推出了产品。我认为我们采取的一个稍有不同的做法是非常快地 monetizing（商业化变现），也就是尽快获得一些 revenue stream（收入来源）回流，这样我们就能为大量 model 相关工作提供资金。

我们尽量让利润率保持健康，这样就能继续投资；我们的假设是，最好由我们自己先把这条收入线跑通，并在这种 development（开发）上保持独立性。但随着目标变得更大，我们知道自己需要训练 model，所以当然也从外部引入了大量资金。我觉得放到今天来看，有一点对我们来说很明确：仍然有很多别人没有去做的 niche（细分领域）可以作为起点，你可以先从这些地方开始，然后一步一步把它们打开。

我觉得很多客户是通过自己比较狭窄的需求来看 Eleven Labs 的，对吧？也许你可以从更宏观的角度讲讲：Eleven Labs 在做的是一整套怎样的 model？你们是如何确定优先级的？又是怎样组织 R and D（研发）等工作的？

所以我们最开始做的是第一个 text to speech model，也就是那个终于能够理解书面内容上下文的 model。基于这种上下文理解，它可以从文本中给出正确的情绪、正确的 intonation（语调）。所以如果是一句开心的话，你就能听出那种开心；如果是一段 dialogue（对话），它也能把对话恰当地说出来。然后我们就持续不断地在这个基础上增加能力。

所以一开始的问题是如何打破语言障碍。要解决 dubbing（配音），你需要解决 transcription，也就是理解内容；然后是 translation；再然后是 text to speech。所以我们最先看到的是 text to speech。接着我们知道自己需要加入一个数据组件，也就是 speech to text，以及以出色的方式转写内容的能力。然后再思考如何把这些 model 组合在一起。

所以前几年的头三个 model 大致就是这些。当然，之后这个领域里也开始发生其他事情：很多 reasoning model 同时变得足够快、也足够聪明了，于是你就可以想象交互式体验成为可能。也正是在那时，我们开始推出更多跨音频的 real-time streaming model，并把它们组合进 conversational experience（对话式体验）中。所以我们实际上补上了整套 stack（技术栈），包括所有的 turn-taking（轮次切换）和 orchestration（编排），来为 voice agent 打造一个 voice engine。另一方面，随着我们意识到情感表达这件事是我们能够解决的，我们也加入了音频中一些最难的 modality（模态），也就是 music，以及生成音乐的能力。

所以如今，我们的研究已经覆盖了 audio 的全栈：无论是 text to speech、speech to text，还是把这些模型结合起来，用于 localization（本地化）与 dubbing（配音），再配合 voice engine 做 orchestration（编排），而且也能把这些能力扩展到 music 上。

那么，在所有这些事情和这些有趣的开发工作里，有没有哪种“哇”的时刻，是你现在还记得的，让你觉得这些产品的能力真的令人惊讶？

这种时刻其实非常多，而且门槛对我们所有人来说都一直在变化。对我们来说，第一个时刻是——嗯，他们一直用我的声音做测试声音，因为我有种很奇怪的口音。第一次真正让人震撼的是，当我们能够基于一段高质量样本复制出我的声音时，那对我自己来说就是第一个 “wow moment”。而且我总会有那种反应：这听起来根本不像我的声音。然后你把两个声音并排来听，就会发现——很遗憾，确实就是这么像。

然后第二个时刻，是我们第一次让它笑出来的时候。大家当时就觉得，好吧，这才是真正让整个体验更像人的东西。笑声、停顿、那些 um、那些不完美之处。所以我们开始把这些东西做出来，那对我们来说就是一个关键时刻，因为我们凭借第一个会笑的 AI model 登上了 hacker news 热榜，这让我们非常自豪。当然，接下来的几年里，这种进展还在继续扩展。你可能还记得，在 2023、2024 年，有一段 Javier Malay 的演讲 viral 了，因为你可以让他讲其他语言。

它被翻译成了 English。而那也是第一次，你仍然能清楚听出那就是他的声音。所以这类持续不断的 “wow moment”，本质上都是以前完全不可能做到的事。后来我们又一次次看到这种情况发生在 Narendra Modi、president Zelensky 身上，直到最近，我觉得算是 voice performance 的一个高峰：Matthew McConaughey 用 Spanish 和 Portuguese 说出他的 newsletter 以及那些标志性台词。那是第一次，他那些说这些语言的家人也能听见他“说”这些语言。不过说到最近、而且是我们很期待推向 production 的东西，有两个方向。

