文 | 指数资本数据中心

2025年5月，美国著名投资人Henry Shi在Linkedin发布了《顶尖精益AI Native公司排行榜》，其中列举了31家平均成立时间不足3年的AI创业公司，它们都展现出了极强的盈利能力。指数资本从数据角度出发，详尽研究了这些新锐公司，试图找出“AI小公司赚钱公式”。

这个系列研究分为上、中、下三篇，上篇已经分享过10个针对个人用户的实用工具；本篇，我们将继续讨论12家音视频、图像领域的公司。

核心产品  基于Stable Diffusion技术的图像生成平台。其中「AI图像编辑器」支持对生成或外部导入的图像进行局部编辑，例如调整构图、扩展画面边界等；「3D生成系统」结合NeRF技术，允许用户通过文本生成三维场景，适用于游戏、影视等领域的沉浸式内容创作。

主要用户  专业创意设计人群（占比约40%）、艺术从业者（占比约20%）、自媒体从业者（占比约15%）及其他非专业个人用户（占比约25%）。

产品亮点  对比市场上通用的文生图工具，Midjourney对于一些虚拟的、超现实的场景描述，在艺术性和想象力方面表现更优。

▲     三个不同文生图工具的视觉效果对比

提示词：艺术画，梦幻般的风景，云朵由棉花糖组成，河流流淌着液体黄金

驱动Midjourney盈利能力的关键因素主要源于其易用性、多样的艺术风格选择、显著的时间和成本效率、高度的定制化能力、高质量的输出以及对商业用途的支持。

核心产品  为播客、视频、电子学习课程、有声读物等音频内容创作配音，极大提升内容的吸引力和感染力 。辅助语言学习者练习口语，提供标准的发音和语调示范。为残障人士提供语音辅助工具。

技术壁垒  ①情感语音合成专利（行业唯一实现“恐慌”语调的AI）；②低数据依赖：1分钟克隆vs竞品需数小时音频。

主要用户  B端客户收入占比70%，包括媒体巨头、大型企业；C端内容创作者。

团队背景  CEO Mati Staniszewski 为前Palantir部署策略师，精通产品战略与市场拓展；CTO Piotr Dabkowski 为前谷歌机器学习工程师，牛津/剑桥计算机背景。两人为高中挚友，出生和成长于波兰，在英国完成了大学学业。他们在各自的工作经历中积累了深厚的技术与行业经验，技术与商业能力互补，被投资人称为“小熊软糖组合”，即「技术硬核+用户体验」相结合。

基于对儿时外国电影配音低劣质量的“痛苦回忆”，Eleven Labs的创始人决定搭建一个由人工智能驱动的高质量音频平台。从波兰“单声道”配音的个人经历，到构建全球领先的语音模型，Eleven Lab以其技术稀缺性、高需求场景、灵活的商业模式、全球化布局与生态壁垒在AI语音赛道占据高附加值环节，在短短几年内实现了从demo到亿级收入的跨越式成长。

核心产品  AI照片编辑工具，可实现高精度背景及瑕疵移除，生成高质量工作室级别图片背景。

主要用户  主要针对小B用户，包括电商卖家和摄影工作室，占比约70%；另有30%为内容创作者和个人用户。

团队背景  创始人Matthieu Rouif拥有斯坦福大学材料科学硕士学位，曾任视频编辑应用Stupeflix产品负责人，2016年Stupeflix被GoPro收购，Matthieu Rouif成为GoPro的产品经理，利用人工智能自动化复杂的照片编辑任务，如背景移除、润饰和图像生成。另一名联合创始人Eliot Andres是计算机视觉专家，精通TensorFlow，出版过计算机视觉专著。

核心产品  全栈式工具链，唯一覆盖“生成+编辑+直播+分析”全流程，企业无需切换多平台即可完成生成式AI视频广告、虚拟数字人、人脸/语音替换、AI视频增强等功能。

技术壁垒  先进的人脸AIGC编辑和生成技术是核心优势。具体来看，拥有下述两方面的高壁垒。1. 自主研发，从算法的设计开发、数据的采集整理到技术的部署应用，都实现了全流程的自主掌控；2. 快速迭代，算法核心迭代周期约2~6周。

主要用户  面向B端，聚焦高定制化数字人内容，服务于奢侈品、医疗等对视觉质量要求严苛的行业，服务付费意愿更高的企业客户。

团队背景  AKOOL 的创始团队由 AI 研究专家、计算机视觉工程师和连续创业者组成，核心成员均来自 Meta、Google DeepMind、MIT 和 Stanford 等顶尖科技公司与高校，在生成式 AI、计算机视觉和商业化落地方面拥有丰富经验。中国籍创始人兼CEO吕家俊博士是人工智能领域资深专家，曾于任职苹果期间参与Face ID戴口罩识别技术开发。

AKOOL以其革命性的AI技术和企业级市场深度服务，为广告营销领域带来前所未有的变革。从面部增强到实时数字人，再到未来新一代的视频编辑器，不仅提升了广告的互动性和个性化，还为品牌提供了全新的传播渠道，在竞争激烈的AI营销赛道中脱颖而出。

