Parigi, Cour Napoléon del Louvre. Il podcast ALL-IN ha portato la sua diretta al RAISE Summit e sul palco è salito Mati Staniszewski, co-fondatore e CEO di ElevenLabs. Jason Calacanis è andato dritto al punto: ricavi, concorrenza e la domanda che molti si pongono — una startup focalizzata sulla voce può sopravvivere a giganti come OpenAI e Anthropic? «È il momento migliore per costruire», ha risposto Staniszewski, citando la rapidità con cui l’azienda ha raggiunto circa 600 milioni di dollari di fatturato.

La cifra, ancorché approssimativa, segnala qualcosa di strutturale: la sintesi vocale e il text‑to‑speech realistico non sono più una commodity accessoria. ElevenLabs ha trasformato la voce in un prodotto da centinaia di milioni, ritagliandosi uno spazio che i laboratori generalisti potrebbero teoricamente colonizzare ma che, nei fatti, faticano a presidiare con la stessa profondità.

La tesi del «miglior momento per costruire» si regge su due pilastri. Il primo è l’accesso senza precedenti a GPU, modelli base e tooling open source: un ecosistema che consente a team snelli di iterare più velocemente delle big tech. Il secondo è la natura stessa del dominio vocale: la qualità percettiva, l’espressività e la localizzazione linguistica non si risolvono con un modello multimodale generico. Servono dataset curati, pipeline di addestramento dedicate e un controllo granulare sulla latenza — tutti elementi in cui uno specialista accumula vantaggio competitivo.

Il nodo dell’infrastruttura e della sovranità

Per chi osserva il mercato dal punto di vista del deployment, la vicenda ElevenLabs accende un riflettore su un’area ancora in ombra: dove gira davvero l’inference vocale? Oggi la risposta è quasi sempre il cloud, e ElevenLabs non fa eccezione. Ma la voce — a differenza di un chatbot testuale — abilita casi d’uso in cui la latenza di rete e la residenza dei dati diventano criteri non negoziabili. Call center, assistenza sanitaria, strumenti di comunicazione interna in settori regolamentati: sono scenari che spingono verso architetture ibride o interamente on‑premise.

La domanda non è se i big lab riusciranno a replicare le performance vocali; la domanda è se sapranno offrire garanzie di sovranità che le aziende europee, ad esempio, esigono per GDPR. Qui si apre uno spazio per soluzioni self‑hosted o per edge inference su dispositivi dedicati, dove il TCO non si misura solo in dollari per API call ma in controllo dei flussi audio e conformità.

Chi vince e chi rischia

Con 600 milioni di fatturato, ElevenLabs alza la posta per l’intero ecosistema. I vincitori di lungo periodo potrebbero non essere solo i laboratori che sviluppano modelli sempre più grandi, ma chi riesce a pacchettizzare funzionalità vocali in forme distribuibili anche al di fuori del proprio cloud. Le aziende che già investono in hardware per LLM on‑premise — ad esempio schede con ampia VRAM per inference quantizzata — potrebbero progressivamente aggiungere workload vocali allo stesso stack, a patto che i modelli siano ottimizzati per ambienti vincolati.

Al contrario, chi scommette esclusivamente sul cloud rischia di perdere i segmenti più redditizi, là dove la voce diventa parte di processi critici e la semplice API non basta a quietare i responsabili della sicurezza. È una dinamica già vista nell’evoluzione dei database e dei sistemi di messaggistica: prima si va in cloud, poi, quando il servizio diventa infrastruttura, si riporta almeno una parte on‑premise.

In questo scenario, la risposta di Staniszewski — «è il momento migliore per costruire» — assume un significato che va oltre l’ottimismo di facciata. Costruire oggi significa anche progettare modelli e architetture che possano atterrare su hardware eterogeneo, non solo nei data center di proprietà del fornitore. La vera partita, per ElevenLabs come per chiunque operi nell’AI applicata, sarà decidere se rimanere un servizio cloud o diventare un componente che le imprese possono governare in casa propria.