Em 2021, dois amigos de colégio em Varsóvia, Mati Staniszewski e Piotr Dabkowski, decidiram resolver um incômodo antigo: o hábito polonês de dublar todos os filmes com uma única voz — masculina, monótona, indiferente à emoção dos personagens. “Era uma experiência horrível”, lembra Mati. “E pensamos: isso vai mudar.”
A ideia, nascida de uma cena doméstica — Piotr assistindo a um filme com a namorada, que não falava inglês —, virou o ponto de partida da ElevenLabs, hoje um dos unicórnios mais promissores da Inteligência Artificial global, com sede no Reino Unido. Com apenas três anos de idade, a empresa alcançou 40 milhões de usuários, está presente em 75% das 500 maiores companhias do mundo e dobrou seu valuation para US$ 6,6 bilhões, em setembro, com uma terceira rodada de aporte de fundos, liderada pela Sequoia Capital
O que começou como uma solução para dublagem evoluiu para algo bem maior: uma plataforma de áudio sintético que pretende transformar a voz na nova interface da era digital. Enquanto gigantes da IA concentravam seus esforços em texto e imagem, a ElevenLabs decidiu ocupar um espaço negligenciado: o som. “Ficamos focados em áudio — na pesquisa e no produto. Isso fez toda a diferença”, conta Staniszewski em uma entrevista no podcast da Sequoia.
A decisão se mostrou estratégica. Os modelos de texto são treinados em grandes volumes de dados públicos e estruturados; os de voz, não. Há pouca base de áudio de alta qualidade, e o desafio vai além do que é dito — envolve como é dito: emoção, ritmo, pausas, intenção. A ElevenLabs desenvolveu uma arquitetura própria capaz de capturar esse contexto e gerar vozes com naturalidade quase humana. “Pela primeira vez, os modelos de texto para fala entenderam o contexto e entregaram emoção e tom”, diz Mati.
Essa combinação de ciência e sensibilidade levou à criação de ferramentas que vão de text-to-speech e dublagem a agentes conversacionais. E, recentemente, de um modelo que adiciona “emoções” à fala com tags específicas — uma voz pode rir, hesitar, ou mudar de tom conforme o contexto. Staniszewski acredita que estamos perto do “Turing test da voz”: o momento em que uma conversa com um agente será indistinguível da interação com um humano. “Acho que podemos chegar lá ainda este ano”, afirma.
A ambição da ElevenLabs vai além da conversação. Staniszewski acredita que a IA de voz vai quebrar as barreiras linguísticas e culturais do planeta. “Se você leu O Guia do Mochileiro das Galáxias, lembra do Babel Fish — aquele peixinho que traduz tudo. Ele vai existir. A tecnologia vai tornar isso possível.” A ideia é permitir que qualquer pessoa fale com outra, em qualquer idioma, mantendo sua própria voz, sotaque e emoção. “Será um salto na troca cultural global. Imagine conversar com alguém na Índia e ser entendido como se fosse um diálogo nativo”, diz ele.
Enquanto a ElevenLabs expande globalmente sua tecnologia de voz com inteligência artificial, o Brasil desponta como um dos dez maiores mercados da empresa — tanto em receita quanto em uso. A companhia, que acaba de inaugurar escritório local, aposta no potencial criativo do país e na capacidade das empresas brasileiras de transformar a voz em uma nova interface de conexão com clientes. A empresa chega com 13 produtos ativos, incluindo o Eleven Music, que compõe trilhas a partir de prompts, e uma plataforma completa de agentes de voz, capaz de gerar clones, criar personas e integrar conversas com sistemas corporativos. No centro da estratégia estão qualidade, latência e escalabilidade. A meta é atingir interações tão naturais quanto uma ligação humana — hoje, a latência média da ElevenLabs é de 75 milissegundos, quase imperceptível.
Em entrevista à The Shift, Brunno Santos, diretor da ElevenLabs no Brasil, fala sobre os planos da empresa para a região, o impacto da voz na comunicação corporativa e o papel da IA como ferramenta de empatia, escala e humanização. “O brasileiro adotou a IA de texto — via WhatsApp — com enorme naturalidade. A voz é o passo seguinte. Ela cria empatia, aproxima, transmite sensibilidade. O texto informa, mas a voz conecta”, resume Brunno. Confira a entrevista completa abaixo.
“O texto informa, mas a voz conecta”
A ElevenLabs ganhou muita visibilidade nas últimas semanas, principalmente por causa do novo aporte, que levou ao valuation de US$ 6,6 bilhões. Mas eu queria começar pelo Brasil. Como está a experiência de vocês por aqui?
A experiência tem sido extremamente positiva — não só globalmente, mas também no Brasil. A ElevenLabs é uma empresa jovem, de três anos de idade, que lançou seu produto há dois. Nós nos definimos como um laboratório de inteligência artificial por voz, com três diferenciais principais.