我觉得第一个，是终于开始搞清楚这种交互式体验里的 emotional intelligence。也就是说，在 voice agent 的体验里，它不只是能给出正确的 intonation 和 emotion，还能理解对方的状态。所以如果有人很有压力，它就能感知到，并给出那种安抚、令人安心的情绪表达；如果对方很兴奋，它也许就会去匹配那种状态；如果对方说话很慢，它也会确保自己放慢下来。

这种 emotional intelligence，是我们终于在内部看到了可行的解决路径的东西，而这会持续带来一次次能力上的跃迁。然后第二个方向，会应用在这里，但也会扩展到更广义的 audio 领域，也就是 audio general intelligence：你可以把多个 audio model 在同一条流里组合起来。也就是说，从理论上讲，你可以有一个 model 先进行 narrate（旁白），然后停下来，再用同一个连续的声音开始 singing。这在今天是极其难以组合的，但我认为很快就会成为可能。

你刚才提到了 voice agents。现在看起来，至少在客户侧，几乎每个人都在买 voice 相关的东西。直觉上，人们会想到 customer support，想到替代老式电话菜单系统的方案。但 voice agents 这个世界里实际上正在发生什么？还有，你认为哪些最有意思、却被忽视了的机会点，是 startup 创始人应该重点关注的？

对，当然，customer support（客户支持）大概是大家都听过、也非常非常熟悉的一个场景。我认为第二点、也是我们正在看到的第二条主线，是越来越多地转向创造收入的机会：voice agent（语音 agent）可以参与销售，无论是 inbound 还是 outbound 的销售。它不会取代整个体验，但会接管并放大其中的一部分体验。一个很好的例子可能是 Deliveroo：Deliveroo 会使用 voice agent 联系餐厅，获取它们的营业时间。根据这些营业时间，他们就可以更新 riders、drivers，当然也包括下单的用户，让大家知道什么时候该去取餐。再到 inbound sales 这边，一个越来越常见的例子是 Deutsche Telekom，用户会来联系咨询服务，或者询问购买某个产品。

与其去点 dropdown（下拉菜单），与其去填 form（表单），你可以直接和 voice agent 说话，把这些信息留下来。我们自己也在这么做，所以我们对这里实际发生了什么有比较扎实的 metrics（指标）理解。第一，当然，这样简单得多、也快得多，不用再走那套表单流程。第二，在这个 inbound sales 流程里开始发生的一件事是：人们留下的信息变多了，因为他们会直接讲自己带着什么 use case（使用场景）而来、哪里不工作、哪里工作、他们还在评估哪些其他 use case。我们可以把这些信息整合起来，随后提供好得多的体验。至于一个经常被忽视的方向，我觉得我最喜欢的例子是 citizen support（市民服务支持）——教育和医疗都会被彻底改变。

在 citizen support 这件事上，我们所有人都会受益于更好的政府服务可达性。比如，更清楚地知道该怎么报税——我想你们很多人这个月早些时候刚经历过——再到了解出国旅行的政策是什么，以及这会如何影响相关安排。我们最近看到这项能力已经部署到了乌克兰政府中；我们认为，在这方面他们算是最先进的政府之一。我们去过乌克兰，和他们的团队一起工作。他们要解决的问题是：他们有一个政府 app，每个公民都可以访问并获取正在发生的信息。但考虑到战争、前线，以及很多人缺乏这种访问条件，他们希望找到一个新的渠道，让人们可以打电话进来获取这些信息。所以他们实际上创建了一个 Voice Agent，这样你就可以打电话进来，了解前线正在发生什么。

你还可以获得教育帮助，甚至让一些课程内容传递给你的孩子；再进一步，还有关于如何保持安全、如何在外部环境中保护自己的主动式沟通。教育方面最后再举一个例子，这大概也是我最喜欢的一个，因为想到它会带来的改变，就会觉得非常惊人：如果能有一个极其出色的老师 24/7 随时可用，你可以随时向他提问——无论是 Karpati，还是 Richard Feynman——那会有多棒。你可以一边戴着耳机，一边和他们学习 physics，边教这个学科，或者边学这个学科。而这类事情我们已经开始在一些局部场景里看到了。一个很好的例子是 Masterclass：Masterclass 当然会与非常优秀的老师合作，提供静态讲座内容。

