HeyGen Voice Turbo vs. Inworld Realtime TTS-2: Die beste geklonte Stimme ist nicht die schnellste

Fragen Sie beide Anbieter nach der Kennzahl, die über ein Realtime-Produkt entscheidet – und nur einer von ihnen antwortet. Inworld veröffentlicht für Inworld Realtime TTS-2 eine Kennzahl zum ersten Audio – bis zu 50 Millisekunden beim Flash-Geschwistermodell, gemessen auf Covals Board, wobei der Anbieter behauptet, bis zu 3× schnelleres erstes Audio als ElevenLabs zu liefern. HeyGen veröffentlicht für HeyGen Voice Turbo überhaupt keine Latenzkennzahl; die Dokumentation verspricht „schnellere Generierung" als das Modell, neben dem es steht, und belässt es dabei. Was HeyGen hingegen veröffentlicht, ist ein erster Platz in der Artificial Analysis Controlled Voice Arena mit 1.202 Elo und ein gelisteter Preis von 4,00 US-Dollar pro Million Zeichen – gegenüber dem siebten Platz von Inworld Realtime TTS-2 mit 1.145 Elo und 20,80 US-Dollar. Platzierungen in der Voice Arena und Preise pro Zeichen, die sich nach der Veröffentlichung ändern, werden mit Datum und Quellen im AI Incident Archive festgehalten – zusammen mit den anderen Modell- und Anbieter-Vorfällen, die wir verfolgen.

Die beiden Modelle konkurrieren also nicht um denselben Platz. Das eine ist die beste Cloned-Voice-Engine auf einem Blindvergleichs-Board, wobei die Latenzfrage unbeantwortet ist. Das andere ist eine Echtzeit-Engine mit einer veröffentlichten Latenzangabe und einem Qualitätswert fünf Plätze weiter unten. Welche man will, hängt davon ab, ob ein Mensch mitten im Satz wartet.

Die beiden Boards und wo jeder Anbieter tatsächlich steht

Artificial Analysis betreibt beide Sprach-Boards, und das Zahlenpaar ist wichtiger als jede der beiden Zahlen für sich allein, weil sie unterschiedliche Dinge messen: Die Controlled Voice Arena hält acht geklonte Referenzstimmen konstant und bewertet die Engine; die Provider Voice Arena lässt jeden Anbieter in seinen eigenen nativen Stimmen sprechen und bewertet das ausgelieferte Produkt.

• Kontrolliertes Voice-Elo — HeyGen Voice Turbo 1.202 (Nr. 1 von 46, ±19, 1.685 Samples). Inworld Realtime TTS-2 1.145 (Nr. 7, ±13, 3.161 Samples).

• Anbieter-Voice-Elo — HeyGen Voice Turbo nicht aufgeführt. Inworld Realtime TTS-2 1.267 (Nr. 6 von 98).

• {{1}}Angegebener Preis{{/1}} pro {{2}}1 Mio. Zeichen{{/2}}, {{3}}Arena-Umrechnung{{/3}} — {{4}}HeyGen Voice Turbo{{/4}} $4.00. {{5}}Inworld Realtime TTS-2{{/5}} $20.80, {{6}}Flash{{/6}} $10.40.

• Anbieter-Preisliste — HeyGen veröffentlicht keinen Preis pro Zeichen für Voice; die 4,00 $ ergeben sich aus der Credit-Preisgestaltung. Inworld veröffentlicht 25,00 $ bei On-Demand-Nutzung für Realtime TTS-2 und 15,00 $ für Flash, die im Creator-Tarif auf 20,00 $ bzw. 10,00 $ sinken.

• Angegebene Latenz — HeyGen: keine veröffentlicht. Inworld: 50 ms bis zur ersten Audioausgabe für Flash auf Coval; der Wert für das Flaggschiff wird nicht auf derselben Grundlage angegeben.

• Sprachabdeckung — HeyGen: 42 Basissprachcodes für Klonen und Sprachausgabe. Inworld: etwa 500 Sprachen und Dialekte für eine einzige Realtime-TTS-2-Stimme.

Die Asymmetrie in der Provider-Spalte ist die, die auffällt. Inworld ist in beiden Ranglisten vertreten; HeyGen in einer. Artificial Analysis lässt Modelle weg, denen es an ausreichend Stimmen fehlt, daher ist dieses Fehlen kein Qualitätssignal – aber es bedeutet, dass Inworlds Produkt über seine gesamte ausgelieferte Produktoberfläche hinweg bewertet wurde und HeyGens Produkt nur in der Bedingung mit geklonter Stimme bewertet wurde.

Qualität: eine 57-Punkte-Lücke, die die Fehlergrenzen übersteht

Siebenundfünfzig Elo sind die größte Differenz in diesem Vergleich und die am wenigsten mehrdeutige. Das Intervall von HeyGen Voice Turbo reicht von 1.183 bis 1.221; das von Inworld Realtime TTS-2 reicht von 1.132 bis 1.158. Sie überschneiden sich nicht. Anders als beim Sieben-Punkte-Vergleich HeyGen gegen HeyGen, bei dem die beiden Modelle statistisch gleichauf liegen, weist dieser eine Trennung bei 95 % Konfidenz auf.

