ElevenLabs CEOが語る「AIネイティブ経営」──ARR $450M超・470人組織の成長戦略・組織設計・文化のすべて
ElevenLabsは、2022年の創業からわずか数年で、AI音声領域の世界的リーダーへと成長した。評価額は110億ドル（約1.6兆円）に達し、年間経常収益（ARR）は450百万ドルを超える水準にある。共同創業者兼CEOのMati Staniszewskiが、音声モデルの技術的な仕組みからビジネスモデル、組織設計に至るまでを語ったインタビューの内容を整理し、その要点を解説する。
1. 音声モデルはどのように動くのか
1-1. アナログからニューラルネットへの進化
音声合成の歴史は、人間の声道を物理的に再現しようとするアナログ機械から始まった。18世紀にWolfgang von Kempelenが製作した声道模型がその原点とされる。その後、Bell Labsが、音声の構造的な信号表現を開発し、音素（phoneme）を連結して音声を合成する手法が登場した。
現在の音声モデルは、LLMと同様にニューラルネットワークを基盤としている。Matiは次のように説明する。
「前の音のコンテキストに基づいて、次の音を予測する。テキストの文脈情報も組み合わせて処理する」
ElevenLabsの共同創業者で技術面を率いるPiotr Dąbkowskiが、Transformerモデルや拡散モデルの手法を音声領域に持ち込んだことが初期のブレークスルーだった。
1-2. 「イギリス英語らしさ」は創発的に生まれる
従来の音声合成では「イギリス英語」「感情的に興奮した話し方」といったパラメータをハードコーディングしていた。ElevenLabsのアプローチでは、モデル自身がこれらの特徴を自律的に学習する。
Matiは、「Britishness（イギリス英語らしさ）はモデルの創発的な特性だ」 と述べている。アクセントやスタイル、韻律といった特徴をモデルが自ら推論することで、より自然で多様な音声生成が可能になった。
1-3. データの質が音声の「人間らしさ」を決める
音声モデルの品質を決める要因は、アーキテクチャ・計算資源・データの3つだ。ElevenLabsが特に注力したのはデータの質である。
「音声データは、大量に存在するが、正しくアノテーションされていないことが多い。誰が話しているか、どんな感情で話しているかが記録されていない」
同社は社内にデータラベリングの専門チームを構築し、音声データに対して感情やアクセントなどの「how（どのように話されたか）」を体系的に付与した。この過程で開発された音声認識（speech-to-text）モデルは、もともと社内用だったが、市場の既存製品の精度が不十分だったため、後に製品として外部提供されることになった。
2. ElevenLabsのビジネス構造
2-1. 研究×プロダクト展開のプラットフォーム企業
Matiは、自社を 「基盤となる音声・オーディオモデルを構築し、企業がコミュニケーションを変革するためのプラットフォームを提供する研究・製品展開企業」 と定義する。
提供するモデル群は、以下のように整理できる。
テキスト→音声（Text-to-Speech）：ナレーション、マーケティング音声、オーディオブック生成
音声→テキスト（Speech-to-Text）：100言語以上対応の高精度文字起こし
会話型モデル：リアルタイム音声エージェント
音楽・その他のオーディオ領域
モデルの上に、ナレッジベース連携、テレフォニー接続、評価・モニタリング、セーフガード構築といったプラットフォーム機能を重ね、企業のユースケースに対応している。
2-2. 水平プラットフォームとアプリケーションの線引き
プラットフォーム企業が常に直面するのは、「どこまで自社でアプリケーション層に踏み込むか」という問題だ。Matiの考えは明確である。
「水平的なユースケースであれば当社のプラットフォームが最適。ドメイン特化が深い領域は、アプリケーション企業が形成される場所だ」
ただし、技術進化の速度が速い現在、中間レイヤーの企業が古いモデルバージョンのまま停滞するリスクがある。最新モデルを直接ユーザーに届けるために、ElevenLabs自身がエンドユーザー向けのプロダクト（ElevenReaderなど）を展開するケースもある。
3. 音声の「チューリングテスト」はまだ超えていない
3-1. テキストLLMとの対比
テキストベースのLLMは、すでにチューリングテストを超えたとされる水準に達している。一方、音声LLMについてMatiは率直に認める。
「カスケード型のオーケストレーションは、真の会話型エージェントのチューリングテストをまだ通過していない」
ドメインによって到達度は異なる。カスタマーサポートの電話対応では、「音声チューリングテスト」に近い水準に到達している一方、インタラクティブなゲーム体験のような複雑な会話は「まだ遠い」という。
3-2. なぜ音声UIは「10年前」のままなのか
カーナビの音声操作、Siriの文字起こし、PDFの読み上げ──日常の音声体験は、技術のフロンティアに比べて大きく遅れている。Matiはこれを 「デプロイメントギャップ（展開のギャップ）」 と表現する。
テキストの非同期読み上げが実用水準に達したのは約3年前、リアルタイム版は約2年前、本格的な商用展開は約1年前のことだ。自動車業界などへの浸透には「あと2～3年」かかる見通しだという。
4. カスケード型 vs Speech-to-Speech──2つのアーキテクチャ戦略
4-1. カスケード型の優位性
ElevenLabsが現在注力するのは「カスケード型」アプローチだ。これは音声→テキスト変換（STT）→LLMによる推論→テキスト→音声変換（TTS）という一連のパイプラインを経由する手法である。
