ElevenLabs đạt định giá 22 tỷ USD: CEO nói gì về AI giọng nói, minh bạch và tương lai của tổng đài tự động?

ElevenLabs đang âm thầm trở thành hạ tầng giọng nói của làn sóng AI. Công ty này xây dựng các mô hình chuyển văn bản thành giọng nói nghe như người thật, và phần lớn người dùng gặp nó mà không hề hay biết — thường là khi gọi lên tổng đài chăm sóc khách hàng.

Chỉ sau bốn năm thành lập, ElevenLabs được cho là đang được các nhà đầu tư định giá 22 tỷ USD, với doanh thu định kỳ hằng năm (ARR) đang trên đà đạt 600 triệu USD. CEO Mati Staniszewski đã trả lời phỏng vấn tại hội nghị khởi nghiệp Nrth ở Toronto, chia sẻ về chiến lược và những câu hỏi lớn quanh AI giọng nói.

Ai đang dùng giọng nói của ElevenLabs?

Khách hàng của ElevenLabs phần lớn là các doanh nghiệp lớn. Điển hình như Klarna vận hành tổng đài hỗ trợ qua điện thoại cho 35 triệu khách hàng tại Mỹ bằng công nghệ này. Danh sách khách hàng còn có Deutsche Telekom, Cisco, Adobe và ngày càng nhiều chính phủ.

Ngoài mảng doanh nghiệp, ElevenLabs cũng bán cho giới sáng tạo nội dung, phục vụ sản xuất sách nói, lồng tiếng và âm nhạc.

Theo CEO Staniszewski, khoảng hơn 55% doanh thu đến từ khách hàng doanh nghiệp lớn, phần còn lại chủ yếu là doanh nghiệp vừa và nhỏ, nhà phát triển và nhà sáng tạo.

Khi khách hàng trở thành đối thủ

ElevenLabs không đơn độc trên thị trường. Công ty ngày càng đụng độ với chính khách hàng của mình — ví dụ Decagon, một nền tảng AI hội thoại từng huấn luyện sản phẩm giọng nói trên ElevenLabs, nay đã tự chạy truy vấn qua mô hình riêng và trở thành đối thủ trực tiếp.

“Ranh giới đang trở nên mờ nhạt hơn rất nhiều. Trước đây bạn có sự phân chia rõ ràng giữa công ty mô hình, công ty nền tảng và công ty ứng dụng. Ngày nay ranh giới đó mờ hơn hẳn.”

Ông lấy dẫn chứng Anthropic: từ một công ty mô hình, nay đã thành nền tảng và ngày càng mở rộng sang tập hợp ứng dụng. Ông cho rằng xu hướng này sẽ tiếp diễn.

Mô hình mở hay mô hình tiên tiến?

Với khách hàng, ElevenLabs cho phép chọn “lớp suy luận” từ một danh mục nhiều lựa chọn. Theo CEO, đây không phải lựa chọn nhị phân đơn giản.

• Tác vụ đơn giản, chỉ cung cấp thông tin: có thể dùng mô hình mã nguồn mở, vì cơ sở tri thức đã định nghĩa sẵn thế nào là trải nghiệm tốt.
• Tác vụ tài chính, cần xác thực và xử lý giao dịch, hoàn tiền: không có chỗ cho sai sót, nên mô hình tiên tiến vẫn chiếm ưu thế.

Một số mô hình mã nguồn mở đến từ Trung Quốc, trong khi chính phủ Mỹ và châu Âu cũng là khách hàng. Ông cho biết mỗi thương vụ triển khai sẽ chọn mô hình và giọng nói khác nhau tùy yêu cầu, kể cả yêu cầu về nơi lưu trữ dữ liệu.

“Ví dụ ở Ba Lan là một ca y tế. Bệnh nhân đặt lịch khám trong hệ thống y tế công, và 18% không bao giờ đến. Chúng tôi triển khai các tác nhân AI gọi điện nhắc nhở, tích hợp mô hình tối ưu trên tri thức của họ nhưng vẫn giữ dữ liệu trong nước.”

