ElevenLabs: 11 अरब डॉलर के AI वॉइस जेनरेटर के अंदरूनी पहलू
आपने ElevenLabs के बारे में सुना होगा। बस आपको पता नहीं था। YouTube पर किसी वीडियो में सुनाई देने वाली आवाज़, किसी विदेशी फिल्म में डब किए गए संवाद, किसी सहायता लाइन पर आने वाली आवाज़: इस तरह की बहुत सी आवाज़ें आजकल जनरेट होती हैं, और इनमें से बहुत सी आवाज़ें एक ऐसी कंपनी द्वारा बनाई जाती हैं जिसका नाम तकनीकी जगत से बाहर के लोग शायद ही जानते हों। ElevenLabs कृत्रिम आवाज़ें बनाती है। फरवरी 2026 में, इसी काम के लिए इसने 11 अरब डॉलर के मूल्यांकन पर फंडिंग जुटाई। पोलैंड के दो दोस्तों ने 2022 में इसकी शुरुआत की थी, और आज इसका कृत्रिम आवाज़ जनरेटर एक अरब से अधिक लोगों द्वारा उपयोग किए जाने वाले ऐप्स में मौजूद है। तो यह वास्तव में क्या करता है, इसकी कीमत कितनी है, और सुरक्षा को लेकर चिंतित लोग इसे लेकर इतना परेशान क्यों हैं?
ElevenLabs क्या करता है: AI आवाज़ें और बहुत कुछ
इसकी शुरुआत एक साधारण टेक्स्ट-टू-स्पीच टूल के रूप में हुई थी। अब यह एक संपूर्ण ऑडियो स्टैक है, और आवाज़ें तो बस वो हिस्सा हैं जो सबसे पहले आपका ध्यान खींचती हैं। बाकी की व्यापकता ही इसकी कीमत को जायज़ ठहराती है। दोनों संस्थापकों ने इस समस्या को अलग-अलग दृष्टिकोणों से देखा: पियोत्र डबकोव्स्की गूगल में मशीन लर्निंग इंजीनियर थे, और माटी स्टैनिशेव्स्की पैलेंटिर में रणनीतिकार थे। उनकी साझा निराशा सीधी-सादी थी। उस समय कृत्रिम आवाज़ें शब्दों का उच्चारण तो कर सकती थीं, लेकिन उन्हें अभिनय के माध्यम से व्यक्त नहीं कर सकती थीं। उन्होंने सोचा, अगर इसे ठीक कर दिया जाए, तो बाकी सब अपने आप हो जाएगा। कंपनी आज भी जो कुछ भी पेश करती है, उसका अधिकांश हिस्सा उसी एक सोच पर आधारित है।
टेक्स्ट टू स्पीच और सजीव एआई आवाजें
मूल बात से शुरू करते हैं: यह लिखित पाठ को बोलचाल की ऑडियो में बदलता है। नवीनतम मॉडल, Eleven v3 , जून 2025 में लॉन्च हुआ। यह 70 से अधिक भाषाओं को पढ़ता है और [फुसफुसाहट] या [हंसी] जैसे इनलाइन टैग स्वीकार करता है, जिससे आप हर पंक्ति की डिलीवरी को निर्देशित कर सकते हैं। क्या आपको गति चाहिए? Flash नामक एक हल्का मॉडल थोड़ी कम परिष्करण के साथ लगभग तुरंत आउटपुट देता है, जो लाइव ऐप्स के लिए महत्वपूर्ण है। परिणाम बिल्कुल सजीव लगता है। यही कारण है कि निर्माता वॉयसओवर, पॉडकास्ट और एआई वीडियो पर कथन के लिए ElevenLabs का उपयोग करते हैं, जहां रोबोटिक रीडिंग से प्रभाव टूट सकता है।
v3 की सबसे बड़ी खासियत इसका नियंत्रण है। पुराने इंजन हर चीज़ को एक ही सपाट स्वर में पढ़ते थे। लेकिन यह ऐसा नहीं है। किसी वाक्य को फुसफुसाकर, तेज़ी से या आह भरकर बोलने के लिए चिह्नित करें, और टेक्स्ट का एक छोटा सा हिस्सा भी जीवंत लगने लगता है। जब आप पहली बार इसमें कोई व्यंग्यात्मक वाक्य सुनते हैं, तो थोड़ा अजीब लगता है। पुराना मल्टीलिंगुअल v2 अभी भी 29 भाषाओं को सपोर्ट करता है और लंबे, स्थिर वर्णन के लिए डिफ़ॉल्ट विकल्प बना हुआ है, जहाँ निरंतरता विविधता से ज़्यादा महत्वपूर्ण है।
