HeyGen Voice vs Cartesia Sonic 3.6: Champion für geklonte Stimmen gegen den Unter-90-ms-Platzhirsch

HeyGen Voice und Cartesia Sonic 3.6 erheben zwei unterschiedliche Nummer-eins-Ansprüche bei Artificial Analysis, und der gesamte Vergleich spielt sich in der Kluft zwischen ihnen ab. HeyGen Voice führt die Controlled Voice Arena mit 1.202 Elo an – dem Board, auf dem jedes Modell dieselben acht geklonten Stimmen spricht, vier US-amerikanische und vier britische. Cartesia Sonic 3.6 belegt in der Provider Voices Arena mit 1.280 Elo Platz vier, wo jeder Anbieter seine eigenen nativen Stimmen bereitstellt, und die eigene Website von Cartesia trägt ein Badge, das eine #1-Platzierung sowohl in der Speech Arena als auch im Speech-to-Text-Leaderboard beansprucht – eine vom Anbieter angezeigte Behauptung, die die Live-Tabelle von Artificial Analysis derzeit nicht an der Spitzenposition stützt. Die eine Engine gewinnt den Test, bei dem die Stimme konstant gehalten wird; die andere führt den Test an, bei dem das Produktionsbudget real ist.

Beginne damit, wofür jedes Modell tatsächlich optimiert ist

Sonic 3.6 ist darauf ausgelegt, in einem Stream konsumiert zu werden. Cartesias eigene Produktseite beginnt mit „erste Audioausgabe in unter 90 ms“ – vom Anbieter angegeben, nicht reproduziert – und dieselbe Seite beschreibt eine Echtzeit-TTS-API mit erstklassigem Streaming. Sonic 3.6 deckt 44 Sprachen mit einem einzigen Modell ab, interpretiert emotionalen Subtext standardmäßig, akzeptiert nonverbale Signale wie Lachen, das in das Transkript geschrieben wird, klont eine Stimme aus etwa zehn Sekunden Audio, lokalisiert vorhandenes Audio in andere Sprachen und nimmt benutzerdefinierte Aussprachewörterbücher für Fachbegriffe und Eigennamen entgegen. Jede dieser Funktionen richtet sich an denselben Kunden: etwas, das schnell zurückredet, in einer Sprache, die der Anrufer versteht.

HeyGen Voice ist darauf ausgelegt, als Performance konsumiert zu werden. Es ist die hauseigene Engine von HeyGen, die über die v3-API des Unternehmens bereitgestellt wird, mit über 300 vorgefertigten Stimmen in Dutzenden von Sprachen und drei Wegen zu einer individuellen Stimme – beschreibungsgesteuertes Voice-Design, das aus einem auf 1.000 Zeichen begrenzten Prompt bis zu drei nach Rang geordnete Optionen zurückgibt, ein Sofort-Klon aus einer einzigen Aufnahme und ein professioneller Klon, der mit zwanzig Minuten oder mehr trainiert wurde. Die Abstimmung pro Anfrage umfasst Geschwindigkeit von 0,5 bis 1,5 und Tonhöhe über ±50 Halbtöne. Nichts in HeyGens veröffentlichtem Material verspricht überhaupt einen Latenzwert.

Diese Asymmetrie macht den ganzen Artikel aus. Das eine Modell veröffentlicht einen Millisekundenwert und keinen Preis pro Zeichen; das andere veröffentlicht einen Preis und keinen Latenzwert.

Die Anzeigetafel

• Kontrolliertes Voice-Elo (dieselben 8 geklonten Stimmen) — HeyGen Voice: 1.202, Nr. 1 von 42. Sonic 3.6: 1.143, Nr. 5.

• Anbieter-Stimmen-Elo (native Stimmen) — HeyGen Voice: nicht eingestuft, unzureichende Stimmen. Sonic 3.6: 1.280, Nr. 4 von 96.

• Veröffentlichter Preis — Sonic 3.6: 49,00 $ pro 1 Mio. Zeichen, Preisliste des Anbieters. HeyGen Voice: 30,00 $ pro 1 Mio. Zeichen gemäß der eigenen Umrechnung der HeyGen-Credit-Preise durch die Arena; HeyGen selbst veröffentlicht keinen Sprachpreis.

