HeyGen Voice Turbo holt sich die Krone für kontrollierte Stimmen von HeyGen Voice – und senkt den Arena-Preis um 87 %

Zwölf Tage, nachdem HeyGen Voice in der Controlled Voice Arena von Artificial Analysis Platz eins erreicht hat, hat HeyGen es dort durch HeyGen Voice Turbo, ein schnelleres und deutlich günstigeres Sprachmodell, das am 21. Oktober 2026 in der API des Anbieters unter der Modell-ID heygen-voice-1-turbo live ging. In der am Morgen des 22. Oktober abgelesenen Rangliste liegt HeyGen Voice Turbo mit 1.202 Elo auf Platz eins und sein Vorgänger HeyGen Voice mit 1.195 auf Platz zwei, während Alibabas Qwen-Audio-3.1-TTS-Plus mit 1.184 auf Platz drei liegt. Die Schlagzeile schreibt sich selbst als Nachfolgegeschichte – ein Anbieter, der sich selbst schlägt –, und diese Einordnung ist nicht falsch, aber sie ist das am wenigsten Nützliche auf der Seite. Die Zahl, die eine Kaufentscheidung verändern sollte, steht zwei Spalten weiter rechts, wo dieselbe Rangliste das neue Modell mit 4,00 US-Dollar pro Million Zeichen gegenüber 30,00 US-Dollar für das von ihm verdrängte Modell aufführt.Wenn sich später herausstellt, dass eine solche Umkehrung in einer Rangliste auf einem veralteten oder neu ausgewiesenen Wert beruht, wird die Korrektur mit ihren Datumsangaben und Quellen im AI Incident Archive protokolliert – zusammen mit den übrigen Modell- und Anbieterfehlern, die wir verfolgen.

Das ist eine Senkung der ausgewiesenen Kosten um 87 % für ein Modell, das höher eingestuft ist als das Modell, das es ersetzt. Beide Zahlen sind Umrechnungen der Credit-Preise von HeyGen durch Artificial Analysis und nicht die von HeyGen veröffentlichten Preise, was wichtig ist und im Hinterkopf behalten werden sollte – doch die Richtung der Lücke ist viel zu groß, um ein Umrechnungsartefakt zu sein.

Was das kontrollierte Gremium heute Morgen tatsächlich sagt

Die Controlled Voice Arena hält den Sprecher konstant: Jeder Teilnehmer synthetisiert dieselben acht geklonten Referenzstimmen, vier US-amerikanische und vier britische, und blinde Hörer wählen die bessere Wiedergabe. Es ist das Board, das die Engine misst und nicht den Demo-Reel des Anbieters, und es ist das richtige, das man lesen sollte, wenn man eine geklonte Markenstimme ausliefert. Stand 22. Oktober 2026 liest sich die Spitze so.

• Rang 1 — HeyGen Voice Turbo, 1.202 Elo, ±19 bei 95 % Konfidenz (Intervall 1.183 bis 1.221), 1.685 Stichproben, veröffentlicht im Oktober 2026, 4,00 $ pro Million Zeichen.

• Rang 2 — HeyGen Voice, 1.195 Elo, ±15 (Intervall 1.180 bis 1.210), 1.964 Stichproben, veröffentlicht im Oktober 2026, 30,00 $ pro Million Zeichen.

• Rang 3 — Qwen-Audio-3.1-TTS-Plus, 1.184 Elo, ±14 (Intervall 1.170 bis 1.198), 2.292 Proben, 19,30 $ pro Million Zeichen.

• Rang 4 und 5 — Eleven v4 Turbo und Eleven v4, beide mit 1.156 Elo, 40,00 $ und 80,00 $ pro Million Zeichen.

• Platz 6 — Sonic 3.6, 1.151 Elo, 49,00 $ pro Million Zeichen, bei 3.193 Stichproben — das Modell mit den meisten Stimmen in den Top Ten.

• Platz 7 — Inworld Realtime TTS-2, 1.145 Elo, 20,80 $ pro Million Zeichen.