वॉइस क्लोनिंग, डबिंग और बहुभाषी ऑडियो
दो खूबियां इसे साधारण वर्णन से कहीं आगे ले जाती हैं। पहली है वॉइस क्लोनिंग। इसे एक छोटा सा सैंपल दें और यह एक विशिष्ट आवाज की नकल कर लेता है, चाहे वह लगभग एक मिनट के ऑडियो से तुरंत तैयार की गई आवाज हो या फिर एक बेहतर पेशेवर आवाज। दूसरी है एआई डबिंग। इसे एक तैयार वीडियो दें और यह वक्ता के लहजे को बरकरार रखते हुए पूरी वीडियो को दूसरी भाषा में फिर से आवाज दे देता है, जिससे बहुभाषी स्थानीयकरण, जिसके लिए पहले स्टूडियो बुक करना पड़ता था, अब कुछ ही क्लिक में हो जाता है। एक साझा वॉइस लाइब्रेरी भी है, जहां उपयोगकर्ता एक-दूसरे को आवाजें प्रकाशित और लाइसेंस कर सकते हैं।
स्टूडियो पेशेवर क्लोन को ही प्राथमिकता देते हैं। बस तीस मिनट की साफ ऑडियो रिकॉर्डिंग और सहमति की जाँच कर लें। बदले में, यह मूल आवाज की लय और उच्चारण को इतनी बारीकी से पकड़ लेता है कि अब वॉइस एक्टर अपने क्लोन का लाइसेंस बनवाकर सोते-सोते भी कमीशन कमा लेते हैं। वहीं, इंस्टेंट क्लोन तेज़ और कम सटीक होता है। जल्दी बनने वाले प्रोटोटाइप के लिए ठीक है, लेकिन कृत्रिम होने के कारण आसानी से पहचाना जा सकता है।
स्क्राइब, एआई संगीत और संवादात्मक एजेंट
यह सूट ऑडियो से टेक्स्ट में रूपांतरण की दिशा में भी काम करता है। स्क्राइब एक स्पीच-टू-टेक्स्ट मॉडल है। यह स्पीकर लेबल और टाइमस्टैम्प के साथ टेक्स्ट को ट्रांसक्राइब करता है, और इसका v2 संस्करण 99 भाषाओं को सपोर्ट करता है, साथ ही लगभग 98% सटीकता के साथ यह भी बताता है कि किसने क्या कहा। इसके अलावा, 2025 में जोड़ा गया इलेवन म्यूजिक है, जो मांग पर साफ बैकग्राउंड ट्रैक उपलब्ध कराता है। संवादात्मक एआई एजेंट इससे भी आगे जाते हैं: स्पीच-टू-टेक्स्ट, एक भाषा मॉडल और टेक्स्ट-टू-स्पीच को एक साथ जोड़कर एक बॉट सुन सकता है, वास्तविक समय में उत्तर दे सकता है और एक सहज प्रवाह में किसी इंसान को सौंप सकता है। इसमें साउंड इफेक्ट्स और शोरगुल वाली रिकॉर्डिंग को ठीक करने के लिए एक वॉइस आइसोलेटर भी शामिल है।
स्क्राइब इस प्लेटफॉर्म की असली खूबी दिखाता है। यह सिर्फ ट्रांसक्रिप्ट तैयार करने से कहीं ज़्यादा काम करता है। यह गैर-भाषण ध्वनियों को टैग करता है, शब्द-स्तर के टाइमस्टैम्प चिह्नित करता है, और ओवरलैप करने वाले वक्ताओं को अलग करता है। यही कारण है कि पॉडकास्टर और शोधकर्ता अव्यवस्थित रिकॉर्डिंग को खोजने योग्य और संपादन योग्य टेक्स्ट में बदलने के लिए इस पर निर्भर रहते हैं। और v2 पहले संस्करण से लगभग 40% सस्ता है। एक AI उत्पाद का बेहतर और सस्ता होना? यह दुर्लभ है।
ElevenLabs एक 11 अरब डॉलर की AI कंपनी कैसे बनी?