O primeiro é o contexto. Temos um marketplace com mais de 5 mil vozes e a possibilidade de clonagem juridicamente correta e design de voz via prompt. Isso permite uma personalização granular — você pode descrever, por exemplo, “mulher de 40 anos, nascida em Minas Gerais, sotaque informal e amigável”, e o sistema gera uma voz com essas características.
O segundo diferencial é o suporte multilíngue. Hoje trabalhamos com mais de 70 idiomas, incluindo o português do Brasil, que tem um papel estratégico para a companhia.
E o terceiro é a escalabilidade, com duas variáveis cruciais: qualidade e latência. A voz é o que conecta. Cada cliente tem uma voz específica, e nós buscamos uma latência muito próxima à humana — em torno de 150 a 200 milissegundos. A nossa está em 75 ms, o que garante conversas mais fluidas.
Temos 13 produtos no mercado, que vão de text-to-speech e speech-to-text a voice cloning. Recentemente, lançamos o Eleven Music, que cria músicas a partir de prompts, e nossa principal oferta é a plataforma de agentes de voz. Em poucos cliques, é possível criar um agente de IA por voz com prompt comportamental, base de conhecimento e escolha do LLM. Tudo integrado com telefonia.
Também lançamos o modelo de voz V3, atualmente em versão alfa. É o primeiro modelo do mundo que, por meio de tags de emoção, muda a entonação da voz — é possível adicionar sons e ruídos naturais, o que humaniza a interação.
Hoje, a ElevenLabs já tem 40 milhões de usuários globais e está presente em 75% das 500 maiores empresas do mundo. O Brasil, mesmo antes da abertura oficial da operação, já era um dos dez principais mercados em receita e uso.
A explicação, na nossa visão, é que o país adotou rapidamente a IA por texto — via WhatsApp — e agora vê na voz uma extensão natural. A voz cria empatia, aproxima e transmite sensibilidade. Além disso, o brasileiro ainda prefere resolver situações por telefone, e isso favorece o uso da nossa tecnologia.
Quando você fala que o Brasil está entre os dez maiores mercados, estamos falando de pessoas físicas ou empresas?
Dos dois. A ElevenLabs tem um espectro muito amplo de uso. Vai desde pessoas físicas que utilizam nossas ferramentas até grandes empresas que empregam a plataforma em atendimento ao cliente. No fim das contas, o texto informa, mas a voz conecta.
No Brasil, há um elemento cultural importante: a regionalização da fala. Pessoas do Sul preferem ouvir sotaques do Sul; o mesmo vale para Minas ou o Nordeste. Nosso marketplace e o design de voz ajudam nisso.
A estratégia local se baseia em três pilares: localização, time local e ecossistema de parceiros. Já temos a plataforma 100% localizada em português e agora queremos ampliar a conscientização do mercado sobre o potencial da IA por voz. Também estamos contratando profissionais para atender grandes empresas e construir parcerias que ajudem na implementação.
A ElevenLabs é a primeira empresa global de IA de voz a operar no Brasil. Isso é ótimo, porque há um oceano de oportunidades, mas o conhecimento ainda é baixo. Nosso papel é educar o mercado: mostrar como usar, como medir ROI e como aprimorar a tecnologia.
Você mencionou vários usos — desde contact centers até tutores digitais. A tecnologia pode muito mais do que o corporativo imagina. Como vocês lidam com esse contraste entre o potencial e a criatividade das empresas?
É uma janela enorme de oportunidades. Na semana passada, no nosso primeiro evento presencial no Brasil, mostramos um caso de uma empresa automotiva que está aplicando IA por voz dentro de um carro. Também temos empresas de varejo usando nossa tecnologia para que revendedores gravem vídeos com narração automatizada sobre produtos — o que aumenta as taxas de conversão.
Cada setor tem suas particularidades, mas o brasileiro é criativo por natureza. Todos os dias recebemos exemplos inusitados de uso. Nosso papel é também letrar e compartilhar boas práticas. Temos políticas claras sobre o que é permitido e fazemos curadoria dos casos de uso dentro da plataforma. Como disse nosso VP Global, Carles Reina, o Brasil é um caso atípico: o público é early adopter, comunicativo e aberto a experimentar. Isso cria um ambiente fértil para inovação.
E como vocês tratam o tema da responsabilidade e da transparência, já que a voz está cada vez mais próxima da humana? As pessoas precisam saber quando estão falando com uma máquina?
