HeyGen Voice Turbo vs Inworld Realtime TTS-2: La mejor voz clonada no es la más rápida

Pide a ambos proveedores la cifra que decide un producto en tiempo real y solo uno de ellos responde. Inworld publica una cifra de primer audio para Inworld Realtime TTS-2: tan solo 50 milisegundos en el modelo hermano Flash, medida en el panel de Coval, y el proveedor afirma que el primer audio llega hasta 3 veces antes que en ElevenLabs. HeyGen no publica ninguna cifra de latencia para HeyGen Voice Turbo; su documentación promete una «generación más rápida» que el modelo junto al que se sitúa y ahí lo deja. Lo que sí publica HeyGen es un primer puesto en la Artificial Analysis Controlled Voice Arena con 1.202 de Elo y un precio indicado de 4,00 $ por millón de caracteres, frente al séptimo puesto de Inworld Realtime TTS-2 con 1.145 y 20,80 $. Las posiciones en la arena de voz y los precios por carácter que cambian después de su publicación se registran con sus fechas y fuentes en the AI Incident Archive, junto con los demás incidentes de modelos y proveedores que seguimos.

Así que los dos modelos no compiten por el mismo puesto. Uno es el mejor motor de voz clonada en una tabla de preferencias a ciegas con una incógnita de latencia sin resolver. El otro es un motor en tiempo real con una cifra de latencia publicada y una puntuación de calidad cinco puestos por debajo. Cuál prefieras depende de si hay una persona esperando a mitad de frase.

Las dos placas, y dónde se sitúa realmente cada proveedor

Artificial Analysis gestiona ambos rankings de voz, y el par de números importa más que cualquiera de ellos por separado porque miden cosas diferentes: Controlled Voice Arena mantiene constantes ocho voces de referencia clonadas y puntúa el motor; Provider Voice Arena permite que cada proveedor hable con sus propias voces nativas y puntúa el producto que se comercializa.

• Elo de voz controlado — HeyGen Voice Turbo 1.202 (n.º 1 de 46, ±19, 1.685 muestras). Inworld Realtime TTS-2 1.145 (n.º 7, ±13, 3.161 muestras).

• Elo de voz del proveedor — HeyGen Voice Turbo no aparece en la lista. Inworld Realtime TTS-2 1.267 (n.º 6 de 98).

• Precio de lista por 1 millón de caracteres, conversión de arena — HeyGen Voice Turbo $4.00. Inworld Realtime TTS-2 $20.80, Flash $10.40.

• Tarifa de proveedor — HeyGen no publica una tarifa de voz por carácter; los $4.00 se derivan del precio de los créditos. Inworld publica $25.00 bajo demanda para Realtime TTS-2 y $15.00 para Flash, que bajan a $20.00 y $10.00 en el plan Creator.

• Latencia declarada — HeyGen: ninguna publicada. Inworld: 50 ms hasta el primer audio para Flash en Coval; la cifra del producto insignia no se indica sobre la misma base.

• Cobertura de idiomas — HeyGen: 42 códigos de idioma base para clonación y voz. Inworld: alrededor de 500 idiomas y dialectos para una voz de Realtime TTS-2.

La asimetría en la columna Provider es la que conviene notar. Inworld aparece clasificado en ambas tablas; HeyGen solo en una. Artificial Analysis omite los modelos que no tienen suficientes votos, así que esa ausencia no es una señal de calidad, pero sí significa que el producto de Inworld se ha puntuado en toda su superficie de lanzamiento y el de HeyGen solo en la condición de voz clonada.

Calidad: una brecha de 57 puntos que sobrevive a los márgenes de error

Cincuenta y siete Elo es la mayor diferencia en esta comparación y la menos ambigua. El intervalo de HeyGen Voice Turbo va de 1.183 a 1.221; el de Inworld Realtime TTS-2 va de 1.132 a 1.158. No se superponen. A diferencia de la comparación de siete puntos entre HeyGen y HeyGen, en la que los dos modelos están estadísticamente empatados, esta presenta una separación con un 95 % de confianza.