प्रोडक्ट पेज पर सबसे चौंकाने वाला हिस्सा यानी पैसा, गायब है। फंडिंग पर नज़र डालें तो ग्रोथ सामान्य नहीं लगती। 2025 की शुरुआत में, ElevenLabs ने $180 मिलियन की सीरीज़ C फंडिंग जुटाई, जिससे कंपनी का मूल्यांकन $3.3 बिलियन हो गया। इस फंडिंग में Andreessen Horowitz और ICONIQ Growth ने सह-नेतृत्व किया। तेरह महीने बाद, Sequoia ने $500 मिलियन की सीरीज़ D फंडिंग का नेतृत्व किया और कंपनी का मूल्य $11 बिलियन तक पहुंच गया। एक ही कंपनी के लिए एक साल में तीन गुना बढ़ोतरी।
राजस्व से ही इस निवेश की मांग का पता चलता है। ElevenLabs ने 2025 के अंत तक लगभग 330 मिलियन डॉलर का वार्षिक आवर्ती राजस्व पार कर लिया था। निवेशकों को जो बात परेशान करती है, वह है इसकी रफ़्तार। 100 मिलियन डॉलर तक पहुंचने में बीस महीने, फिर इसे दोगुना करने में 10 महीने, और फिर 330 मिलियन डॉलर तक पहुंचने में केवल 5 महीने। हर चरण पिछले चरण से छोटा है। और कंपनी के जनवरी 2025 के आंकड़ों के अनुसार, फॉर्च्यून 500 कंपनियों में से 60% से अधिक के लोग पहले ही इस प्लेटफॉर्म का उपयोग कर चुके थे।
| गोल | तारीख | उठाया | मूल्यांकन |
|---|---|---|---|
| सीरीज बी | जनवरी 2024 | $80 मिलियन | $1.1 बिलियन |
| सीरीज़ सी | जनवरी 2025 | $180 मिलियन | $3.3 बिलियन |
| सीरीज़ डी | फरवरी 2026 | $500 मिलियन | $11 बिलियन |
पांच चरणों में फंडिंग जुटाते हुए, ElevenLabs ने लगभग 781 मिलियन डॉलर इकट्ठा किए हैं, और इसके संस्थापकों ने भविष्य में IPO लाने की बात खुलकर कही है। निवेशकों को आकर्षित करने वाली बात उपभोक्ता ऐप नहीं, बल्कि इसके पीछे का बुनियादी ढांचा है: हर वह कंपनी जो अपने उत्पाद में आवाज जोड़ती है, एक संभावित ग्राहक है, और कृत्रिम आवाज का बाजार तीन साल पहले लगभग न के बराबर था। उनका मानना है कि आवाज, टचस्क्रीन की तरह ही एक डिफ़ॉल्ट इंटरफ़ेस बन जाएगी।
ElevenLabs की कीमत: मुफ़्त और सशुल्क प्लान
आप ElevenLabs का उपयोग बिना भुगतान किए भी कर सकते हैं, और मुफ़्त प्लान महज़ एक झलक मात्र है। सशुल्क प्लान में मुख्य रूप से आपको अधिक मासिक क्रेडिट मिलते हैं, जिनका उपयोग ऑडियो बनाते समय किया जाता है, न कि पूरी तरह से अलग सुविधाओं को अनलॉक करने के लिए। यहाँ 2026 संरचना दी गई है।
| योजना | कीमत / माह | मासिक क्रेडिट |
|---|---|---|
| मुक्त | $0 | 10,000 |
| स्टार्टर | $6 | 30,000 |
| निर्माता | $22 | 121,000 |
| प्रो | $99 | 600,000 |
| पैमाना | $299 | 1,800,000 |
| व्यापार | $990 | 6,000,000 |
