GPT-Live-1 vs HeyGen Voice : deux tableaux, deux tâches, et une API qui les associe déjà

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.

Ce que chacun est réellement

HeyGen Voice est le modèle de synthèse vocale interne de HeyGen, intégré à une API v3 qui expose également le rendu vidéo et d'avatar. Deux identifiants de modèle sont publiés — heygen-voice-1, couvrant les clones instantanés et professionnels, et heygen-voice-1-turbo, le même moteur limité aux clones instantanés avec une latence plus faible. En interne, le moteur est appelé orca, qui est la valeur sur laquelle vous filtrez dans une requête voices. Il prend du texte et renvoie de l'audio en WAV mono à 44,1 kHz, soit sous forme de requête unique (POST /v3/models/audio/tts) soit sous forme de flux d'événements envoyés par le serveur avec des parties WAV en base64 et, en option, des événements d'alignement des caractères (POST /v3/models/audio/tts/stream). Il n'entend rien.

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.

Le résultat du classement, et la limite qui l'entoure

Artificial Analysis gère deux classements vocaux qui répondent à des questions différentes. L'arène Provider Voice permet à chaque fournisseur de soumettre ses propres voix choisies — les voix de démonstration léchées qu'une entreprise sélectionne pour se représenter — et les classe selon la qualité sonore de celles-ci. L'arène Controlled Voice les remplace par un ensemble fixe de huit voix de référence clonées, quatre américaines et quatre britanniques, afin que chaque moteur prononce les mêmes mots avec la même voix dans les mêmes conditions. C'est ce qui se rapproche le plus, dans le secteur, d'un test de moteurs à conditions strictement comparables, et c'est le classement qui compte si vous envisagez de cloner une voix et de la confier à un modèle TTS.

HeyGen Voice est en tête. D’après la capture d’octobre 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."

Cette absence du classement élargi n'est pas un signal de qualité. Artificial Analysis note que des entrées peuvent être retenues faute de votes suffisants, et un modèle vieux de quelques semaines, avec une seule arène notée différemment derrière lui, n'a pas accumulé le volume d'auditeurs en aveugle qu'exige le classement de plus de quatre-vingt-dix modèles. La bonne lecture est étroite et utile : HeyGen Voice est actuellement le moteur le mieux noté sur la comparaison contrôlée de voix clonées, et une inconnue face au champ plus large. Quiconque cite « le meilleur modèle TTS du monde » à partir de ce chiffre cite un classement plus petit que ne le laisse entendre la phrase.

Ce que HeyGen vous offre pour construire

Le moteur est plus flexible que ne le suggère l'étiquette « modèle TTS », et trois détails comptent pour quiconque doit choisir entre ces deux produits.

• Sélection du moteur par voix. Un appel GET /v3/voices prend un filtre de moteur dont les valeurs incluent orca pour HeyGen Voice, starfish, et un transfert direct vers les voix ElevenLabs. HeyGen ne vous oblige pas à utiliser son propre modèle — il se couvre, au sens le plus littéral, en vous permettant d'acheminer vers le moteur d'un concurrent via sa propre API. Quiconque lit les 1 198 Elo comme « la voix de HeyGen est la meilleure » devrait noter que cela décrit l'un des trois chemins qu'offre le même point de terminaison.

Le clonage en deux modes. Instant Clone prend un enregistrement, utilise les trois premières minutes, ne peut pas être réentraîné et est documenté comme gratuit pendant la préversion. Professional Clone s'entraîne sur un à dix enregistrements totalisant plus de vingt minutes, renvoie 202 Accepted et effectue des requêtes répétées jusqu'à ce qu'il soit actif, peut être réentraîné et occupe un emplacement acheté. Un réglage de similarité va de un à quatre, un gain d'expressivité de 0,0 à 1,0 s'applique uniquement aux voix instantanées, et des balises de pause allant jusqu'à cinq secondes sont disponibles dans l'offre professionnelle.

• Une conception vocale reproductible. POST /v3/voices génère jusqu'à trois candidats classés à partir d'une description limitée à 1 000 caractères, avec un filtre de genre facultatif, une locale BCP-47 facultative et une graine — et HeyGen documente que le même prompt accompagné de la même graine renvoie toujours les mêmes voix. Le texte de synthèse est limité à 5 000 caractères et le point de terminaison accepte 30 requêtes par minute en paiement à l'usage, 120 en Enterprise.

• Couverture linguistique de 39 codes de base, tant pour le clonage que pour la synthèse vocale, avec des balises régionales qui renvoient à leur code de base plutôt que de changer d'accent. Le chiffre « 175+ langues et dialectes » au niveau de la plateforme, qui circule sur les pages marketing de HeyGen, ne correspond pas à la couverture de ce modèle.

Un avertissement pratique concernant cette liste de langues : plusieurs paramètres régionaux que les moteurs d’avatars acceptent ne sélectionnent pas d’accent régional dans le moteur vocal. Si votre produit est localisé, testez les paramètres régionaux dont vous avez besoin plutôt que de supposer que l’étiquette suffit.

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.

Là où les deux systèmes se rencontrent : la délégation, et ce qu'elle coûte

Les deux camps proposent désormais une boucle conversationnelle complète, et tous deux placent le raisonneur dans un endroit que vous pouvez contrôler.

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.

Comment décider cette semaine

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.

Ce qu'il ne faut pas faire, c'est citer « première place sur Artificial Analysis » comme si cela tranchait la décision d'un produit conversationnel. Cela a tranché une question de rendu sur huit voix clonées. L'autre question n'a pas du tout été posée sur ce classement.

Rien de tout cela n'est hypothétique : les défaillances documentées de l'IA et les incidents d'agents qui sous-tendent des versions comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée est accompagnée de ses propres sources, de son niveau de gravité, de son degré de confiance et de son indicateur de contestation.