Zwei Details in dieser Liste verdienen mehr Aufmerksamkeit als die Reihenfolge. Das erste ist die Bereichsspalte: Artificial Analysis gibt die Ränge eins bis drei als ein einziges Band, 1–3, aus, was bedeutet, dass die eigenen Statistiken die drei besten Modelle nicht trennen. Das zweite ist die Stichprobenzahl. HeyGen Voice Turbo hat 1.685 Stimmen; Eleven v4 Turbo, zwei Plätze darunter, hat 2.593. Die Spitzenposition des neuen Modells stützt sich auf etwa zwei Drittel der Datenbasis der Modelle, die es übertrifft, und ein ±19-Intervall ist das breiteste unter den Top Five.

Sieben Elo sind nicht die Story. Vier Dollar sind es.

Betrachten Sie die beiden HeyGen-Einträge als Paar, denn sie teilen sich einen Endpunkt, einen Anbieter und nun auch eine Nachbarschaft in der Rangliste. Der Abstand zwischen ihnen beträgt sieben Elo-Punkte, und ihre Konfidenzintervalle überschneiden sich über nahezu ihre gesamte Breite: 1.183 bis 1.221 gegenüber 1.180 bis 1.210. Niemand sollte zwischen diesen beiden Modellen anhand der Qualität wählen. Jeglicher Unterschied in der Natürlichkeit geklonter Stimmen ist kleiner als die Unsicherheit der Messung.

Die Preisdifferenz ist nicht kleiner als die Unsicherheit. Sie beträgt das 7,5-Fache.

Zuerst der Vorbehalt, denn er ist real: HeyGen veröffentlicht keinen Preis pro Zeichen für Sprachausgabe. Seine öffentliche Preisseite verkauft Credits – 600 Credits in einer Preisstufe, 1.000 in einer anderen, größere Kontingente bei Jahresplänen – und gibt nie an, wie viele Zeichen ein Credit kauft. Die Beträge von 4,00 $ und 30,00 $ sind Artificial Analysiss eigene Umrechnung, die konsequent auf jeden Anbieter in der Übersicht angewendet wird, damit Modelle überhaupt verglichen werden können. Es sind abgeleitete Zahlen. Was den Vergleich trotzdem brauchbar macht, ist, dass dieselbe Umrechnung beide Beträge erzeugt hat: Wenn die Umrechnung falsch ist, ist sie für beide falsch, und ein Verhältnis von 7,5× übersteht einen konstanten Fehler.

Es gibt eine dritte Preisoption, die auf der Rangliste überhaupt nicht auftaucht. HeyGen betreibt eine kostenlose Tarifstufe dieses Modells, heygen-voice-1-turbo-free, bis zum 30. November 2026. Sie unterstützt öffentliche Stimmen und Instant-Clones, erfordert kein Guthaben und ist ausdrücklich für Tests, Prototypen und kleine Sprachmengen dokumentiert. Es ist außerdem ausdrücklich nicht garantiert: Serviceverfügbarkeit, Antwortzeit und Zeit bis zum ersten Audio werden allesamt nicht zugesichert, die Kapazität wird von allen kostenlosen Nutzern gemeinsam genutzt, und eine Anfrage kann HTTP 429 rate_limit_exceeded zurückgeben, während Sie deutlich unter Ihrem eigenen Limit von 30 Anfragen pro Minute liegen. Eine kostenlose Anfrage wechselt nie stillschweigend zum kostenpflichtigen Modell – Sie müssen eine neue Anfrage mit heygen-voice-1-turbo senden und die Kosten akzeptieren. Planen Sie für den Produktionseinsatz das kostenpflichtige Modell ein und betrachten Sie die kostenlose Tarifstufe als Möglichkeit, die Engine diese Woche mit Ihrem eigenen Skript zu hören.

Worauf Turbo verzichtet, um diese Zahl zu erreichen

Der Rabatt ist keine Preisaktion im Gewand eines Modellstarts. Er betrifft ein Produkt mit engerem Umfang, und diese Einschränkung ist in HeyGens Sprachreferenz klar dokumentiert.