क्रेडिट लगभग बोले गए अक्षरों के बराबर होते हैं, इसलिए 10,000 क्रेडिट वाला मुफ़्त प्लान महीने में कुछ मिनट के ऑडियो के लिए पर्याप्त है। $22 वाला क्रिएटर प्लान नियमित रूप से प्रकाशन करने वालों के लिए एक व्यावहारिक शुरुआती विकल्प है, और भुगतान वाले प्लान में व्यावसायिक उपयोग के अधिकार भी मिलते हैं। डेवलपर्स एकमुश्त मासिक शुल्क के बजाय API के माध्यम से प्रति उपयोग भुगतान करते हैं।
बिज़नेस प्लान के ऊपर एक कस्टमाइज़्ड एंटरप्राइज़ टियर है जिसमें डेडिकेटेड सपोर्ट, उच्च दर सीमा और वे सभी अनुबंध शर्तें शामिल हैं जिनकी अधिकांश बड़े खरीदारों को आवश्यकता होती है। API द्वारा जनरेट किए गए कैरेक्टर्स के आधार पर शुल्क लिया जाता है, इसलिए अधिक ट्रैफ़िक वाले ऐप्स को पहले से प्लान का अनुमान लगाने के बजाय उपयोग के अनुपात में भुगतान करना पड़ता है। ध्यान देने योग्य एक बात यह है कि क्रेडिट अगले महीने के लिए ट्रांसफर नहीं होते हैं, इसलिए एक महीने का उपयोग न करने पर पैसा बर्बाद हो जाता है।
ElevenLabs का उपयोग कौन करता है और किसलिए करता है?
दिलचस्प बात यह है कि उपयोगकर्ता शौकिया तौर पर नए-नए वीडियो बनाने वाले नहीं हैं; बल्कि वे स्टूडियो की जगह लेने वाले व्यवसाय हैं। ऑडियोबुक प्रकाशक अभिनेताओं को बुक किए बिना ही पूरी किताबों का संग्रह सुनाते हैं। यूट्यूबर और कोर्स निर्माता ऐसी भाषा में वॉइसओवर जोड़ते हैं जो उन्हें आती नहीं। गेम स्टूडियो बड़े पैमाने पर छोटे किरदारों को आवाज़ देते हैं। एक्सेसिबिलिटी ऐप्स ElevenReader ऐप के ज़रिए लेखों को पढ़कर सुनाते हैं। कॉल सेंटर ऐसे संवादात्मक एजेंटों का इस्तेमाल करते हैं जो किसी इंसान के हस्तक्षेप से पहले ही सामान्य सवालों के जवाब दे देते हैं। स्थानीयकरण टीमें वैश्विक कर्मचारियों के लिए प्रशिक्षण वीडियो की डबिंग करती हैं।
इसी व्यापक पहुंच के कारण कंपनी का मूल्यांकन स्थिर बना हुआ है। कंपनी का कहना है कि उसका एपीआई उन उत्पादों को शक्ति प्रदान करता है जो सामूहिक रूप से एक अरब से अधिक उपयोगकर्ताओं को सेवा प्रदान करते हैं, जिनमें मेटा, एपिक गेम्स और सेल्सफोर्स जैसे ग्राहक शामिल हैं। इनमें से अधिकांश खरीदारों के लिए, इलेवनलैब्स एक तरह से अंतर्निहित ऑडियो इंफ्रास्ट्रक्चर है: एक उत्पाद के भीतर अदृश्य ऑडियो इंफ्रास्ट्रक्चर, बस नाम अलग है।
