GPT-Live-1 مقابل HeyGen Voice: لوحتان، مهمتان، وواجهة API واحدة تقرنهما بالفعل

Most write-ups of HeyGen Voice open with the leaderboard result, and the result is real: first place on Artificial Analysis's Controlled Voice arena at 1,198 Elo, ahead of Q​wen-Audio-3.1-TTS-Plus at 1,186 and Eleven v4 Turbo at 1,162. G​PT-Live-1 is not on that board and never will be, because the board measures how a voice sounds and G​PT-Live-1 is the thing that decides when to stop talking. The more useful fact is that HeyGen's own engineers already know this: in September 2026 they shipped an open-source real-time avatar stack that uses G​PT-Live-1 as the voice and conversation layer and their own avatars around it. The two products are not competitors. They are two halves of a system that one of the two vendors has already assembled in public.

ما هو كل واحد منها في الحقيقة

HeyGen Voice هو نموذج تحويل النص إلى كلام الداخلي لدى HeyGen، ويقع داخل واجهة API من الإصدار v3 تكشف أيضًا عن عرض الفيديو والصورة الرمزية. يتم نشر معرّفَي نموذج — heygen-voice-1، ويغطي الاستنساخات الفورية والاحترافية، وheygen-voice-1-turbo، وهو المحرك نفسه مقتصرًا على الاستنساخات الفورية بزمن استجابة أقل. يُسمى المحرك داخليًا orca، وهي القيمة التي تُرشّح حسبها في استعلام الأصوات. يستقبل النص ويعيد صوتًا بصيغة WAV أحادي القناة بتردد 44.1 كيلوهرتز، إما كطلب لمرة واحدة (POST /v3/models/audio/tts) أو كتدفق أحداث مرسلة من الخادم مع أجزاء WAV بترميز base64 وأحداث محاذاة أحرف اختيارية (POST /v3/models/audio/tts/stream). إنه لا يسمع أي شيء.

G​PT-Live-1 does nothing else. It handles a spoken conversation while a delegated backend model or agent reasons and calls tools, it listens while it speaks, and it runs on exactly one endpoint — v1/live/sessions — with Chat Completions, Responses, Realtime and Batch all unsupported. Audio and text in, audio and text out, images and video out of scope, knowledge cut-off 31 July 2025. Voice sessions bill at $0.05 per minute, by the second, with backend usage charged separately at normal model rates.

The architectural consequence is the whole comparison. On a HeyGen-style pipeline, the reasoner sits between the microphone and the voice. On G​PT-Live-1, the voice model is the pipeline and the reasoner hangs off it.

نتيجة لوحة الصدارة، والحدود المحيطة بها

تدير Artificial Analysis لوحتين لتصنيف الكلام، وهما تجيبان عن سؤالين مختلفين. تتيح Provider Voice arena لكل مورّد أن يقدّم الأصوات التي اختارها بنفسه — أصوات العرض التوضيحي المصقولة التي تختارها الشركة لتمثيل نفسها — وتصنّفها بحسب مدى جودة نطقها. وتستبدل Controlled Voice arena مجموعة ثابتة من ثمانية أصوات مرجعية مستنسخة، أربعة أمريكية وأربعة بريطانية، بحيث ينطق كل محرك الكلمات نفسها بالصوت نفسه وفي الظروف نفسها. وهو أقرب ما لدى الصناعة إلى اختبار محركات على أساس المقارنة المتماثلة، وهو اللوح المهم إذا كنت تخطط لاستنساخ صوت وتسليمه إلى نموذج TTS.

يتصدر HeyGen Voice القائمة. من لقطة أكتوبر 2026:

• Controlled Voice Elo — HeyGen Voice 1,198 over 1,765 samples, against Q​wen-Audio-3.1-TTS-Plus at 1,186 over 2,097, Eleven v4 Turbo at 1,162, Eleven v4 at 1,159 and Cartesia Sonic 3.6 at 1,149.

• Provider Voice Elo — Eleven v4 Turbo leads at 1,330, Eleven v4 at 1,329, Q​wen-Audio-3.1-TTS-Plus at 1,296, Cartesia Sonic 3.6 at 1,285, Gemini 3.8 Flash TTS at 1,275. HeyGen Voice does not appear on this board.

• Price, on the arena's own basis — $30.00 per million characters, against Q​wen's $19.30 and Eleven v4 Turbo's $40.00. HeyGen publishes the same $30.00 per million characters on its own product page with the line "no packages, no minimums, no tiers."