Was das genau bringt: Bei acht geklonten Referenzstimmen bevorzugten Blindhörer die Wiedergaben von HeyGen Voice Turbo mit einem Vorsprung, den das Board auflösen kann. Es besagt nicht, dass HeyGens eigener Stimmkatalog besser klingt als der von Inworld — HeyGen hat keinen Eintrag im {{1}}Anbieter{{/1}}-Board, mit dem es diese Behauptung belegen könnte — und es besagt nicht, dass Turbo besser klont, sondern nur, dass es einen bereitgestellten Klon besser wiedergibt.

Inworlds Cloning-Pfad ist derjenige, den sein Qualitätswert am wenigsten beschreiben kann. Instant-Cloning funktioniert mit drei Sekunden Referenzaudio, und Voice-Design funktioniert anhand einer schriftlichen Beschreibung; beides ist in jedem Plan enthalten. Die Arena misst die Sprache, die herauskommt, nicht die Treue des Klons, der hineinging. Ein Modell, das 1.145 bei einem Klon erzielt, der ihm vorgelegt wurde, kann dennoch die bessere Wahl sein, um diesen Klon aus drei Sekunden der Stimme eines Kunden zu erzeugen.

Latenz: die Zahl, die HeyGen Ihnen nicht verrät

Inworlds Echtzeit-Positionierung ist konkret und falsifizierbar. Realtime TTS-2 Flash liefert laut Covals Messung erstes Audio in nur 50 ms – bis zu 3× früher als ElevenLabs mit 183 ms und bis zu 35× früher als OpenAIs GPT-4o mini TTS mit 2.056 ms. Das sind Drittanbieter-Messungen an einem Herstellermodell, zitiert vom Hersteller – bessere Belege als eine Marketingaussage, schwächer als eine unabhängige Prüfung und es wert, sie im eigenen Netzwerk zu reproduzieren, bevor Sie Ihre Architektur darauf ausrichten.

HeyGens Dokumentation beschreibt Turbo als Instant-Stimmen, die „mit geringerer Latenz“ als der Standard sprechen, und belässt es dabei. Die Durchsatzseite von Artificial Analysis listet für das Modell eine mediane Generierungszeit von 7,29 Sekunden und 122 Zeichen pro Sekunde, mit einem 5. Perzentil von 52,7 Sekunden und einem 95. Perzentil von 150 Sekunden – Zahlen, die die Synthese ganzer Anfragen auf seinem Messaufbau beschreiben, nicht die Zeit bis zum ersten Audio, und diese Varianz ist groß. Ein Median von sieben Sekunden ist für vorgerenderte Narration in Ordnung. Es ist kein Gespräch.

Dieser Vergleich ist kein fairer Kampf, und er soll es auch nicht sein. HeyGens Turbo ist auf Massensynthese ausgelegt und dafür dokumentiert: 5.000 Zeichen pro Anfrage, 30 Anfragen pro Minute, ein synchroner WAV-Endpunkt und ein SSE-Stream, dessen Teile vollständige WAV-Container sind. Inworlds Angebot ist auf Sprecherwechsel ausgelegt und dafür dokumentiert: instruktionsbasierte Steuerung der Darbietung, 50 nonverbale Laute, die als echtes Audio gerendert werden, und die Angabe, dass das erste Audio in einigen zehn Millisekunden vorliegt. Wenn Ihr Produkt innerhalb einer Konversation spricht, hat HeyGen die Zahl, die Sie benötigen, nicht veröffentlicht, und das Fehlen einer Zahl ist kein Beleg für ein langsames Modell – es ist ein Beleg dafür, dass dies nicht das Produkt ist, das man Ihnen verkauft.

Preis: drei Sprossen auf der einen Seite, eine abgeleitete Zahl auf der anderen

Die 4,00 $ gegenüber den 20,80 $ wirken wie ein Fünf-zu-eins-Sieg für HeyGen, und sie sind die unzuverlässigste Zahl in diesem Artikel. Sie ist die Umrechnung von HeyGens Credit-Preisen durch Artificial Analysis, hergeleitet daraus, dass HeyGen nicht veröffentlicht, wie viele Zeichen ein Credit kauft. Die 20,80 $ von Inworld sind die Normalisierung eines Tarifs, den Inworld sehr wohl veröffentlicht, durch dieselbe Vergleichsübersicht.

