HeyGen Voice Turbo vs Inworld Realtime TTS-2 : la meilleure voix clonée n'est pas la plus rapide

Demandez aux deux fournisseurs le chiffre qui décide d'un produit temps réel, et un seul d'entre eux répond. Inworld publie un chiffre de premier audio pour Inworld Realtime TTS-2 — jusqu'à 50 millisecondes sur le modèle frère Flash, mesuré sur le tableau de Coval, le fournisseur revendiquant un premier audio jusqu'à 3× plus rapide qu'ElevenLabs. HeyGen ne publie aucun chiffre de latence pour HeyGen Voice Turbo ; sa documentation promet une « génération plus rapide » que le modèle auprès duquel il se trouve, et s'arrête là. Ce que HeyGen publie, en revanche, c'est une première place sur l'Artificial Analysis Controlled Voice Arena avec 1 202 Elo et un tarif affiché de 4,00 $ par million de caractères, contre une septième place à 1 145 et 20,80 $ pour Inworld Realtime TTS-2. Les classements dans les arènes de voix et les prix par caractère qui évoluent après publication sont consignés, avec leurs dates et leurs sources, dans l'AI Incident Archive, aux côtés des autres incidents de modèles et de fournisseurs que nous suivons.

Donc les deux modèles ne se disputent pas le même créneau. L’un est le meilleur moteur de voix clonée sur un classement de préférence à l’aveugle, avec une question de latence sans réponse. L’autre est un moteur temps réel avec une affirmation de latence publiée et un score de qualité cinq places plus bas. Celui que vous voulez dépend de si un humain attend au milieu d’une phrase.

Les deux conseils, et la position réelle de chaque fournisseur

Artificial Analysis gère les deux classements vocaux, et le couple de chiffres compte plus que chacun pris isolément, car ils mesurent des choses différentes : le Controlled Voice Arena maintient constants huit voix de référence clonées et évalue le moteur ; le Provider Voice Arena permet à chaque fournisseur de parler avec ses propres voix natives et évalue le produit commercialisé.

• Elo vocal contrôlé — HeyGen Voice Turbo 1 202 (n° 1 sur 46, ±19, 1 685 échantillons). Inworld Realtime TTS-2 1 145 (n° 7, ±13, 3 161 échantillons).

• Elo des voix par fournisseur — HeyGen Voice Turbo non répertorié. Inworld Realtime TTS-2 1 267 (n° 6 sur 98).

• Prix indiqué pour 1 M de caractères, conversion arena — HeyGen Voice Turbo 4,00 $. Inworld Realtime TTS-2 20,80 $, Flash 10,40 $.

• Grille tarifaire du fournisseur — HeyGen ne publie aucun tarif vocal par caractère ; les 4,00 $ sont calculés à partir de la tarification des crédits. Inworld annonce 25,00 $ à la demande pour Realtime TTS-2 et 15,00 $ pour Flash, puis 20,00 $ et 10,00 $ avec le forfait Creator.

• Latence annoncée — HeyGen : aucune publiée. Inworld : 50 ms jusqu’au premier audio pour Flash sur Coval ; le chiffre du modèle phare n’est pas indiqué sur la même base.

• Couverture linguistique — HeyGen : 42 codes de langue de base pour le clonage et la parole. Inworld : environ 500 langues et dialectes pour une seule voix Realtime TTS-2.

L’asymétrie dans la colonne Fournisseur est celle à remarquer. Inworld est classé sur les deux tableaux ; HeyGen n’est classé que sur un seul. Artificial Analysis omet les modèles qui n’ont pas assez de votes, donc cette absence n’est pas un signal de qualité — mais cela signifie que le produit d’Inworld a été évalué sur toute sa surface de livraison et celui de HeyGen seulement dans la condition de voix clonée.

Qualité : un écart de 57 points qui résiste aux barres d’erreur

Cinquante-sept points Elo constituent le plus grand écart de cette comparaison et le moins ambigu. L'intervalle de HeyGen Voice Turbo s'étend de 1 183 à 1 221 ; celui d'Inworld Realtime TTS-2, de 1 132 à 1 158. Ils ne se chevauchent pas. Contrairement à la comparaison de sept points entre HeyGen et HeyGen, où les deux modèles sont statistiquement à égalité, celle-ci présente une séparation au niveau de confiance de 95 %.

Ce que cela établit, précisément : sur huit voix de référence clonées, des auditeurs en aveugle ont préféré les rendus de HeyGen Voice Turbo, avec une marge que le classement peut détecter. Cela ne signifie pas que le catalogue de voix propre à HeyGen sonne mieux que celui d’Inworld — HeyGen n’a aucune entrée au classement des fournisseurs pour étayer cette affirmation — et cela ne signifie pas que Turbo clone mieux, seulement qu’il fait mieux parler un clone fourni.

La voie de clonage d’Inworld est celle que son score de qualité est le moins capable de décrire. Le clonage instantané fonctionne à partir de trois secondes d’audio de référence, et la conception de voix fonctionne à partir d’une description écrite ; les deux sont inclus dans chaque offre. L’arène mesure la parole produite, pas la fidélité du clone fourni en entrée. Un modèle qui obtient 1 145 sur un clone qui lui a été fourni peut néanmoins être le meilleur choix pour produire ce clone à partir de trois secondes de la voix d’un client.