• Latenz — Sonic 3.6: unter 90 ms bis zum ersten Audio (vom Anbieter angegeben, nicht reproduziert). HeyGen Voice: kein Wert vom Anbieter veröffentlicht oder von Artificial Analysis gemessen.

• Sprachen — Sonic 3.6: 44 aus einem einzigen Modell. HeyGen Voice: 300+ Stimmen in „Dutzenden von Sprachen“, nicht als konkrete Zahl genannt.

• Benutzerdefinierter Stimmpfad — Sonic 3.6: ~10-Sekunden-Klon. HeyGen Voice: Stimmdesign aus einer Textbeschreibung, Instant-Klon oder ein professioneller Klon, trainiert mit 20+ Minuten.

Die Elo-Differenz, richtig gelesen

Ein Vorsprung von 59 Punkten in der kontrollierten Arena kehrt sich auf dem Anbieter-Board in einen Rückstand von 137 Punkten um, und diese Umkehrung ist kein Widerspruch. Das kontrollierte Board nimmt dem Anbieter die Möglichkeit, eine schmeichelhafte Stimme auszuwählen, und fragt, wie die Engine mit einer Stimme umgeht, die sie nicht selbst gewählt hat. HeyGen Voice gewinnt das. Das Anbieter-Board fragt, wie gut die besten Stimmen eines Anbieters selbst klingen, was näher daran ist, was ein Kunde in einer Verkaufsdemo hört – und Sonic 3.6 schneidet dort gut ab, Vierter von sechsundneunzig und 38 Punkte hinter dem bestplatzierten Eleven v4 Turbo.

Keine der beiden Zahlen ist die allgemeingültige Wahrheit. Wenn Sie eine bestimmte Person klonen und die Engine diese Person überzeugend wiedergeben muss, ist das kontrollierte Ergebnis der bessere Prädiktor, und HeyGen Voice liegt dabei derzeit vorn. Wenn Sie für einen Agenten, der im großen Maßstab unverwechselbar klingen muss, eine Stimme aus einer Bibliothek auswählen, ist das Anbieterergebnis der bessere Prädiktor, und Sonic 3.6 hat einen Rang, den HeyGen Voice nicht hat.

Erwähnenswert für alle, die ältere Zahlen verwenden: Beide dieser Ranglisten verändern sich, wenn Stimmen hinzukommen. Anfang 2026 wurde berichtet, dass Sonic 3.6 die Controlled-Voice-Bestenliste uneingeschränkt anführte; in der aktuellen Tabelle steht es dort mit 1.143 auf Platz fünf, mit HeyGen Voice, Qwen-Audio-3.1-TTS-Plus und zwei Eleven-v4-Stufen über sich. Ein Bestenlisten-Zitat ist ein Zeitstempel, keine dauerhafte Eigenschaft des Modells.

Wo der Preisvergleich bricht

Der Preis von Sonic 3.6 in Höhe von $49.00 pro Million Zeichen ist der eigene Benchmark-Preis der Arena, entnommen dem veröffentlichten API-Tarif des Anbieters bei Standardeinstellungen. Dadurch lässt sich eine fünfstellige monatliche Audio-Rechnung kalkulieren, bevor Sie eine Zeile Integrationscode schreiben.

HeyGens Zahl ist weicher, aber sie existiert. Die Preistabelle der Arena führt HeyGen Voice mit 30,00 $ pro Million Zeichen auf – neunzehn Dollar unter Sonic 3.6 – und diese Zahl ist die Umrechnung von HeyGens Credit-Preisen durch Artificial Analysis, nicht ein von HeyGen veröffentlichter Tarif. HeyGens eigene Seite verkauft Credits (Creator für 29 $/Monat für 600 Credits, Pro für 49 $ für 1.000, Business für 149 $ für 1.500) und sagt klar, dass der Verbrauch je nach Modell, Dauer und Generierungskomplexität variiert, ohne diese Credits jemals in Zeichen umzurechnen. Das Modell, das die Bestenliste für kontrollierte Stimmen gewinnt, liegt also preislich deutlich unter dem, das auf Platz fünf liegt, und die Lücke ist eine abgeleitete Zahl, die Sie anhand Ihres eigenen Textes bestätigen sollten, statt einer Preisliste, die Sie prüfen können.