但最近，他们推出了一个可交互版本。所以我不知道这对这位听众来说是不是个好的参照，不过我们最近和他们合作，把 Gordon Ramsay 带了进来，让他可以教你做饭。这样当你在厨房里的时候，他基本上就可以对你“吼”，帮助你做得更好。或者也许一个更好的例子是 Chris Voss：你当然可以学谈判，但你还可以通过在电话里实时和 Chris 谈判来提升自己，我觉得这是个非常了不起的方向。

你是不是已经在几轮融资里和 Matti 交手谈判过很多次了？我现在明白了。

我觉得这么说对你有帮助，但我认为事实恰恰相反。

我还想再问几个问题，不过我也想给现场观众留点时间。也许先问一个，正如 Constantine 提到的，Q1 新增净 ARR 超过了 $100,000,000。显然，业务进展得非常顺利。而你们也在开创一种新路径：由 startup founder 来同时打造 foundation model（基础模型）和 applications（应用）。

在这个时代创业，有没有什么反直觉的经验教训，是在座的创业者们可以带回去的？

作为参考，我们现在刚刚超过 400 人，营收超过 400,000,000，但团队规模依然保持得非常小。这个标准有点粗略，也有点任意：每个 research product 团队的人数上限都不到 10 人。甚至连 go to market、ops、talent 这些团队，规模也都小于这个数量级。

大多数人会有大约 10 个 direct reports（直接汇报对象）。这样组织会相对更扁平，也让我们行动得更快一点。我们做过一件事，在这种模式下非常令人意外的是，我们其实也在 Ukraine government 身上看到了非常相似的做法：每个团队里，哪怕不是 technical team，也会配有 engineer。也就是说，我们的 people team、go to market team、legal team 里，都会有一名 engineer，帮助搭建 automation（自动化）流程，提升、升级团队中其他成员的能力。最近这件事帮了我们很大忙，因为我相信你们很多人也在经历：现在大家都会进行 vibe coding，会大量借助 coding 来完成工作，即使他们并不是技术背景。

所以现在，这在某种程度上改变了责任的分配——也不能完全说是责任，而是改变了对这类工作所需 review（审查）质量的要求。如果这些工作涉及 security 或 infrastructure 的影响，你一定会希望输出结果是正确的。我认为在 engineering 一侧，你可以提出这种预期；但在非 engineering 一侧，要具备这种能力其实相对更难。

所以，这些团队里的 technical resource（技术资源）帮了我们很多，让我们弄清楚该怎么做。总体来说，只要有这样的人在，能做的出色工作就太多了。比如说，在 hiring 和 recruiting 这边做 scraping（抓取），分析过去什么方法有效，从而改进未来；或者帮助 legal team 提升使用这些工具的能力。再比如，最近我们引入了一套 scoring system（评分系统）。对于 go to market 或 sales 一侧的人来说，你经常会和销售团队陷入这样的谈判：我能不能给 indemnity provisions（赔偿条款）？liability cap（责任上限）是多少？我能不能给出这一组 clauses（条款）？

然后你就需要划出边界，决定到底能给多少东西。我自己最后参与了太多这样的讨论：我们是不是已经给得很多了，或者我们是不是还没给到。所以现在我们引入了这套 scoring system：你可以根据 customer 的规模分配一定数量的分值，然后只需要在这些范围内给出少量点数即可，这一下子就让事情简单了很多。当然，按照我们现在跨团队的协作方式，这套流程已经完全 automated（自动化）了。所以这是其中一个反直觉的做法：小团队、把 technical talent（技术人才）带入非技术团队、并保持组织相对扁平。

我们也没有 titles（职级/头衔），这让我们能够引入人才，并真正以他们实际产生的 impact（影响）为优化目标。这样一来，你想成长多快都可以，tenure（任职年限）不会定义我们。还有很多做法。所以再看看吧。

这毕竟是一家只有四年历史的公司，所以我们再看看这样是否真的有帮助。

有什么问题吗？哦，没有，好吧，Sonya。

你有没有看到人们部署 voice agents（语音 agent）来真正代表他们进行谈判？然后，当你——你是否开始看到 agent 实际上和 agent 谈判了？抱歉，我有三个——