「企業顧客は、パイプラインの各ステップに対する可視性を必要とする。LLM層を抽象化でき、インテグレーションも容易だ」
4-2. Speech-to-Speechモデルの可能性と限界
一方、テキストを介さず、音声から音声へ直接変換する「speech-to-speech」モデルも研究されている。レイテンシでは、優位だが、信頼性や可視性で劣る。
興味深いのは、speech-to-speechモデルが 「明確にカスケード型より知能が低い」 点だ。より小さなモデルを使用するという要因もあるが、テキストという中間表現を経由すること自体がモデルの推論能力を高めている可能性がある。Matiは将来的に、低複雑度のタスクにはspeech-to-speech、高複雑度にはカスケード型という使い分けが進むと予測している。
5. パーソナライズされた音声認識と音声制御
5-1. 話者固有の文字起こし
現在の音声認識は、グローバルモデルで処理されるため、アクセントの強い話者には不利に働く。ElevenLabsは、事前に1時間分の音声を学習させることで、特定の話者に最適化された文字起こしを実現する機能を開発中だ。
「話者固有の文字起こしは実現可能。次のバージョン、おそらく1か月以内にロールアウトしたい」
医療現場（手術室での音声コマンド）やスマートホームデバイスなど、特定の話者だけを正確に聞き取る必要がある場面で特に有用とされる。
5-2. 音声の「コントロール」という新領域
2024年末までの音声生成は、モデルが最適と判断したパフォーマンスに依存していた。V3モデルでは、話速の調整、ドラマチックな間の制御、感情の指定といった「コントローラビリティ」が実現された。
音声エージェントにおいては「expressive mode」と呼ばれるモードが導入され、相手のストレスを検知して安心させるトーンで応答するといった感情的な対応が可能になっている。
6. 急成長を支えるビジネスモデルと収益構造
6-1. ARR450M＋、四半期純増1億ドルの内訳
ElevenLabsは、2025年末時点でARR350百万ドルを公表しており、直近四半期だけで純増ARRが1億ドルに達した。累計では450百万ドル超の水準にある。
「50%以上がセールス主導のエンタープライズ案件だ」
Deutsche Telekom（T-Mobile）、Revolut、Klarna、Meta、IBMなど大手企業との取引が拡大している。ランド＆エクスパンド型の展開が機能しており、Deutsche Telekomではマーケティング→カスタマーサポート→ネットワーク全体のエージェント導入へと段階的に拡大した。
6-2. セルフサーブへのこだわり
売上の過半がエンタープライズでありながら、ElevenLabsはセルフサーブ（自己完結型の利用開始）を重視し続けている。
Matiがその理由として挙げたのは以下の3点だ。
即時フィードバック：技術の品質をリアルタイムで把握できる
技術への自信：最高品質のモデルを誰でも体験できるようにしたい
将来の発見：開発者やSMBが新しいユースケースを先行して示してくれる
加えて、従来のサブスクリプション課金に加え、従量課金（pay-as-you-go）の全面導入をインタビュー内で発表した。Stripeが買収したMetronomeの活用も背景にある。
6-3. 音声モデルの経済構造
音声モデルの訓練コストはLLMや画像・動画モデルと比較して低い。パラメータ数は「数十億～百億」規模で、LLMの数千億パラメータとは桁が異なる。
課金体系は、テキスト→音声変換ではテキストトークン単位、音声エージェントや文字起こしでは分単位が基本だ。新モデルのリリース時にはコストに近い価格で提供し、広範な利用を促進する戦略をとっている。
7. AIネイティブな組織設計──470人で実現する小チーム×フラット構造
7-1. 10人以下のチーム、15人超の直属
ElevenLabsは、現在470人規模の組織だが、各プロダクト・研究イニシアチブのチームは、10人以下に保たれている。MatiとPiotrの直属報告者はそれぞれ15人を超える。
「管理スパンは従来の倍。フラットな組織を維持し、小さなチームが独立して素早く動く」
7-2. 非技術チームにも「テックリード」を配置
特徴的なのは、人事やオペレーションなど非技術部門にも技術リソース（テックリード）を配置している点だ。自動化やデータ分析を通じてチーム全体の生産性を引き上げる役割を担う。
Go-to-market側では、会議前の事前資料をAIで自動生成したり、顧客ごとにカスタマイズされたプレゼン資料を準備したりする仕組みが整備されている。
7-3. ウクライナ政府の事例に見る「各省庁にテックリソース」モデル
ElevenLabsは、ウクライナのデジタル政府プラットフォーム「DIIA」との協業でキーウを訪問した際、各省庁に技術リソースが配置され、それを中央のデジタルトランスフォーメーションチームが統合するモデルを目の当たりにした。自社の組織設計思想と共通する点が多く、「我々の考え方が検証された気がした」 とMatiは述べている。
7-4. 採用で最も重視する資質は「エージェンシー（主体性）」
文化面では「ファーストプリンシプル思考」「オーナーシップ」「卓越への志向と謙虚さの両立」を掲げるが、中でもMatiが繰り返し強調したのは 「エージェンシー（agency＝主体的に動く力）」 だ。
「AIの進歩の中で、主体性の高い人が勝者になる。組織内で主体性の低い人は取り残される」
経験年数やシニアリティよりも、自ら探索し動く力が、AIネイティブ時代の組織に最も必要な資質だという認識が示された。