ذلك الغياب عن اللوحة الأوسع ليس إشارة جودة. تشير Artificial Analysis إلى أن الإدخالات يمكن حجبها بسبب عدم كفاية الأصوات، والنموذج الذي عمره بضعة أسابيع وله ساحة واحدة مُقيَّمة بشكل مختلف خلفه لم يراكم بعد حجم الاستماع الأعمى الذي تتطلبه لوحة تضم أكثر من تسعين نموذجًا. القراءة الصحيحة ضيقة ومفيدة: HeyGen Voice هو حاليًا المحرك الأعلى تقييمًا في مقارنة الصوت المستنسخ الخاضعة للضبط، ومجهول القيمة أمام الساحة الأوسع. أي شخص يستشهد بـ"أفضل نموذج TTS في العالم" بناءً على ذلك الرقم فإنه يستشهد بلوحة أصغر مما توحي به الجملة.

ما الذي يوفره لك HeyGen لتبني به

المحرّك أكثر مرونة مما يوحي به تصنيف «نموذج TTS»، وهناك ثلاثة تفاصيل تهم أي شخص يختار بين هذين المنتجين.

• اختيار المحرك لكل صوت. استدعاء GET /v3/voices يأخذ مرشح محرك تشمل قيمه orca لـ HeyGen Voice، starfish، وتمرير إلى أصوات ElevenLabs. لا يجبرك HeyGen على استخدام نموذجه الخاص — إنه يتحوط، بالمعنى الأكثر حرفية، من خلال السماح لك بالتوجيه إلى محرك منافس عبر واجهة برمجة التطبيقات الخاصة به. أي شخص يقرأ 1,198 Elo على أنها "صوت HeyGen هو الأفضل" يجب أن يلاحظ أنها تصف واحدًا من ثلاثة مسارات تقدمها نفس نقطة النهاية.

• الاستنساخ في وضعين. يأخذ Instant Clone تسجيلًا واحدًا، ويستخدم الدقائق الثلاث الأولى، ولا يمكن إعادة تدريبه، وهو موثّق كمجاني أثناء المعاينة. يدرّب Professional Clone على تسجيل واحد إلى عشرة تسجيلات بإجمالي يزيد عن عشرين دقيقة، ويعيد 202 Accepted ويستطلع حتى يصبح نشطًا، ويمكن إعادة تدريبه، ويشغل خانة مشتراة. يعمل ضابط التشابه من واحد إلى أربعة، ويُطبَّق تعزيز التعبيرية من 0.0 إلى 1.0 على الأصوات الفورية فقط، وتتوفر وسوم التوقف حتى خمس ثوانٍ في المستوى الاحترافي.

• تصميم صوتي قابل للتكرار. POST /v3/voices يُنشئ ما يصل إلى ثلاثة مرشحين مرتبين من وصف لا يتجاوز 1,000 حرف، مع عامل تصفية اختياري للجنس، وإعداد محلي BCP-47 اختياري وبذرة — وتوثّق HeyGen أن نفس المطالبة مع نفس البذرة تُعيد دائمًا نفس الأصوات. الحد الأقصى لنص الكلام هو 5,000 حرف، وتعمل نقطة النهاية بمعدل 30 طلبًا في الدقيقة عند الدفع حسب الاستخدام، و120 في Enterprise.

• تغطية لغوية تبلغ 39 رمزًا أساسيًا لكلٍّ من الاستنساخ والكلام، مع إحالة الوسوم الإقليمية إلى أصلها الأساسي بدلًا من تبديل اللكنة. أما رقم "175+ لغة ولهجة" على مستوى المنصة المتداول في صفحات التسويق الخاصة بـHeyGen فليس ضمن تغطية هذا الطراز.

تحذير عملي واحد حول قائمة اللغات تلك: هناك عدة إعدادات محلية إقليمية تقبلها محركات الصور الرمزية ولا تختار لكنة إقليمية في محرك الصوت. إذا كان منتجك يدعم التوطين، فاختبر الإعداد المحلي الذي تحتاجه بدلًا من افتراض أن الوسم يحمله.