Lo que eso demuestra, en concreto: en ocho voces de referencia clonadas, los oyentes a ciegas prefirieron las versiones de HeyGen Voice Turbo por un margen que el ranking puede discriminar. No dice que el catálogo de voces propio de HeyGen suene mejor que el de Inworld —HeyGen no tiene una entrada en el Provider board con la que hacer esa afirmación—, y no dice que Turbo clone mejor, solo que hace hablar mejor a un clon suministrado.

La vía de clonación de Inworld es la que su puntuación de calidad es menos capaz de describir. La clonación instantánea funciona a partir de tres segundos de audio de referencia, y el diseño de voz funciona a partir de una descripción escrita; ambos están incluidos en todos los planes. La arena mide el habla que sale, no la fidelidad del clon que entró. Un modelo que obtiene 1.145 en un clon que se le entregó puede seguir siendo la mejor opción para producir ese clon a partir de tres segundos de la voz de un cliente.

Latencia: la cifra que HeyGen no te dará

El posicionamiento en tiempo real de Inworld es específico y refutable. Realtime TTS-2 Flash devuelve el primer audio en tan solo 50 ms según la medición de Coval, hasta 3× antes que ElevenLabs con 183 ms y hasta 35× antes que GPT-4o mini TTS de OpenAI con 2.056 ms. Esas son mediciones de terceros de un modelo de un proveedor, citadas por el proveedor: mejor evidencia que una afirmación de marketing, más débil que una auditoría independiente, y vale la pena reproducirlas en tu propia red antes de diseñar tu arquitectura en función de ellas.

La documentación de HeyGen describe Turbo como capaz de reproducir voces instantáneas «con menor latencia» que la opción predeterminada, y ahí se queda. La página de throughput de Artificial Analysis indica, para este modelo, un tiempo de generación mediano de 7,29 segundos y 122 caracteres por segundo, con un percentil 5 de 52,7 segundos y un percentil 95 de 150 segundos: cifras que describen la síntesis de una solicitud completa en su banco de medición, no el tiempo hasta el primer audio, y esa variación es amplia. Una mediana de siete segundos está bien para una narración pregenerada. No es una conversación.

Esa comparación no es justa, y no pretende serlo. El Turbo de HeyGen tiene un precio y una documentación pensados para la síntesis por volumen: 5.000 caracteres por solicitud, 30 solicitudes por minuto, un endpoint WAV síncrono y un flujo SSE cuyas partes son contenedores WAV completos. El de Inworld está documentado para el turn-taking: control de la entrega basado en instrucciones, 50 sonidos no verbales renderizados como audio real y la promesa de un primer audio en decenas de milisegundos. Si tu producto habla dentro de una conversación, HeyGen no ha publicado el número que necesitas, y la ausencia de un número no es evidencia de un modelo lento — es evidencia de que este no es el producto que te están vendiendo.

Precio: tres niveles por un lado, una cifra derivada por el otro.

Los $4.00 frente a $20.80 parecen una victoria de cinco a uno para HeyGen, y es la cifra menos fiable de este artículo. Es la conversión que hace Artificial Analysis del precio de los créditos de HeyGen, derivada porque HeyGen no publica cuántos caracteres compra un crédito. Los $20.80 de Inworld son la normalización de esa misma tabla de una tarifa que Inworld sí publica.

Si se compara lo comparable, el panorama se reduce. La propia escala de Inworld va de $25.00 bajo demanda, $20.00 en el plan Creator, $17.50 en Pro, $15.00 en Business y $12.50 en Enterprise, con Flash de $15.00 a $7.00 en los mismos niveles, y el proveedor anuncia menos de $5 en el tramo superior. Con las tarifas que realmente paga un cliente comprometido, Realtime TTS-2 se sitúa entre $12.50 y $20.00, y Flash entre $7.00 y $15.00. Frente a una conversión de $4.00, HeyGen sigue siendo más barato sobre el papel, pero la diferencia se acerca más a dos a uno frente a un nivel de Inworld con descuento que a cinco a uno frente al precio de lista.