——部分的问题。

当那样的世界到来时，你觉得 agent 彼此之间真的会像人类那样通过说话来沟通和谈判吗？还是你觉得会是 beep, boop, beep, boop？你觉得这一切都会瞬间完成吗？那个世界会是什么样子？

所以，这方面我们确实看到了一些早期迹象，但在谈判前线，我们还没有看到任何真正成功的案例。更多还是那种接单式的流程。“价格是多少？我们能不能把这个信息记下来？”然后再回到团队那边，所以还不算真正的谈判。

不过我们确实看到有几家 startup，尤其是在一些组织协调上的场景，比如“我能不能把这个活动组织起来”，它会打很多电话，询价，然后再按照我们的预算重新打电话沟通。所以这种事已经在发生了，而且我认为这会继续转变。我觉得 emotional intelligence（情商）会成为其中很重要的一部分，在很多这类工作里，重要的不只是内容本身，还有你如何表达、如何停顿这些因素。再进一步说，一个更极端的版本是：agent 并不像——大多数人今天其实不会这样做，而且也不擅长——那就是现在你会看到系统里内建了很多 interruptibility（可打断性），人类可以打断 agent。但在谈判里，你也会希望出现相反的情况：agent 会打断人类。

这算是那种趋势的极端版本。至于第二部分，也就是 agent 对 agent 的部分，你们中有些人可能看过，我们在一年半多以前办过一次 hackathon，当时就是那种情况：一个 agent 在和另一个 agent 说话。它们检测到彼此都是 agent，于是切换到了一种不同的语言。那种语言比经典的口语更高效地传递信息。我认为这一定会发生，100%。

真正的大问题会是：那会不会真的是 voice（语音）？还是会是别的信息传输方式？这确实取决于底层 infrastructure（基础设施）是为哪种方式构建的，我认为这会定义那种体验。我看到你那边有 catch box。

嗨，我很好奇，在未来 agent 会承担越来越多工作的情况下，你是如何看待 voice 的必要性的。也就是说，哪些 use case 中人类对话仍然重要——我觉得这更像是对上一个问题的追问。

首先，我们每个人身边都会有越来越多不同的设备，再往前一步，你身边还会有 robots。所以当然，voice 会成为一种非常重要的 interface（交互界面），用来发出指令，并与这些设备进行交互。在很多方面，我觉得我们已经看到了 intelligence（智能）的很多发展，但未来真正的 bottleneck（瓶颈）会是我们如何与这种 intelligence 沟通。而我认为 voice 和 visual（视觉）会成为一个巨大的 unlock（关键突破），让我们在这些场景中真正释放这种 intelligence 的价值，而这在目前还做不到。但另一方面，human to human interaction（人与人互动）的价值只会越来越高。

所以，无论是像这样的活动，还是与你最喜欢的 artist 相关的活动，都会因为你身边无处不在的 voice 而变得更有价值。但 trust（信任）会是非常关键的一部分，也是我们在 agent 和 human 之间重点优化的东西。在未来，你们每个人、我们每个人，可能都会有一个 voice agent，比如帮你打电话订餐厅，或者为一次 health care appointment 提供信息，所有这些都需要极高程度的 trust，确保这就是你本人，而且是经过 authenticated（身份认证）的你。所以，届时会存在一种对“真实”的 encoding 和 decoding，然后是对你可能 opted in（主动授权）的内容进行 encoding、decoding，而默认情况下，其他一切都会被视为 fake（伪造），这某种程度上与今天的情况正好相反。

你今天需要做的是检测 AI，但在未来，你需要检测的是经过真实认证的 AI，否则就默认它是 fake。

Andre 之前提到过 jagged intelligence（参差不齐的智能表现）。你是否也在 audio 领域看到类似那些出人意料的地方——也就是模型在哪些方面表现很好，哪些方面又比预想中差？如果有的话，具体是什么？

在 bot 这一侧，仍然还有很多问题。我想我们刚才稍微谈到了一些我们认为 voice agents 会发挥作用的地方，所以这种把多个 models 组合起来、用于 support 场景的方式，效果很好，也比较可靠。用于 early sales 也开始奏效了，但一旦切换到真正带有情感的互动，就还不行。它对情绪的理解还不够好，反应也稍微有点慢。