• Stimmentypen — heygen-voice-1-turbo akzeptiert nur öffentliche Stimmen und Instant-Klone. Professionelle Klone werden nicht unterstützt. Das Standardmodell heygen-voice-1 bleibt das Modell, das professionelle Stimmen spricht.

• Steuerungen pro Anfrage — Turbo akzeptiert expressiveness_boost von 0.0 bis 1.0 und nichts anderes im Prosodie-Set. seed, speed, pitch_shift und pitch_variance werden bei Instant-Stimmen, einschließlich Turbo, akzeptiert und ignoriert. Professionelle Stimmen lehnen expressiveness_boost rundheraus ab.

• Pausen – professionelle Stimmen machen <break>-Pausen von bis zu fünf Sekunden. Instant-Stimmen, Turbo eingeschlossen, nicht. Anderes SSML wird von beiden nicht unterstützt.

• Textlänge — 1 bis 5.000 Zeichen einfacher Prosa pro Anfrage, bei beiden Modellen.

• Rate-Limit – standardmäßig 30 Anfragen pro Minute pro Workspace-Mitglied, bei beiden Endpunkten, pro Konto anpassbar.

• Ausgabe — eine Mono-PCM16-WAV-Datei mit 44,1 kHz für den synchronen Endpunkt; geordnete base64-kodierte WAV-Teile über Server-Sent-Events auf /tts/stream. Jeder gestreamte Teil ist ein vollständiger WAV-Container, daher muss er einzeln dekodiert werden statt aneinandergehängt zu werden.

Lies diese Liste als Beschreibung der Zielkundschaft von Turbo: jemand, der kurze Zeilen in einer Stimme generiert, die er in Sekunden geklont hat, in großem Umfang, für den eine fehlende Tonhöhensteuerung irrelevant ist und ein 7,5-facher Geschwindigkeitsunterschied nicht. Wenn deine Pipeline von einem zwanzigminütigen professionellen Klon und reproduzierbaren Seeds abhängt, ist Turbo keine günstigere Version deines aktuellen Modells — es ist ein anderes Modell, das deine Aufgabe nicht erledigen kann.

Die Behauptung, die HeyGen in seiner eigenen Dokumentation aufstellt

HeyGens Text-to-Speech-Referenz gibt an, dass die API-Standardwerte – similarity: „extra_high“ für das Klonen und expressiveness_boost: 1.0 für Sprache – die Konfiguration sind, die „den ersten Platz im Artificial Analysis Controlled Voice Leaderboard belegte“. Das ist eine Anbieteraussage über ein unabhängiges Leaderboard, und sie lässt sich tatsächlich überprüfen: Das Leaderboard zeigt tatsächlich ein HeyGen-Modell auf dem ersten Platz. Die Aussage ist außerdem enger gefasst, als sie klingt. Sie beschreibt eine Konfiguration eines Modells in einem von Artificial Analysis’ zwei Sprach-Leaderboards und sagt nichts über die Leaderboard-Position des Sprachkatalogs des Anbieters insgesamt aus.

Beachten Sie die Diskrepanz, die man kennen sollte, bevor Sie die Standardwerte übernehmen: HeyGen Studio wird mit similarity: "max" und expressiveness_boost: 0.5 ausgeliefert, während die API standardmäßig das Paar mit höherer Ähnlichkeit und maximaler Ausdrucksstärke verwendet. Das Leaderboard-Ergebnis wurde mit den API-Standardwerten erzeugt. Wenn Sie auf Studio-ähnliche Wärme abstimmen, läuft die Konfiguration, zu der der Elo gehört, nicht mehr.

Drei Dinge, die diese Bestenliste nicht misst

Zunächst einmal ist HeyGen überhaupt nicht in der Provider Voice Arena vertreten – dem begleitenden Board, auf dem jeder Anbieter seine eigenen nativen Stimmen einsetzt und 98 Modelle gerankt werden. Angeführt wird dieses Board von Eleven v4 Turbo mit 1.335, Inworld Realtime TTS-2 liegt mit 1.267 auf Platz sechs. Artificial Analysis lässt Modelle weg, denen es an ausreichend Abstimmungen fehlt, daher ist Abwesenheit kein Urteil über die Qualität; es bedeutet jedoch, dass es keine unabhängige Zahl dafür gibt, wie sich HeyGens eigener Katalog für ein allgemeines Publikum anhört. Wenn Sie unter Stock-Erzählerstimmen wählen, statt zu klonen, gilt die zentrale Kennzahl dieses Artikels für Sie nicht.

