HeyGen Voice Turbo مقابل Inworld Realtime TTS-2: أفضل صوت مستنسخ ليس الأسرع

اطلب من كلا المورّدين الرقم الذي يحسم أمر منتج في الزمن الحقيقي، فلن يجيب إلا واحد منهما. تنشر Inworld رقمًا لزمن الصوت الأول لمنتج Inworld Realtime TTS-2 — يصل إلى 50 مللي ثانية على النموذج الشقيق Flash، مقيسًا على لوحة Coval، مع ادعاء المورّد أن الصوت الأول يأتي أسرع بما يصل إلى 3× من ElevenLabs. ولا تنشر HeyGen أي رقم لزمن الاستجابة على الإطلاق لمنتج HeyGen Voice Turbo؛ إذ تَعِد وثائقها بـ«توليد أسرع» من النموذج الذي يجاوره، وتكتفي بذلك. أما ما تنشره HeyGen فعلًا فهو المركز الأول في Artificial Analysis Controlled Voice Arena برصيد 1,202 Elo، وسعر مدرج قدره 4.00 دولارات لكل مليون حرف، مقابل المركز السابع لـ Inworld Realtime TTS-2 برصيد 1,145 و20.80 دولارًا. تُسجَّل مراتب ساحة الصوت والأسعار لكل حرف التي تتغير بعد النشر مع تواريخها ومصادرها في the AI Incident Archive، إلى جانب حوادث النماذج والمورّدين الأخرى التي نتابعها.

إذن النموذجان لا يتنافسان على المقعد نفسه. أحدهما أفضل محرك صوت مستنسخ على لوحة تفضيل معمّاة مع سؤال زمن استجابة بلا إجابة. والآخر محرك زمن حقيقي مع ادعاء منشور بزمن الاستجابة ودرجة جودة أقل بخمسة مراكز. أيّهما تريد يعتمد على ما إذا كان إنسان ينتظر في منتصف الجملة.

اللوحتان، وأين يقف كل مورّد فعليًا

يدير Artificial Analysis لوحتي التقييم الصوتي، والرقمان معًا أهم من كل منهما منفردًا لأنهما يقيسان أمرين مختلفين: تُبقي Controlled Voice Arena ثمانية أصوات مرجعية مستنسخة ثابتة وتقيّم المحرك؛ بينما تتيح Provider Voice Arena لكل مزوّد التحدث بأصواته الأصلية وتقيّم المنتج المتاح تجاريًا.

• إيلو الصوت المتحكَّم فيه — HeyGen Voice Turbo 1,202 (المرتبة الأولى من 46، ±19، 1,685 عينة). Inworld Realtime TTS-2 1,145 (المرتبة السابعة، ±13، 3,161 عينة).

• Voice Elo لمزوّد الخدمة — HeyGen Voice Turbo غير مُدرَج. Inworld Realtime TTS-2 ‏1,267 (المرتبة 6 من 98).

• السعر المدرج لكل مليون حرف، تحويل arena — HeyGen Voice Turbo $4.00. Inworld Realtime TTS-2 $20.80، Flash $10.40.

• بطاقة أسعار المورّد — لا تنشر HeyGen سعرًا للصوت لكل حرف؛ إذ يُستخلص مبلغ 4.00 دولارات من تسعير الأرصدة. وتنشر Inworld مبلغ 25.00 دولارًا عند الطلب لـ Realtime TTS-2 و15.00 دولارًا لـ Flash، وينخفضان إلى 20.00 دولارًا و10.00 دولارات في خطة Creator.

• زمن الاستجابة المعلن — HeyGen: لا يوجد رقم منشور. Inworld: 50 مللي ثانية حتى أول صوت لـ Flash على Coval؛ لم يُذكر رقم الطراز الرائد على الأساس نفسه.

• تغطية اللغات — HeyGen: 42 رمزًا لغويًا أساسيًا للاستنساخ والكلام. Inworld: حوالي 500 لغة ولهجة لصوت واحد من Realtime TTS-2.

عدم التماثل في عمود المزوّد هو ما يستحق الملاحظة. فـInworld مصنّف على كلتا اللوحتين؛ أما HeyGen فمصنّف على واحدة فقط. يستبعد Artificial Analysis النماذج التي تفتقر إلى أصوات كافية، لذا فإن هذا الغياب ليس مؤشرًا على الجودة — لكنه يعني أن منتج Inworld جرى تقييمه عبر كامل سطحه المطروح، بينما جرى تقييم منتج HeyGen فقط في حالة الصوت المستنسخ.

الجودة: فارق قدره 57 نقطة يصمد أمام هوامش الخطأ

فارق 57 نقطة إيلو هو الأكبر في هذه المقارنة والأقل غموضًا. يمتد نطاق HeyGen Voice Turbo من 1,183 إلى 1,221؛ بينما يمتد نطاق Inworld Realtime TTS-2 من 1,132 إلى 1,158. وهما لا يتداخلان. وخلافًا لمقارنة HeyGen مقابل HeyGen ذات السبع نقاط، حيث يكون النموذجان متعادلين إحصائيًا، فإن هذه المقارنة تُظهر انفصالًا عند مستوى ثقة 95%.