HeyGen tiene un segundo escalón que no cuesta nada. El nivel heygen-voice-1-turbo-free habla con voces públicas y clones instantáneos sin saldo de créditos hasta el 30 de noviembre de 2026, sobre capacidad compartida, sin garantías y con una tendencia documentada a devolver 429 bajo carga. Inworld ofrece hasta 70 minutos de TTS gratis en su plan On-Demand. Ambos bastan para hacer una comparación real; ninguno basta para operar un producto.

Dónde deja cada modelo de ser la respuesta

Opta por HeyGen Voice Turbo cuando el audio esté prerrenderizado o sea casi en tiempo real en lugar de conversacional: narración, capítulos de audiolibros, módulos de e-learning, la mitad hablada de un flujo de vídeo o un agente de voz cuyos turnos sean lo bastante largos como para que siete segundos de síntesis queden ocultos tras un indicador de pensamiento. Su baza es una puntuación de voz clonada en primer lugar con la tasa derivada más baja de la tabla, con 42 idiomas y salida WAV de 44,1 kHz.

Recurre a Inworld Realtime TTS-2 cuando haya una persona esperando. La promesa de baja latencia, el control por instrucciones —envía la dirección de la interpretación como parámetro de la solicitud o entre corchetes en mitad de la línea—, los 50 elementos no verbales, los ~500 idiomas y el clonado en tres segundos son todas características de un motor concebido para el diálogo, y ninguna puntuación Elo cierra esa brecha estructural. Su caso también incluye un puesto en el ranking de proveedores que HeyGen no tiene, lo cual importa si tu producto distribuye voces de catálogo en lugar de clones.

Ninguno de los dos modelos es la solución si necesitas un clon profesional con semillas reproducibles: HeyGen restringe Turbo a voces públicas e instantáneas, y los controles de prosodia como seed, speed y pitch_shift son exclusivos para profesionales en esa API. Los controles equivalentes de Inworld son su propia capa de instrucciones y guía, que es un mecanismo distinto con garantías diferentes.

Ejecutar ambos sin apostar por ninguno

La parte incómoda de esta decisión es que los dos candidatos optimizan para condiciones que no puedes modelar por completo desde una tabla de clasificación: el tiempo hasta el primer audio de tu red, los nombres y números de tu texto, la tolerancia de tus oyentes a una pausa. La forma barata de resolverlo es poner ambos detrás de una única interfaz y repartir el tráfico: una pequeña proporción al retador, con conmutación automática al proveedor actual cuando falla una solicitud o se dispara un límite de peticiones.

Esa es la forma para la que está construida la capa de enrutamiento de OrcaRouter, y es la razón honesta para mencionarlo aquí: una sola clave para más de 200 modelos, precio de lista del proveedor repercutido sin margen, y una conmutación por error que convierte un 429 de un nivel gratuito de capacidad compartida en un reintento en lugar de un momento de silencio total. HeyGen Voice Turbo no está en ese catálogo hoy, así que una separación real entre HeyGen e Inworld sigue implicando dos integraciones, pero la mitad del argumento relativa a la conmutación por error se mantiene independientemente del modelo por el que acabes estandarizando.

Lo que resuelven las tablas de clasificación es más limitado de lo que parece. HeyGen Voice Turbo es el mejor motor de voz clonada por un margen que las estadísticas respaldan, a un precio que probablemente sea el más bajo de la categoría superior. Inworld Realtime TTS-2 es el único de los dos que te ha dicho con qué rapidez empieza a hablar, y para un producto conversacional esa única pregunta sin respuesta pesa más que cincuenta y siete puntos Elo.