कुछ उदाहरण इस बात को स्पष्ट करते हैं। ElevenReader ऐप लेखों, PDF और ई-पुस्तकों को चुनी हुई आवाज़ में पढ़कर सुनाता है, जो डिस्लेक्सिया या कमज़ोर दृष्टि वाले लोगों के लिए एक उपयोगी साधन बन गया है। समाचार संस्थान लिखित कहानियों के ऑडियो संस्करण स्वतः तैयार करते हैं। स्वतंत्र डेवलपर गैर-खिलाड़ी पात्रों को अलग-अलग आवाज़ें देते हैं, जिनके लिए पहले रिकॉर्डिंग बजट की आवश्यकता होती थी, जो उनके पास नहीं होता था। इन सबमें एक बात समान है - प्रोडक्शन ऑडियो, जिसके लिए पहले स्टूडियो की आवश्यकता होती थी, अब टेक्स्ट बॉक्स से ही तैयार हो जाता है।
डीपफेक की समस्या और एआई आवाज की सुरक्षा
इतनी अच्छी आवाज़ें एक हथियार भी बन सकती हैं। ElevenLabs ने यह बात बड़े मुश्किल से सीखी। जनवरी 2024 में, राष्ट्रपति बाइडन की आवाज़ में एक फ़र्ज़ी रोबोकॉल ने न्यू हैम्पशायर के मतदाताओं से प्राइमरी चुनाव में हिस्सा न लेने की अपील की। ज़ाहिर है, यह कॉल असल में बाइडन की नहीं थी। सुरक्षा फर्म Pindrop ने उस क्लिप की जांच की, ElevenLabs से उसका संबंध पता लगाया और अपने क्लासिफायर से 84% मिलान की रिपोर्ट दी। कंपनी ने इसके पीछे के अकाउंट को बैन कर दिया।
उस घटना ने सुरक्षा के सवाल को सबके सामने ला दिया। ElevenLabs अब एक AI स्पीच क्लासिफायर का इस्तेमाल करता है जो यह जांचता है कि कोई क्लिप उसके टूल्स से आई है या नहीं, कुछ खास जोखिम भरे सार्वजनिक हस्तियों की आवाज़ की नकल को रोकता है, और पेशेवर आवाज़ की नकल करने से पहले पहचान सत्यापन की मांग करता है। क्या इनमें से कोई भी चीज़ पूरी तरह से काम करती है? नहीं। पहचान हमेशा नकल बनने से पीछे रहती है, और एक शातिर अपराधी आसानी से किसी कम कुशल प्रदाता के पास जा सकता है। तो असल बात यह है: कंपनी ने एक ऐसे टूल के चारों ओर ठोस सुरक्षा उपाय बनाए हैं जो मूल रूप से दोहरे उपयोग वाला है, और नकली आवाज़ बनाने और उन्हें पकड़ने की होड़ अभी खत्म नहीं हुई है।
नियामक संस्थाओं ने इस पर ध्यान दिया है। बिडेन की घटना के बाद कई अमेरिकी राज्यों ने एआई-जनरेटेड रोबोकॉल्स पर प्रतिबंध लगाने के लिए कदम उठाए हैं, और कंपनी ने ऑडियो वॉटरमार्किंग पर उद्योग जगत के काम में सहयोग किया है। वॉटरमार्किंग का मतलब है ऐसे सिग्नल एम्बेड करना जो संपीड़न के बाद भी बने रहते हैं और क्लिप को उसके स्रोत तक ट्रेस करने में मदद करते हैं। आलोचकों का कहना है कि वॉटरमार्क को हटाया जा सकता है और स्वैच्छिक उपाय कानून का विकल्प नहीं हैं। इलेवनलैब्स एक अजीब लेकिन गंभीर स्थिति में है: इस श्रेणी में सबसे सक्षम टूल होने के नाते, इस पर निगरानी रखने की सबसे बड़ी जिम्मेदारी भी उसी की है।
ElevenLabs बनाम अन्य AI वॉइस जनरेटर
ElevenLabs को गुणवत्ता के मामले में अग्रणी AI वॉइस जनरेटर माना जाता है, लेकिन यह एकमात्र विकल्प नहीं है, और न ही यह हमेशा सही विकल्प होता है। चुनाव आमतौर पर इस बात पर निर्भर करता है कि आपको कितनी यथार्थता चाहिए और आप कितना खर्च करना चाहते हैं।
