AI音声モデルの終わりが始まる？──ElevenLabsが語る“コモディティ化”の視点

2025年10月30日 09:30

1. 「AI音声モデルはやがてコモディティ化する」

AI音声スタートアップElevenLabsの共同創業者兼CEO、マティ・スタニシェフスキ（Mati Staniszewski）氏は、TechCrunch Disrupt 2025で興味深い見解を示した。

「長期的には、AIモデルはコモディティ化するでしょう。数年のうちに、モデル間の違いは縮まるはずです。」

AI音声分野のリーダーである同氏が、自社の主力製品である音声生成モデルの「差別化消失」を公言したことは業界に衝撃を与えた。彼の言葉は、AIモデル開発が“価値の源泉”であり続ける時代の終わりを示唆している。

では、なぜElevenLabsはコモディティ化を見越しながらも、なお自社モデルの構築に注力しているのか。スタニシェフスキ氏はこう説明する。

「現時点では、モデルを自分たちで作ることこそが最大の優位性であり、最も大きな変化を生み出せる手段です。」

同社の研究チームは、モデルアーキテクチャの課題を突破したと述べており、今後1〜2年は音声分野での改善を継続する方針だ。
彼が強調したのは、“音の品質”が依然として最大の壁であるという点。AIの発声が自然でなければ、ユーザー体験は成立しない。だからこそ、当面は自前のモデル構築が欠かせないという。

この戦略は、ハードウェアとソフトウェアを垂直統合したAppleの成功に似ている。スタニシェフスキ氏は「プロダクトとAIの融合こそが次世代の魔法だ」と語り、長期的な付加価値の源泉を“体験設計”に見出している。

AI業界ではすでに、モデルの性能差が急速に縮小している。OpenAIのGPT-5、AnthropicのClaude、GoogleのGeminiなどが並立するなかで、差別化要因は「モデルの出来」から「ユースケース設計」「データ品質」「統合体験」へと移りつつある。

スタニシェフスキ氏も、音声モデル単体の優位性は短命だと見ている。

「声や言語によって多少の違いは残るが、その差は徐々に小さくなるでしょう。」

つまり、音声生成モデルそのものはクラウドインフラやAPIと同じ“汎用技術”化するということだ。
企業が競争力を保つには、モデルの上にどんな体験・アプリケーションを構築するかが鍵となる。

ElevenLabsが次に見据えるのは、音声×映像×言語モデルの統合（マルチモーダル化）だ。スタニシェフスキ氏は次のように述べた。

「今後1〜2年で、より多くのモデルがマルチモーダル、あるいは融合型アプローチへ移行します。たとえば、音声と映像を同時に生成する、または音声とLLMを会話環境で統合するような形です。」

彼は具体例としてGoogleの動画生成AI「Veo 3」を挙げ、AI間の連携が進めば、「オーディオ×ビジュアル×テキストが一体化した新しいメディア生成」が可能になると語った。

さらに、ElevenLabsは、オープンソース技術との連携や外部パートナーシップも進めており、自社の音声技術を他社モデルの知見と融合させる試みを始めている。
この戦略は、AIエコシステムを“閉じた競争”から“共有型進化”へと移行させる重要な一歩だ。

スタニシェフスキ氏が目指すのは、単なるモデルベンダーではなく、「AI体験企業」としてのポジションだ。

「ソフトウェアとハードウェアの融合がAppleの魔法を生んだように、プロダクトとAIの融合が次の魔法を生むと信じています。」

ElevenLabsは、TTS（Text-to-Speech）だけでなく、音声アクター生成、ゲーム・映画・教育などへの展開を進めており、AI音声の“Appleモデル”を志向しているといえる。

AI音声の競争軸はすでに「誰が最も良いモデルを持つか」から「誰が最も良い体験を設計できるか」へ移行している。
ElevenLabsのCEOが語る“コモディティ化”は、AI企業にとっての脅威ではなく、本当の差別化が始まる合図でもある。

AIが「声を作る時代」から、「体験を語る時代」へ──その転換点は、すでに目の前にある。