Có nên nói với khách rằng họ đang nói chuyện với AI?

Đây là câu hỏi đạo đức trung tâm của ngành. Theo CEO ElevenLabs, ở thời điểm hiện tại nên có sự minh bạch.

Lý do: người dùng chưa quen với việc này, và cảm giác bị lừa là điều không ai muốn trong một cuộc gọi. Nhưng ông dự đoán trong khoảng năm năm nữa, khi ai cũng có tác nhân AI riêng làm việc thay mình, xã hội sẽ chuyển dịch — người gọi sẽ mặc định chờ đợi một AI.

Cách làm hợp lý, theo ông, là trao quyền chọn cho khách hàng:

“Nếu phải chờ 30 phút mới gặp người thật, hãy cho khách lựa chọn. Gần như mọi trường hợp họ chọn AI, rồi bất ngờ vì trải nghiệm tốt đến vậy.”

Biên lợi nhuận và bài toán giá trị

Khi được hỏi về biên lợi nhuận gộp — vốn chịu áp lực từ chi phí suy luận — CEO chỉ trả lời chung chung. Ông khẳng định phần nghiên cứu cho phép tinh chỉnh và giới hạn mô hình theo cách thông minh, đồng thời sẵn sàng chuyển khoản tiết kiệm cho khách hàng.

Đáng chú ý, ông không ngại biên lợi nhuận bị thu hẹp thêm:

“Nếu có thể đầu tư và chứng minh giá trị, chúng tôi không ngại biên lợi nhuận thấp hơn để cùng hưởng lợi khi giá trị được tạo ra trong năm năm tới.”

Dữ liệu huấn luyện và yếu tố con người

Với hàng triệu giờ ghi âm cuộc gọi chăm sóc khách hàng, câu hỏi về dữ liệu huấn luyện là hiển nhiên. Theo CEO, với một số công ty, hai bên cùng tạo mô hình riêng cho nhu cầu cụ thể.

Điểm đáng chú ý: phần lớn công sức không nằm ở khối lượng dữ liệu, mà ở việc gán nhãn — không chỉ nội dung được nói, mà cả thời điểm, cách nói và cảm xúc. ElevenLabs thuê hàng nghìn cộng tác viên và cả huấn luyện viên giọng nói để nhận diện chính xác các giọng điệu vùng miền.

Lộ trình IPO và câu hỏi về an toàn

Có thông tin cho rằng ElevenLabs nhắm tới IPO năm 2028. CEO xác nhận công ty đang chuẩn bị nền tảng cho việc đó trong vài năm tới, nhưng thời điểm cụ thể còn tùy thời cuộc.

Về an toàn AI, ông cho rằng giới phát triển mô hình biên đều đồng thuận cần tìm cách đi chậm lại đúng mức, dù mức độ công khai và liên quan tới truyền thông hay quy định là chuyện khác. ElevenLabs tự đánh giá ít rủi ro hơn vì không huấn luyện mô hình văn bản hay phần “trí tuệ” cốt lõi của tác nhân AI, và công nghệ của họ không cho phép tác nhân tự tạo thêm tác nhân.

“Mọi khách hàng đều phải qua quy trình xác minh KYC. Rủi ro an ninh mạng chắc chắn là vấn đề với toàn thế giới, nhưng chúng tôi có những biện pháp phòng ngừa tốt.”

Góc nhìn cho Việt Nam

Câu chuyện của ElevenLabs đáng chú ý với thị trường Việt Nam ở hai điểm. Thứ nhất, làn sóng AI giọng nói đang tiến vào tổng đài chăm sóc khách hàng — lĩnh vực có lực lượng lao động lớn tại Việt Nam, từ ngân hàng, viễn thông đến thương mại điện tử. Thứ hai, bài học về minh bạch: khi doanh nghiệp Việt triển khai tổng đài AI, việc chủ động thông báo cho khách hàng không chỉ là vấn đề đạo đức mà còn là cách xây dựng niềm tin dài hạn.