Vergleicht man Gleiches mit Gleichem, verengt sich das Bild. Inworlds eigene Staffelung reicht von 25,00 $ auf Abruf über 20,00 $ im Creator-Tarif, 17,50 $ bei Pro, 15,00 $ bei Business bis 12,50 $ bei Enterprise; Flash liegt über dieselben Stufen bei 15,00 $ bis hinunter zu 7,00 $, und der Anbieter wirbt an der Spitze mit unter 5 $. Zu den Preisen, die ein vertraglich gebundener Kunde tatsächlich zahlt, liegt Realtime TTS-2 zwischen 12,50 $ und 20,00 $ und Flash zwischen 7,00 $ und 15,00 $. Gegenüber einer Umrechnung von 4,00 $ ist HeyGen auf dem Papier immer noch günstiger – doch der Abstand liegt eher bei zwei zu eins gegenüber einer rabattierten Inworld-Stufe als bei fünf zu eins gegenüber dem Listenpreis.

There is a second rung that costs nothing. HeyGen's heygen-voice-1-turbo-free tier speaks public voices and instant clones without a credit balance through 30 November 2026, on shared capacity with no guarantees and a documented tendency to return 429 under load. Inworld offers up to 70 minutes of free T​TS on its On-Demand plan. Both are enough to run a real comparison; neither is enough to run a product.

Wo jedes Modell aufhört, die Antwort zu sein

Setzen Sie auf HeyGen Voice Turbo, wenn das Audio vorgerendert oder nahezu in Echtzeit statt konversationell ist: Erzählung, Hörbuchkapitel, E-Learning-Module, die gesprochene Hälfte einer Videopipeline oder ein Sprachagent, dessen Turns lang genug sind, dass sieben Sekunden Synthese hinter einem Denk-Indikator verschwinden. Seine Stärke ist ein Erstplatzierungs-Score für geklonte Stimmen bei der niedrigsten abgeleiteten Rate auf dem Leaderboard, mit 42 Sprachen und einer 44,1-kHz-WAV-Ausgabe.

Greifen Sie zu Inworld Realtime TTS-2, wenn ein Mensch wartet. Das Latenzversprechen, die Instruktionssteuerung – geben Sie die Vortragsrichtung als Anfrageparameter oder in Klammern mitten im Satz an –, die 50 nonverbalen Signale, die rund 500 Sprachen und der Drei-Sekunden-Clone sind alles Merkmale einer Engine, die für Dialoge gebaut wurde, und kein Elo-Wert schließt diese strukturelle Lücke. Zu ihren Argumenten zählt außerdem ein Provider-Board-Rang, den HeyGen nicht hat, was wichtig ist, wenn Ihr Produkt Standardstimmen statt Clones ausliefert.

Keines der beiden Modelle ist die Antwort, wenn Sie einen professionellen Klon mit reproduzierbaren Seeds benötigen: HeyGen beschränkt Turbo auf öffentliche und Instant-Stimmen, und Prosodie-Steuerungen wie seed, speed und pitch_shift sind bei dieser API nur für Professional-Nutzer verfügbar. Die entsprechenden Steuerungen von Inworld sind seine eigene Instruktions- und Lenkungsschicht, ein anderer Mechanismus mit anderen Garantien.

Beide laufen lassen, ohne auf eines von beiden zu setzen.

Der unangenehme Teil dieser Entscheidung ist, dass die beiden Kandidaten auf Bedingungen optimieren, die sich nicht vollständig anhand einer Bestenliste modellieren lassen: die Zeit bis zum ersten Audio in deinem Netzwerk, die Namen und Zahlen in deinem Text, die Toleranz deiner Hörer gegenüber einer Pause. Der einfache Weg, das zu beantworten, besteht darin, beide hinter einer Schnittstelle zu legen und den Datenverkehr aufzuteilen – ein kleiner Anteil für den Herausforderer, automatisches Failover zur etablierten Lösung, wenn eine Anfrage fehlschlägt oder ein Rate Limit greift.

Dafür ist die Routing-Schicht von OrcaRouter gebaut, und das ist der ehrliche Grund, sie hier zu erwähnen: ein Schlüssel für 200+ Modelle, Anbieter-Listenpreis ohne Aufschlag durchgereicht, und Failover, das aus einem 429 einer Free-Tier mit geteilter Kapazität einen Retry macht statt eines Moments der Funkstille. HeyGen Voice Turbo ist heute nicht in diesem Katalog, daher bedeutet eine echte HeyGen-gegen-Inworld-Aufteilung weiterhin zwei Integrationen — aber die Failover-Hälfte des Arguments gilt unabhängig davon, auf welches Modell man sich am Ende standardisiert.

Was die Leaderboards entscheiden, ist enger, als es den Anschein hat. HeyGen Voice Turbo ist die bessere Engine für geklonte Stimmen – mit einem Vorsprung, den die Statistik stützt, zu einem Preis, der wahrscheinlich der niedrigste in der Spitzenklasse ist. Inworld Realtime TTS-2 ist von den beiden die einzige, die Ihnen gesagt hat, wie schnell sie mit dem Sprechen beginnt, und für ein Konversationsprodukt wiegt diese einzelne unbeantwortete Frage mehr als siebenundfünfzig Elo-Punkte.