Esse é um ponto central para nós. A responsabilidade ética é um pilar cultural da ElevenLabs. Temos três mecanismos principais de segurança. Primeiro, o Voice Capture, uma tecnologia proprietária que identifica qualquer clonagem de voz ilegal dentro da plataforma e bloqueia automaticamente a conta. Segundo, uma moderação ativa. Se identificamos um uso fora da nossa política, trabalhamos em conjunto com as autoridades brasileiras — mantemos um relacionamento próximo com elas. E terceiro, um site público em que qualquer pessoa pode enviar um áudio para verificar se ele foi gerado pela ElevenLabs.
Sobre a obrigatoriedade de informar se se trata de uma voz de IA, acreditamos que isso deve ser definido por regulamentação. O projeto de lei de IA no Brasil certamente vai tratar disso. Mas, na prática, nossos testes mostram resultados positivos nos dois casos — quando a voz se identifica como IA e quando não. Mas consideramos como boa prática informar as pessoas sobre o uso da voz sintética, especialmente em atendimento ao cliente. A transparência fortalece a relação com o usuário.
Você mencionou que todas as interações passam pela plataforma. Isso significa que não há como extrair partes da tecnologia e usá-las de forma não autorizada?
Exatamente. Seguimos protocolos rígidos de segurança da informação e somos compliance com GDPR e SOC 2. Não treinamos nossos modelos com dados de clientes — o que reforça nossa postura responsável.
Até onde vai o potencial dessa personalização? Uma empresa do Sul que atende o país inteiro poderia adaptar o sotaque conforme a localização do cliente?
Do ponto de vista técnico, sim. Isso já é possível, embora ainda em desenvolvimento e sem casos de uso consolidados. O que enxergamos é uma tendência de hiperpersonalização do atendimento. O cliente quer rapidez, mas também quer sentir proximidade. A IA por voz complementa o trabalho humano — especialmente em disponibilidade 24×7 e resolução de casos simples, nos quais o cliente busca agilidade.
Você faz muitas comparações com o WhatsApp. A ElevenLabs se vê no mesmo nível de ferramenta de viabilização de negócios?
Não somos concorrentes, mas temos o mesmo propósito: tornar a comunicação mais rápida, fluida e humanizada. Tanto o WhatsApp quanto a voz da IA ajudam as empresas a escalar atendimento com qualidade e conexão emocional.
Você disse que vê muitos casos inusitados. Pode citar alguns exemplos?
Claro. Um caso global é o da Klarna, empresa sueca de pagamentos. Quando o cliente liga para dar um feedback, quem “atende” é o próprio CEO — usamos clonagem de voz para criar essa empatia.
Outro exemplo é o de uma empresa de educação dos Estados Unidos que criou um tutor virtual de IA. Estamos desenvolvendo projetos semelhantes no Brasil, voltados a universidades e cursos, para apoiar alunos fora da sala de aula, tirar dúvidas e oferecer suporte 24×7.
Temos também forte adesão em instituições financeiras, que usam a tecnologia para personalizar o atendimento e simplificar a jornada do cliente.
No agro, há empresas que utilizam speech-to-text para converter mensagens de voz em texto e responder com text-to-speech — uma solução prática para quem está no campo, sem tempo para digitar.
E há ainda o caso automotivo que mencionei. São usos muito variados, e o Brasil tem se destacado pela criatividade e pela ética no desenvolvimento dessas aplicações.
Existe um foco setorial maior no Brasil?
Sim. Nossos três principais segmentos são: mercado financeiro, contact centers e empresas de outsourcing, e tecnologia. No caso das tech companies, elas utilizam nossa IA para oferecer soluções de voz a seus próprios clientes. Um exemplo público é o Webex, da Cisco, que usa tecnologia da ElevenLabs em toda a parte de voz com inteligência artificial.
A ElevenLabs tem pouco mais de três anos e já vale 6,6 bilhões de dólares. Enquanto muitos falam em bolha, há também um fascínio legítimo pela IA. Na sua visão, o que o mercado está entendendo certo — e o que está entendendo errado — sobre essa tecnologia?
A verdade é que a ElevenLabs já alcançou US$ 200 milhões em receita recorrente anual e deve superar US$ 300 milhões até o fim do ano. Isso mostra que o potencial da IA é real.
O que está certo é que hoje há tecnologia madura e escalável com alta qualidade, algo que não existia há poucos anos. Também há melhores práticas globais sendo consolidadas, embora cada região tenha seu próprio ritmo de maturidade. Nosso compromisso é trazer essas práticas para o Brasil. O desafio é que nenhuma tecnologia é plug and play. Toda adoção exige mudança cultural, planejamento e mensuração de resultados.
Falta ainda mão de obra qualificada em IA de voz — o que é um bom sinal, pois mostra o início de um mercado. E há também uma ansiedade natural das empresas em adotar tudo de forma acelerada. Mas é uma jornada, e ela precisa ser feita com consciência e preparo.