ما الذي يشتريه ذلك بدقة: على ثمانية أصوات مرجعية مستنسخة، فضّل المستمعون المكفوفون أداءات HeyGen Voice Turbo بفارق تستطيع اللوحة حسمه. وهو لا يقول إن كتالوج أصوات HeyGen نفسه يبدو أفضل من كتالوج Inworld — فليس لدى HeyGen أي إدخال في لوحة المزوّد يمكنه تأكيد ذلك به — ولا يقول إن Turbo يستنسخ بشكل أفضل، بل يقول فقط إنه ينطق بنسخة مقدّمة بشكل أفضل.

مسار الاستنساخ لدى Inworld هو أقل ما تستطيع درجة الجودة لديه وصفه. يعمل الاستنساخ الفوري انطلاقًا من ثلاث ثوانٍ من الصوت المرجعي، ويعمل تصميم الصوت انطلاقًا من وصف مكتوب؛ وكلاهما متضمَّن في كل خطة. تقيس الساحة الكلام الناتج، لا مدى مطابقة النسخة المستنسخة التي أُدخلت. النموذج الذي يحصل على 1,145 على نسخة مستنسخة سُلِّمت إليه قد يظل الخيار الأفضل لإنتاج تلك النسخة من ثلاث ثوانٍ من صوت أحد العملاء.

زمن الاستجابة: الرقم الذي لن تمنحك إياه HeyGen

إن تحديد Inworld لموقعها في مجال الزمن الحقيقي محدد وقابل للدحض. يعيد Realtime TTS-2 Flash أول صوت خلال 50 مللي ثانية فقط وفق قياس Coval، وأسرع بما يصل إلى 3× من ElevenLabs عند 183 مللي ثانية، وأسرع بما يصل إلى 35× من GPT-4o mini TTS من OpenAI عند 2,056 مللي ثانية. هذه قياسات طرف ثالث لنموذج مورّد، نقلها المورّد — دليل أفضل من ادعاء تسويقي، وأضعف من تدقيق مستقل، ويستحق إعادة إنتاجه على شبكتك الخاصة قبل أن تبني عليه.

يصف توثيق HeyGen ميزة Turbo بأنها تنطق أصواتًا فورية "بزمن استجابة أقل" من الإعداد الافتراضي، ويتوقف عند ذلك. وتعرض صفحة الإنتاجية لدى Artificial Analysis وسيط زمن توليد قدره 7.29 ثوانٍ و122 حرفًا في الثانية للنموذج، مع شريحة مئوية خامسة قدرها 52.7 ثانية وشريحة مئوية 95 قدرها 150 ثانية — وهي أرقام تصف تركيب الطلب كاملًا على منصة القياس الخاصة بها، لا الزمن حتى أول صوت، والتباين واسع. وسيط قدره سبع ثوانٍ مناسب لسرد مُعدّ مسبقًا. لكنه ليس محادثة.

هذه المقارنة ليست مقارنة عادلة، وليست المقصود منها أن تكون كذلك. فقد حُدّد سعر Turbo من HeyGen ووُثّق من أجل تركيب الصوت بكميات كبيرة: 5,000 حرف لكل طلب، و30 طلبًا في الدقيقة، ونقطة نهاية WAV متزامنة، وبث SSE تكون أجزاؤه حاويات WAV كاملة. أما منتج Inworld فقد وُثّق من أجل تبادل الأدوار: تحكم في الإلقاء قائم على التعليمات، و50 صوتًا غير لفظي يُقدَّم كصوت حقيقي، وادعاء بإخراج أول صوت خلال عشرات المللي ثانية. إذا كان منتجك يتحدث داخل محادثة، فإن HeyGen لم تنشر الرقم الذي تحتاجه، وغياب الرقم ليس دليلًا على بطء النموذج، بل دليل على أن هذا ليس المنتج الذي يبيعونه لك.

السعر: ثلاث درجات على أحد الجانبين، ورقم مشتق واحد على الجانب الآخر

تبدو مقارنة $4.00 بـ$20.80 وكأنها فوز لـHeyGen بنسبة خمسة إلى واحد، وهو الرقم الأقل موثوقية في هذا المقال. فهو تحويل أجرته Artificial Analysis لتسعير الاعتمادات لدى HeyGen، وقد اشتُق لأن HeyGen لا تنشر عدد الأحرف التي يغطيها الاعتماد. أما مبلغ $20.80 لدى Inworld فهو تطبيع اللوحة نفسها لسعر تنشره Inworld.

قارن المثل بالمثل وستضيق الصورة. سلم أسعار Inworld نفسه يبدأ من $25.00 عند الطلب، و$20.00 في خطة Creator، و$17.50 في Pro، و$15.00 في Business، و$12.50 في Enterprise، مع Flash من $15.00 نزولاً إلى $7.00 عبر المستويات نفسها، والبيعان يعلن عن أقل من $5 في القمة. وبالأسعار التي يدفعها العميل الملتزم فعلياً، يقع Realtime TTS-2 بين $12.50 و$20.00، ويقع Flash بين $7.00 و$15.00. مقابل تحويل بقيمة $4.00، لا يزال HeyGen أرخص على الورق — لكن الفجوة أقرب إلى اثنين إلى واحد مقابل طبقة Inworld المخفّضة منها إلى خمسة إلى واحد مقابل قائمة الأسعار.