所以我认为这仍然需要一次很大的 step change（跃迁式改进）才能真正实现。类似情况也会出现在一个非常不同的领域——music 这一侧。我觉得在音乐领域，你可以得到不错的 production music（制作型音乐），但即使有 artist 的参与，你也还做不出 Top Charts 级别的音乐。我认为这会在未来一两年内发生变化。

我可以吗？

只是跟进一下？当然。

Andre 的看法是，其原因在于这些 labs 基本上是在为那些具有经济价值的东西做训练。就你们训练 models 的方向来说，也是这样吗？你们基本上是在训练那些最能赚钱的东西吗？还是说，有些挑战确实天生就比其他挑战更难？

我们会努力训练 models，构建 product 和 ecosystem，当然目标是为我们所有客户、所有用户带来最大的影响，而这从长期来看也理应与 revenue 相关。所以我们看的是长期视角，接下来几年里的回报会非常有限，不是明年就能体现出来。因此，我们经常会训练一些在短期内可能并不能提供价值的 models。甚至在更前一步，我们会花大量时间给数据做标注，不只是音频里的“是什么”（what），还有音频里的“怎么表现”（how），比如我使用了什么情绪、我的声音应当如何描述、这段音乐应当如何描述。因此，我们组建了一支现在已有一千多人规模的团队，这些人此前做过 voice coaches、musicians、artists，他们可以帮助我们在幕后完成这些标注工作。

这在未来六到十二个月内并不会产生价值，但我们认为在接下来的十二到二十四个月内会产生价值。而且，你还常常需要收集这些数据，而这些数据本身往往也并不那么容易获得。

最后一个问题，然后我们就去吃午饭。

嗨。你能听到我吗？谢谢。能。是的。我是你和 Elevare Labs 的忠实支持者。

谢谢。

从 model error 的角度看，你认为 audio models 的护城河在哪里？有些 labs 正在进入这个方向，有些没有进入。在这种把真正优秀的 frontier audio model 做出来的“香肠制作”过程中，你认为其中主要可防御的部分是什么？

所以当然，我们做的是多种不同的 models。最近我很荣幸见到了 Jensen，他当时评论了其中几个 models。他说，我们的 speech to text，或者 speech to text models，是 technology，而 text to speech 是 artistry，而我们都是 artists。所以他算是赢得了一个终身客户。不过，当然，我们也确实相信，要真正把 text to speech 做好、把那种 emotionality 做到位，里面的确有一点这种艺术成分。

你你你需要对那个领域真正保持高度专注。你确实需要直接接触用户，收集数据，收集偏好，并用这些来微调模型。然后，在你真正把这些模型投入生产时，还存在很强的 domain specificity（领域特异性）。在 health care 中，这和 financial services 非常不同，也和 education 或 experiences 非常不同。所以这是模型层面的事。

我认为，如果你真的在乎质量，就会存在一种持续性的优势：花时间做模型工作，会帮助你保持这种优势。但正如你所说，模型以及很多 use case（使用场景）里，模型都只是整个技术栈中的一小部分。而这也正是我们投入大量时间的地方：不只是做 research（研究），还要在产品侧进一步思考如何理解用户的问题、他们需要的 workflow（工作流）。而 voice agents（语音 agent）则是把 audio models（音频模型）与 knowledge（知识）结合起来，并将其放入系统内部；还要考虑如何通过 telephony systems（电话系统）把它带到系统外部，这样你就能跨渠道交互；还要考虑如何评估、测试和监控。然后，当你开始构建时，无论是在 agent 领域，还是在 creative（创意）领域，这种同样的理解都会帮助你建立起 ecosystem（生态系统）。

而这正是我们希望在 11 Labs 打造的东西：一个地方，在这里，无论是人们可以信任的 distribution（分发）和 brand（品牌），还是一个平台，让你能够从一套预先存在的工作成果开始——无论是创建 agent 的模板、在 creative 领域创建 workflow 的模板，还是 voice（声音）本身。我们现在也很高兴，已经有超过 20,000 个 voice 是由人们创建并贡献出来的，你可以跨语言、风格和声音类型来使用。我认为，这将会成为越来越重要的一层：帮助你满足那种多样性，让人们更容易开始，并真正理解那个 workflow。

好的。接下来我把话交还给 Konstantin。Mahdi，谢谢你。

Andrew，感谢你成为合作伙伴。太棒了。

谢谢你们，各位。