核心产品  图片及视频生成平台，主要有两种产品模式：

1. 私有管理计算工作流：使用公司部署好的GPU更好的训练或使用用户自己的模型；2. 开源模型API：使用公司部署好的模型更快的生成图片和视频。

主要用户  主要针对小B用户，包括电商卖家和摄影工作室，占比约70%；另有30%为内容创作者和个人用户。

团队背景  由前Coinbase机器学习负责人Burkay Gur和前亚马逊软件工程师Gorkem Yurtseven创立。Burkay Gur在MIT获得本科和硕士学位，在甲骨文和Coinbase都分别有过4年以上工作经验，在机器学习方面有深厚积累，Gorkem Yurtseven则在Amazon有过7年以上工作经验，工程经验丰富。核心成员由AI领域资深专家、开源社区贡献者和云计算工程师组成，在机器学习、分布式系统等领域有深厚积累。

核心产品  AI生成图像/视频工具+创意社区。拥有全流程创作工具链，图像生成支持文生图（txt2img）、图生图（img2img）、自定义风格，如折纸风、3D微观世界、动漫壁纸等。视频生成集成Animated Diff V2等模型，可生成高质量短视频。专业编辑工具包括背景移除、人脸替换、局部编辑、图像混合器等功能。

产品亮点  除常规的生成式图文工具外，用户可上传4张以上图片微调专属模型，且支持LoRA训练。

技术亮点  ①敏捷集成前沿技术。快速跟进Stable Diffusion升级、ControlNet控制技术、Flux视频模型等，新技术上线周期仅1-2周。②云端ComfyUI工作流。支持云端运行复杂工作流，实现跨设备协作与高效资源管理，无需本地高性能硬件。③低门槛交互设计。简化提示词输入，提供1000万+提示词库；支持无提示交互（如拖拽编辑）。④增强技术。2倍/4倍面部与动漫图像超分辨率优化，提升细节逼真度。

▲     OpenArt核心产品技术矩阵

团队背景  由前谷歌员工 Coco Mao 和 John Qiao 联合创立。CEO Coco Mao主导商业化与社区运营，CTO John Qiao主导技术架构，强调“易用性+前沿技术快速集成”的产品哲学。团队小而美，是连续创业者+谷歌技术背景的敏捷组合，技术响应周期以周为单位快速迭代。

用户画像   艺术家、设计师、游戏开发者为主。

总体上，Open Art与Midjourney的产品相似性较高，可以让用户免费使用部分基础功能，付费套餐价格也比Midjourney更低。在产品相似的基础上，依然能快速增长的主要原因在于产品功能层面的创新，而非底层技术层面的创新。

核心产品  AI肖像生成平台。包括两个细分产品，①AI Headshots：个人用户上传12-20张自拍照，AI在30-90分钟内生成40-100张专业证件照，支持一键更换服装、背景（如商务正装、休闲装等），适用于LinkedIn、简历等场景。B端客户提供批量生成员工肖像的解决方案，支持统一企业VI（如领口角度、背景灰度），成本仅为传统拍摄的1/10。②AI Avatars：生成150+种风格的个性化头像（如动漫、卡通、写实），用于社交媒体（TikTok、Tinder等）。

技术亮点  ①生成对抗网络（GAN），结合深度学习模型，确保生成图像的逼真度和多样性。②专业场景优化，训练模型识别200种商务场景的光影逻辑，自动矫正领带角度、眼镜反光等细节。③通过合规性认证（如FDA认证），允许AI生成的医师肖像用于医疗文件申报。④隐私保护，采用AES-256加密技术，承诺用户数据不用于模型训练或出售。

团队背景  由华人创始人 Wesley Tian 与其联合创始人共同创立。Wesley Tian拥有北京大学计算机本科、斯坦福硕士学位，前Meta算法工程师。团队包含算法工程师和光影专家，取代传统摄影师角色。

核心产品  为中型企业（100-500座席规模）提供端到端AI呼叫中心解决方案，替代或辅助人工座席。产品架构围绕“自然对话引擎”展开，深度融合语音识别（ASR）、大型语言模型（LLM）和语音合成（TTS）技术，并通过企业级工具链实现灵活部署。

技术亮点  ①低延迟响应，平均响应时间800毫秒，接近人类对话节奏，解决传统语音AI的卡顿问题。②专有话轮转换模型，结合语义与音频信号，在100-200毫秒内预测用户话语结束点，避免打断或反应迟钝。支持自然中断处理，提升对话流畅度。③全栈集成能力，支持主流LLM（如GPT-4、Llama 3）和CRM（如Salesforce）无缝集成。提供SIP中继兼容传统VoIP系统，实现AI与人工座席协作。④增强功能，语音克隆、环境噪音模拟、实时字幕显示。