| औजार | मुख्य शक्ति | के लिए सर्वश्रेष्ठ |
|---|---|---|
| इलेवनलैब्स | सबसे यथार्थवादी आवाजें, 70+ भाषाएँ, मजबूत API | प्रोडक्शन ऑडियो, डबिंग |
| मर्फ | सरल इंटरफ़ेस, कम लागत | त्वरित व्यावसायिक वॉइसओवर |
| Play.ht | विशाल स्टॉक वॉयस लाइब्रेरी | पॉडकास्ट और लंबे प्रारूप |
| ओपनएआई / एज़्योर | अन्य एआई सेवाओं के साथ बंडल किया गया | उस स्टैक में पहले से मौजूद डेवलपर्स |
अगर आपकी प्राथमिकता सबसे सहज आउटपुट और व्यापक भाषा समर्थन है, तो ElevenLabs का कोई मुकाबला नहीं है — मैंने अभी तक किसी प्रतिद्वंद्वी को किसी भी जटिल विषय पर v3 के बराबर का प्रदर्शन करते नहीं देखा है। अगर आप कभी-कभार कॉर्पोरेट वीडियो बनाने के लिए एक सस्ता और सरल टूल चाहते हैं, तो कोई प्रतिद्वंद्वी कम कीमत में आपके लिए बेहतर विकल्प हो सकता है।
ElevenLabs AI आवाज़ों के साथ शुरुआत कैसे करें
ElevenLabs AI वॉइस जेनरेटर से आपकी पहली क्लिप लगभग तीन मिनट की होगी। एक मुफ़्त अकाउंट बनाएं। स्पीच टूल खोलें और लाइब्रेरी से या अपनी खुद की बनाई हुई आवाज़ चुनें। अपना टेक्स्ट पेस्ट करें, मॉडल और भाषा चुनें और जनरेट पर क्लिक करें। इसे दोबारा सुनें। अगर आवाज़ सही नहीं लग रही है, तो स्टेबिलिटी और स्टाइल स्लाइडर्स को एडजस्ट करें और दोबारा कोशिश करें, फिर MP3 डाउनलोड करें। यही पूरी प्रक्रिया है।
डेवलपर डैशबोर्ड को छोड़ देते हैं और सीधे एक कुंजी के साथ एपीआई को कॉल करते हैं, टेक्स्ट और वॉयस आईडी पास करते हैं और बदले में ऑडियो प्राप्त करते हैं। इसी तरह अरबों उपयोगकर्ताओं वाले ऐप्स ElevenLabs को अपने उत्पादों में एकीकृत करते हैं।
ElevenLabs एआई वॉइस जनरेशन में अग्रणी क्यों है?
ElevenLabs ने एक साधारण ट्रांसक्रिप्शन प्रोजेक्ट से शुरुआत करके 11 अरब डॉलर के प्लेटफॉर्म तक का सफर तय किया, जो इससे पहले की लगभग किसी भी सॉफ्टवेयर कंपनी से कहीं अधिक तेजी से हुआ। इसकी आवाज़ें इतनी अच्छी हैं कि इसकी लोकप्रियता काफी हद तक जायज़ है। फ्री टियर से कोई भी कुछ ही मिनटों में इस दावे को परख सकता है। लेकिन ग्राहकों को आकर्षित करने वाली यही वास्तविकता नियामकों और सुरक्षा शोधकर्ताओं के लिए चिंता का विषय है, और बिडेन को किया गया रोबोकॉल आखिरी घटना नहीं होगी। तकनीक मौजूद है और हर महीने बेहतर हो रही है। सवाल यह है कि क्या नियम और पहचान के उपकरण उन आवाज़ों का मुकाबला कर पाएंगे जो पहले से ही अधिकांश श्रोताओं को धोखा दे रही हैं? आप सीमा रेखा कहाँ खींचेंगे?