The part of G​PT-Live-1 that HeyGen's own stack demonstrates

On 16 October 2026 O​penAI released prompt-to-voice to all API customers: a POST to /v1/audio/voices with type: "prompt", a name, the description and "model": "auto". Creating a voice is free; using it bills at normal session rates. The response is metadata only — an ID, a name, a creation timestamp, your prompt — with no audio and no preview, so auditioning costs a session. The steerable qualities are accent, age, presentation, pitch, timbre, texture, loudness, speech rate and distinctiveness, all expressed in ordinary language with no numeric parameters, and O​penAI documents that generated voices are not guaranteed to be unique.

Put that next to HeyGen's design endpoint and the difference is not quality, it is engineering discipline. HeyGen gives you up to three candidates, a seed that makes results reproducible and a preview audio URL per voice. O​penAI gives you one voice, no preview and no uniqueness guarantee, under a 100-voice organisation cap that also applies to voices generated on behalf of your customers. If a voice is a build artefact you will need to regenerate, only one of these two surfaces is designed for that.

The preset libraries diverge just as sharply. G​PT-Live-1's Live voice guide lists twenty-one named presets plus marin as default; the nine added on 16 October are Nuri, Juni and Flitz in German, Brise and Sillage in French, Nira in Hindi, Harema and Shida in Japanese, and Noeul in Korean — which leaves Hindi and Korean with one voice each, both feminine. HeyGen's catalogue is documented at 300-plus pre-built voices across dozens of languages. Those are not comparable numbers in kind, and for a product that needs a wide cast of distinct speakers, the difference decides the decision on its own.

حيث يلتقي النظامان: التفويض، وما يكلفه

يقدّم كلا الجانبين الآن حلقة محادثة كاملة، ويضع كلاهما محرّك الاستدلال في مكان يمكنك التحكم فيه.

HeyGen's LiveAvatar ships in FULL mode, where HeyGen runs speech recognition, the language model, text-to-speech, turn-taking, memory and contexts, and LITE mode, where you keep your own agent and use HeyGen for the avatar and voice layer. G​PT-Live-1 does the same thing with a different boundary: Responses delegation, where O​penAI runs the backend model, or client delegation, where you point the session at your own harness, agent or service.

That shared shape is what makes the cost question identical on both sides, and it is the question most comparisons skip. On G​PT-Live-1, full active session time is billable including while the backend works. O​penAI's own cost guidance makes the arithmetic blunt: using a faster backend with parallel tool calls so the user finishes a minute earlier saves $0.05 in voice charges. The voice rate is a constant; session length is the dial, and on HeyGen's FULL mode the same economics apply to whatever reasoner sits in the loop. A TTS line item does not appear in a conversational product's budget in the way a procurement sheet implies — the reasoning minutes do.

That is the one place a routing layer changes the shape of the build rather than the price of a line item. Client delegation turns the backend into a variable you can route per conversation instead of a fixed dependency. OrcaRouter fronts 200-plus models at provider list price with no markup, which matters most exactly when a vendor cuts a price — the cut is live here the same day rather than at renewal. Automatic failover keeps a provider outage out of a live call, and the routing DSL lets you compose the reasoning step from several models rather than staking the session on one. To state the boundary plainly: OrcaRouter hosts neither G​PT-Live-1 nor HeyGen Voice, and neither appears in our catalogue. What it routes is the reasoning behind a delegated session.

كيف تقرر هذا الأسبوع

Write down which board your product is judged on, because these two models do not overlap there. If a human listens to the output asynchronously — a marketing video, a training module, an audiobook, a cloned brand voice reading many lines — you are on the Controlled Voice board, HeyGen Voice currently leads it, and its $30.00 per million characters sits mid-field against Q​wen's $19.30 and Eleven v4 Turbo's $40.00. Test it against both of those in the same arena, because two of the three are cheaper.

If a human talks back in real time, the Controlled Voice board has nothing to say to you. The question becomes who owns the turn-taking loop, what the backend costs per session, and whether the voice model is the pipeline or a component inside one. HeyGen's answer is LiveAvatar with an agent you bring; O​penAI's answer is a session that delegates. Both are viable, and the fact that HeyGen's own reference stack uses G​PT-Live-1 for the conversational half is the clearest evidence available that these are not substitutes.

ما لا ينبغي فعله هو أن تقتبس «المركز الأول على Artificial Analysis» وكأنه حسم قرارًا يخص منتج محادثة. لقد حسم مسألة تركيب صوتي تتعلق بثمانية أصوات مستنسخة. أما السؤال الآخر فلم يُطرح على تلك اللوحة إطلاقًا.

لا شيء من ذلك افتراضي: تم جمع إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا في OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة النزاع الخاصة به.