团队背景  创始团队成员包括 Michael Giardino（CEO）、Sidhant Bendre（CTO）和Achraf Golli（CPO）等。他们在自身学习过程中，感到现有教育体系无法满足每个学生的独特学习需求，希望利用AI技术，为学生提供定制化学习路径和即时帮助。

核心产品  提供API和低代码工具，支持企业快速创建、测试和部署语音代理，应用于客服支持、外呼销售、远程医疗、订餐服务等场景。

特色功能  ①低延迟优化，利用优化的 GPU 推理、智能缓存和低延迟音频流，确保响应迅速的语音交互。②中断处理，实施复杂的中断检测，使对话感觉更自然和人性化。③可扩展性，通过精心设计的 Kubernetes 集群，可处理多达 100 万以上的并发呼叫。④函数调用，允许集成外部动作，如预约预订、数据查找和表单填写，以增强语音代理能力。⑤多平台支持，提供适用于 Web、iOS、Flutter、React Native 和 Python 的客户端 SDK，实现跨多个平台的部署。

核心产品  专注于短视频AI编辑工具，提供动态字幕生成、长视频切片等核心功能，旨在帮助内容创作者快速生成高质量的短视频。

特色功能   ①动态字幕生成。SubMagic对加字幕这件事做了足够细节的设计，在细分需求上深度打磨。支持48种语言，自动识别语音生成字幕，并可添加动态效果如关键词高亮、emoji插入；生成字幕时提示语法错误，支持自定义词库，如创作者专属术语等；拥有28种模板，用户可调整颜色、大小、位置，部分模板支持内容关联emoji，而非模板化统一样式。实时编辑与低延迟处理，2分钟内生成字幕，高清视频处理仅需数分钟。②长视频切片。一键将横屏长视频剪成15-30秒竖屏短视频，自动添加字幕、镜头特效（如推拉变焦）；AI分析视频亮点，生成10+高质量片段，适配TikTok/Reels/Shorts等平台。③B-Roll第二画面和转场动效素材库。针对很多创作者口播视频画面单一的痛点，集成Storyblocks专业素材库，内置450万免费视频素材，支持自动添加B-roll，智能匹配第二画面与转场特效，增强视频叙事。④AI辅助工具。包括自动生成吸睛标题和话题标签，提升视频曝光；支持降噪与自动缩放，优化音画质量，突出关键内容。

用户画像  短视频创作者、社交媒体经理、营销团队、教育机构及企业用户。

Submagic在视频编辑巨头垄断（如Capcut月活3亿）的赛道中，以“极致单品+用户共创”实现突围。

核心产品  全自动广告生成系统，用AI重新定义内容生产流程。支持端到端流程自动化，用户仅需输入一句核心文案，系统便可自动完成「场景构建→AI演员表演→口播录制→成片输出」的全过程，将传统2周的广告制作周期缩短至半天。支持35种语言，内置300+AI演员形象，可一键生成针对不同文化市场的定制广告。

团队背景  公司创始人Jeddi Mees是前欧洲风投机构Fabric Ventures项目经理，主导部署超400万欧元资金，活跃于多个线上业务和创业项目，接受过 TheFamily、Theschool.ai 等创业加速器训练，擅长系统化流程设计。公司内部部署了7个专用AI Agent，替代传统人力，以“AI 代理+小团队”的组合，让 Arcads 在保持精简结构的同时，实现了远超同规模公司的产出效率。

用户画像  适用于需要频繁测试不同创意的电商品牌、缺乏专业广告团队的中小企业，以及预算有限但需求迫切的初创公司。

Arcads的成功书写了AI创业的新范本，代表了“向落后流程开战”的AI创业方向，也证明了在传统行业中找到“高摩擦、低数字化”环节，用AI系统重构流程，比单纯追求技术参数更具商业爆发力。

核心产品  全栈AI广告平台，替代传统“ChatGPT+CapCut+Canva”工具链，提供AI驱动的广告创作服务，核心产品被称为“AI CMO”（AI首席营销官），能够自动完成广告策划、创意生成、视频剪辑、用户生成内容（UGC）制作等任务，效率碾压传统团队10倍。支持竞品广告克隆，能够智能分析爆款广告，提取排版、色彩、文案结构等设计元素，生成高度还原的复刻广告，成本颠覆性降至1美元/条。

技术优势  ①AdGPT推理引擎，基于GPT-4o开发，增加专属推理层，深度分析网站数据、客户评价，避免ChatGPT常见的虚假场景编造问题；②动态素材库，将视频素材智能标记为“广告积木”（如特写、开箱镜头），支持重复调用与组合；③多模态生成能力，生成逼真AI演员配音、音乐及动态字幕，替代真人拍摄与录音。

团队背景  公司创始人Kennan Davison 19岁从哥大辍学，曾任职Pinterest，创办过一家名为Skio的电商SaaS公司，三年内实现了年收入突破1000万美元。团队成员来自Meta、谷歌、英伟达等大厂，团队文化追求极致效率。

用户画像  预算有限、缺乏专业团队的初创企业与中小电商，以及专注于高频广告测试需求头部DTC品牌。