ثمة درجة ثانية لا تكلف شيئًا. طبقة HeyGen heygen-voice-1-turbo-freeتتيح أصواتًا عامة ونسخًا فورية دون رصيد ائتماني حتى 30 نوفمبر 2026، على سعة مشتركة بلا ضمانات، مع ميل موثّق إلى إرجاع 429 تحت الحمل. تقدم Inworld ما يصل إلى 70 دقيقة من خدمة TTS المجانية على خطتها On-Demand. كلاهما يكفي لإجراء مقارنة حقيقية؛ لكن أياً منهما لا يكفي لتشغيل منتج.

أين يتوقف كل نموذج عن كونه الإجابة

استخدم HeyGen Voice Turbo عندما يكون الصوت مُولّدًا مسبقًا أو شبه آني بدلًا من أن يكون حواريًا: السرد، وفصول الكتب الصوتية، ووحدات التعلّم الإلكتروني، والنصف المنطوق من مسار معالجة الفيديو، أو وكيل صوتي تكون أدواره طويلة بما يكفي ليختفي سبع ثوانٍ من التوليد خلف مؤشر تفكير. وحجته أنه حقّق نتيجة صوت مستنسخ في المرتبة الأولى بأدنى معدل مشتق على لوحة الصدارة، مع 42 لغة وخرج WAV بتردد 44.1 kHz.

الجأ إلى Inworld Realtime TTS-2 عندما يكون هناك شخص ينتظر. الادعاء المتعلق بزمن التأخير، وتوجيه التعليمات — إذ تُرسل توجيهات طريقة الأداء كمعامل في الطلب أو بين قوسين في منتصف السطر — والإشارات غير اللفظية الخمسون، ونحو 500 لغة، والاستنساخ في ثلاث ثوانٍ، كلها ميزات محرك صُمم للمحادثة، ولا يسد أي قدر من Elo تلك الفجوة البنيوية. تتضمن حجته أيضًا ترتيبًا على لوحة Provider لا يمتلكه HeyGen، وهو ما يهم إذا كان منتجك يقدّم أصواتًا جاهزة بدلًا من الأصوات المستنسخة.

لا يُعدّ أيٌّ من الطرازين هو الحل إذا كنت بحاجة إلى استنساخ احترافي ببذور قابلة للتكرار: فـ HeyGen تحصر Turbo في الأصوات العامة والفورية، وأدوات التحكم في النبر مثل seed، speed وpitch_shift متاحة للمحترفين فقط على تلك الواجهة البرمجية. أما أدوات التحكم المكافئة في Inworld فهي طبقة التعليمات والتوجيه الخاصة بها، وهي آلية مختلفة بضمانات مختلفة.

تشغيل كليهما دون تبديل

الجزء المحرج في هذا القرار هو أن المرشحين يحسّنان من أجل ظروف لا يمكنك نمذجتها بالكامل من لوحة المتصدرين: زمن شبكتك حتى أول صوت، والأسماء والأرقام في نصّك، ومدى تحمّل مستمعيك لفترة صمت. والطريقة الرخيصة للإجابة عن ذلك هي وضع كليهما خلف واجهة واحدة وتقسيم حركة المرور — حصة صغيرة للمتحدّي، وتحويل تلقائي عند الفشل إلى الحل القائم عندما يفشل طلب أو يُفعَّل حدّ معدل.

هذا هو الشكل الذي بُنيت له طبقة التوجيه في OrcaRouter، وهو السبب الصادق لذكره هنا: مفتاح واحد لأكثر من 200 نموذج، وسعر القائمة لدى المزوّد يُمرَّر دون أي هامش ربح، وتجاوز الفشل الذي يحوّل خطأ 429 القادم من طبقة مجانية ذات سعة مشتركة إلى إعادة محاولة بدلًا من لحظة انقطاع تام. HeyGen Voice Turbo ليس في ذلك الكتالوج اليوم، لذا فإن أي مقارنة حقيقية بين HeyGen وInworld لا تزال تعني تكاملين — لكن الجانب الخاص بتجاوز الفشل من الحجة يظل قائمًا بصرف النظر عن النموذج الذي تنتهي بتوحيد المعيار عليه.

ما تحسمه لوحات التصنيف أضيق مما تبدو عليه. HeyGen Voice Turbo هو محرك الصوت المستنسخ الأفضل بفارق تدعمه الإحصاءات، وبسعر هو على الأرجح الأدنى في الفئة العليا. أما Inworld Realtime TTS-2 فهو الوحيد من بين الاثنين الذي أخبرك بمدى سرعة بدئه في التحدث، وبالنسبة لمنتج حواري، فإن هذا السؤال الواحد غير المُجاب يتفوق على سبع وخمسين نقطة Elo.