GPT-Live-1 vs HeyGen Voice: dos placas, dos tareas y una API que ya los empareja

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.

Lo que realmente es cada uno

HeyGen Voice es el modelo de texto a voz interno de HeyGen, integrado en una API v3 que también expone la renderización de video y avatares. Se publican dos ID de modelo — heygen-voice-1, que abarca clones instantáneos y profesionales, y heygen-voice-1-turbo, el mismo motor restringido a clones instantáneos con menor latencia. Internamente, el motor se llama orca, que es el valor por el que se filtra en una consulta de voces. Toma texto y devuelve audio en WAV mono de 44,1 kHz, ya sea como una solicitud única (POST /v3/models/audio/tts) o como un flujo de eventos enviados por el servidor con partes de WAV en base64 y eventos opcionales de alineación de caracteres (POST /v3/models/audio/tts/stream). No escucha nada.

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.

El resultado de la tabla de clasificación y el límite que lo rodea

Artificial Analysis gestiona dos tableros de voz y responden a preguntas diferentes. La arena Provider Voice permite que cada proveedor envíe sus propias voces elegidas —las voces de demostración pulidas que una empresa elige para representarse— y las clasifica según lo bien que suenan. La arena Controlled Voice sustituye un conjunto fijo de ocho voces de referencia clonadas, cuatro de EE. UU. y cuatro del Reino Unido, de modo que todos los motores dicen las mismas palabras con la misma voz en las mismas condiciones. Es lo más parecido que tiene la industria a una prueba de motores en igualdad de condiciones, y es el tablero que importa si planeas clonar una voz y entregársela a un modelo TTS.

HeyGen Voice lidera. De la captura de octubre de 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."

Esa ausencia en la tabla más amplia no es una señal de calidad. Artificial Analysis señala que las entradas pueden retenerse por votos insuficientes, y un modelo de semanas de antigüedad con una arena puntuada de forma distinta detrás de él no ha acumulado el volumen de oyentes a ciegas que exige la tabla de más de noventa modelos. La lectura correcta es limitada y útil: HeyGen Voice es actualmente el motor con mejor puntuación en la comparación controlada de voces clonadas, y una incógnita frente al panorama más amplio. Cualquiera que cite "el mejor modelo TTS del mundo" a partir de esa cifra está citando una tabla más pequeña de lo que implica la frase.

Lo que HeyGen te da para construir

El motor es más flexible de lo que sugiere la etiqueta "modelo TTS", y tres detalles son importantes para cualquiera que elija entre estos dos productos.

• Selección de motor por voz. Una llamada a GET /v3/voices acepta un filtro de motor cuyos valores incluyen orca para HeyGen Voice, starfish, y un reenvío directo a las voces de ElevenLabs. HeyGen no te obliga a usar su propio modelo — se cubre, en el sentido más literal, al permitirte enrutar al motor de un competidor a través de su propia API. Cualquier persona que lea los 1.198 Elo como "la voz de HeyGen es la mejor" debería tener en cuenta que describe una de las tres rutas que ofrece el mismo endpoint.

• Clonación en dos modos. Instant Clone toma una grabación, usa los primeros tres minutos, no se puede volver a entrenar y está documentado como gratuito durante la vista previa. Professional Clone se entrena con entre una y diez grabaciones que suman más de veinte minutos, devuelve 202 Accepted y sondea hasta que esté activo, se puede volver a entrenar y ocupa una ranura comprada. Un control de similitud va de uno a cuatro, un impulso de expresividad de 0.0 a 1.0 se aplica solo a las voces instantáneas, y las etiquetas break de hasta cinco segundos están disponibles en el nivel profesional.

• Diseño de voz que es reproducible. POST /v3/voices genera hasta tres candidatos clasificados a partir de una descripción limitada a 1.000 caracteres, con un filtro de género opcional, un locale BCP-47 opcional y una semilla, y HeyGen documenta que el mismo prompt más la misma semilla siempre devuelve las mismas voces. El texto de voz está limitado a 5.000 caracteres y el endpoint admite 30 solicitudes por minuto en pago por uso, y 120 en Enterprise.

• Cobertura de idiomas de 39 códigos base tanto para clonación como para habla, con etiquetas regionales que se resuelven a su base en lugar de cambiar de acento. La cifra a nivel de plataforma de "175+ idiomas y dialectos" que circula en las páginas de marketing de HeyGen no corresponde a la cobertura de este modelo.

Una advertencia práctica sobre esa lista de idiomas: varias configuraciones regionales que los motores de avatar aceptan no seleccionan un acento regional en el motor de voz. Si tu producto se localiza, prueba la configuración regional que necesitas en lugar de asumir que la etiqueta se aplica.

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.

Donde se encuentran los dos sistemas: la delegación, y lo que cuesta

Ambos lados ofrecen ahora un bucle conversacional completo, y ambos sitúan el motor de razonamiento en un lugar que puedes controlar.

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.

Cómo decidir esta semana

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.

Lo que no hay que hacer es citar «primer puesto en Artificial Analysis» como si eso zanjara la decisión de un producto conversacional. Zanjó una cuestión de renderizado con ocho voces clonadas. La otra cuestión no se ha planteado en absoluto en esa tabla.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.