Zweitens läuft die kontrollierte Rangliste pro Sprache, und HeyGen Voice Turbo erscheint oben auf den englischen Ranglisten und auf der deutschen Rangliste – fehlt aber in den Tabs für Japanisch, Chinesisch, Französisch, Spanisch, Portugiesisch, Vietnamesisch, Arabisch und Hindi. Angesichts dessen, dass HeyGen 42 Basissprachcodes für Cloning und Sprachausgabe dokumentiert, ist die wahrscheinlichste Erklärung das Stimmenvolumen und nicht die Fähigkeit. Dennoch: Eine englischsprachige Krone ist eine englischsprachige Krone, und wer mehrsprachige Sprachausgabe anbietet, sollte den entsprechenden Tab lesen, bevor er annimmt, dass das Ergebnis übertragbar ist.

Drittens bewertet die Arena das Audio, nicht den Klonvorgang, der die Stimme erzeugt hat. Ob ein Instant-Clone aus wenigen Sekunden Referenzaudio einen bestimmten Sprecher beibehält, ist eine separate Frage, die hier niemand misst.

Was passiert am 1. Dezember

Die konkreteste offene Frage ist nicht, ob Turbo den ersten Platz hält – ein Vorsprung von sieben Punkten innerhalb sich überlappender Intervalle könnte sich beim nächsten Bewertungsdurchlauf umkehren, ohne dass sich bei HeyGen irgendetwas ändert. Sie lautet: Was kostet das Modell, nachdem der kostenlose Tarif am 30. November 2026 endet?

Zwei Wege sind plausibel. Die $4.00-Conversion könnte der Dauerpreis eines bewusst günstigen Instant-Voice-Modells sein; in diesem Fall hat die kontrollierte Rangliste nun einen auf Platz eins rangierenden Eintrag zu einem Fünftel des Medians des Feldes. Oder Turbo Free könnte ein Akquisekanal sein, und der bezahlte Tarif könnte sich ändern, sobald er endet. HeyGen sagt, es werde Nutzer benachrichtigen, bevor sich das Angebot ändert — die einzige offiziell festgehaltene Zusage. Solange keine Tarifkarte des Anbieters existiert, ist jeder Preis hier ein Rückschluss — ein guter, konsequent angewandter und dennoch ein Rückschluss.

Für Teams, die bereits eine Voice-Pipeline betreiben, ist der praktische Schritt diese Woche klein und günstig: zwanzig eigene Zeilen durch heygen-voice-1-turbo-free mit einem Instant-Clone rendern und dieselben zwanzig durch das rendern, was Sie heute verwenden. Die Arena hat Ihnen gezeigt, dass die Engines bei acht Referenzstimmen dicht beieinanderliegen. Sie kann Ihnen nicht sagen, ob Turbo mit Ihren Produktnamen, Ihren Zahlen und Ihren Pausen zurechtkommt. Wenn Sie außerdem Sprachmodelle oder eines der gehosteten Sprachmodelle in OrcaRouters Katalog aufrufen, können diese hinter einem einzigen Schlüssel mit automatischem Failover liegen, was das Experiment von Ihrem Produktionspfad fernhält — allerdings wird HeyGen Voice Turbo selbst dort nicht geroutet, sodass der Vergleichslauf über HeyGens eigene API laufen muss.

Die Nachfolgegeschichte ist letztlich die am wenigsten interessante Lesart. Dass ein Anbieter sein eigenes Modell in zwölf Tagen um sieben Elo verbessert, ist gewöhnlicher Fortschritt. Dass ein Anbieter seine beste Engine für geklonte Stimmen zu ungefähr einem Siebtel des Listenpreises der vorherigen auf den Markt bringt, verändert, was eine Sprachschicht kosten darf – und das ist der Satz, den man in ein Budgetgespräch mitnimmt.