Das ist kein Argument gegen HeyGen Voice. Es ist ein Argument dafür, es mit dem Traffic zu testen, den du dir leisten kannst zu messen, denn der einzige Weg, seine tatsächlichen Kosten in deiner Pipeline zu erfahren, ist, deinen eigenen Text dadurch laufen zu lassen.

Zwischen ihnen wählen

Wählen Sie Sonic 3.6, wenn die Stimme antworten muss. Eine Angabe von unter 90 ms bis zum ersten Audio, eine streaming-native API, 44 Sprachen aus einem einzigen Modell und – entscheidend – eine veröffentlichte Preisliste machen es zur risikoärmeren Produktionswahl für Konversationsagenten, IVR und alles, wo eine Pause ein Fehler ist. Sein Rang 5 bei der kontrollierten Stimme ist respektabel, keine Schwäche, und sein vierter Platz auf der breiteren Rangliste ist das stärkste unabhängige Signal, das eines der beiden Modelle aufweist.

HeyGen Voice zuerst, wenn die Stimme performen muss. Narration, markengelesene Inhalte, Charakterarbeit und jede Aufgabe, bei der Sie eine einzelne Sprecherin oder ein einzelner Sprecher sind und diese Stimme das bestklingende sein muss, was über die Leitung geht – genau diese Aufgabe sollte die kontrollierte Arena messen, und genau diese Aufgabe hat HeyGen Voice gerade gewonnen. Der Professional-Clone-Pfad, der mit über zwanzig Minuten trainiert wurde, ist ein substanziell anderes Produkt als ein Zehn-Sekunden-Instant-Clone, und er ist derjenige, der zu den acht geklonten Referenzstimmen in der Arena passt.

Wähle keines von beiden allein aufgrund einer einzigen Elo-Zahl. Die beiden Ranglisten sind sich bei diesen Modellen uneinig, was bedeutet, dass sie dir etwas Reales sagen: Die Qualität hängt von der Stimme und der Arbeitslast ab, nicht nur von der Engine.

Beide ausführen, ohne zu committen

Der praktikable Weg durch eine derartige Meinungsverschiedenheit besteht darin, sie nicht länger als Beschaffungsentscheidung zu behandeln. Stellen Sie die beiden Engines hinter eine einzige Schnittstelle, teilen Sie den Datenverkehr auf und urteilen Sie anhand Ihres eigenen Audios – ein paar Zeilen Erzähltext und eine Live-Agent-Schleife sagen Ihnen mehr als fünfzig Elo-Punkte es könnten. OrcaRouter leitet beide über einen einzigen API-Schlüssel zum Listenpreis des Anbieters ohne Aufschlag weiter, sodass Sie genau das zahlen, was auf der Preisliste des Anbieters steht, und eine Preisänderung bei Sonic 3.6 noch am selben Tag sichtbar wird statt erst bei der Vertragsverlängerung. Automatisches Failover ist hier wichtiger als bei den meisten Modellwechseln, denn ein Sprachanbieter, der mitten im Satz stockt, ist für den Anrufer hörbar, und die Routing-DSL ermöglicht es Ihnen, eine Engine für latenzempfindliche Turns und die andere für vorgerenderten Erzähltext festzulegen, ohne zwei Integrationen pflegen zu müssen.

Was würde es klären

Zwei Dinge. Eine veröffentlichte Preisangabe pro Zeichen oder pro Credit für Stimmen von HeyGen würde die Kostenseite dieses Vergleichs ebenso konkret machen wie die Qualitätsseite, und wenn HeyGen Voice genügend Stimmen sammeln würde, um in die Provider Voices Arena einzuziehen, würde uns das zeigen, ob sein Vorsprung bei kontrollierten Stimmen den Kontakt mit nativen Stimmen übersteht — den Test, den Sonic 3.6 bereits auf Platz vier von sechsundneunzig bestanden hat. Bis dahin ist Sonic 3.6 der Amtsinhaber mit einem Preis und einem Latenzwert, und HeyGen Voice ist der Herausforderer mit den besseren Belegen für geklonte Stimmen und ohne Kosten, die man danebenstellen kann.