Latence : le chiffre que HeyGen ne vous donnera pas

Le positionnement en temps réel d’Inworld est précis et falsifiable. Realtime TTS-2 Flash renvoie le premier audio en aussi peu que 50 ms selon la mesure de Coval, jusqu’à 3 fois plus rapidement qu’ElevenLabs à 183 ms et jusqu’à 35 fois plus rapidement que le GPT-4o mini TTS d’OpenAI à 2 056 ms. Ce sont des mesures tierces du modèle d’un fournisseur, citées par le fournisseur — de meilleures preuves qu’une affirmation marketing, moins solides qu’un audit indépendant, et qui méritent d’être reproduites sur votre propre réseau avant de bâtir votre architecture autour d’elles.

La documentation de HeyGen décrit Turbo comme prononçant des voix instantanées « avec une latence plus faible » que la voix par défaut, et s’arrête là. La page de débit d’Artificial Analysis indique un temps de génération médian de 7,29 secondes et 122 caractères par seconde pour le modèle, avec un 5e percentile de 52,7 secondes et un 95e percentile de 150 secondes — des chiffres qui décrivent la synthèse d’une requête complète sur son banc de mesure, et non le délai avant le premier audio, et cette variance est importante. Une médiane de sept secondes convient pour une narration pré-rendue. Ce n’est pas une conversation.

Cette comparaison n’est pas un match équitable, et elle n’est pas censée l’être. Le Turbo de HeyGen est tarifé et documenté pour la synthèse en volume : 5 000 caractères par requête, 30 requêtes par minute, un point de terminaison WAV synchrone et un flux SSE dont les parties sont des conteneurs WAV complets. Celui d’Inworld est documenté pour l’alternance des tours de parole : contrôle de la diction par instructions, 50 sons non verbaux rendus sous forme d’audio réel, et une promesse de premier audio en quelques dizaines de millisecondes. Si votre produit parle au sein d’une conversation, HeyGen n’a pas publié le chiffre dont vous avez besoin, et l’absence d’un chiffre ne prouve pas qu’un modèle est lent — elle prouve que ce n’est pas le produit qu’ils vous vendent.

Prix : trois paliers d’un côté, un chiffre dérivé de l’autre

Les 4,00 $ contre 20,80 $ ressemblent à une victoire de cinq pour un pour HeyGen, et c’est le chiffre le moins fiable de cet article. Il s’agit de la conversion par Artificial Analysis de la tarification en crédits de HeyGen, calculée parce que HeyGen ne publie pas ce qu’un crédit permet d’acheter en caractères. Les 20,80 $ d’Inworld correspondent à la normalisation, par le même tableau de bord, d’un tarif qu’Inworld publie.

En comparant ce qui est comparable, le tableau se resserre. La propre grille d’Inworld affiche 25,00 $ à la demande, 20,00 $ sur le plan Creator, 17,50 $ sur Pro, 15,00 $ sur Business et 12,50 $ sur Enterprise, Flash allant de 15,00 $ à 7,00 $ sur les mêmes paliers, et le fournisseur annonçant moins de 5 $ au sommet. Aux tarifs qu’un client engagé paie réellement, Realtime TTS-2 se situe entre 12,50 $ et 20,00 $, et Flash entre 7,00 $ et 15,00 $. Face à une conversion à 4,00 $, HeyGen reste moins cher sur le papier — mais l’écart est plus proche de deux pour un face à un palier Inworld remisé que de cinq pour un face au tarif catalogue.

Il existe un second échelon qui ne coûte rien. Le heygen-voice-1-turbo-free de HeyGen propose des voix publiques et des clones instantanés sans solde de crédits jusqu'au 30 novembre 2026, sur une capacité partagée sans garanties et avec une tendance documentée à renvoyer des erreurs 429 sous charge. Inworld offre jusqu'à 70 minutes de TTS gratuit sur son offre On-Demand. Les deux suffisent à mener une vraie comparaison ; ni l'un ni l'autre ne suffit à faire tourner un produit.

Là où chaque modèle cesse d’être la réponse

Optez pour HeyGen Voice Turbo lorsque l’audio est prérendu ou proche du temps réel plutôt que conversationnel : narration, chapitres de livres audio, modules e-learning, la partie parlée d’un pipeline vidéo, ou un agent vocal dont les tours de parole sont assez longs pour que sept secondes de synthèse se dissimulent derrière un indicateur de réflexion. Son atout : un score de voix clonée en première place au taux dérivé le plus bas du classement, avec 42 langues et une sortie WAV 44,1 kHz.

Optez pour Inworld Realtime TTS-2 lorsqu’une personne attend. L’argument de la latence, le pilotage par instructions — envoyez la direction d’élocution comme paramètre de requête ou entre crochets au milieu de la ligne —, les 50 éléments non verbaux, les ~500 langues et le clonage en trois secondes sont autant de caractéristiques d’un moteur conçu pour le dialogue, et aucun score Elo ne comble cet écart structurel. Son argumentaire inclut aussi un rang au tableau des fournisseurs que HeyGen n’a pas, ce qui compte si votre produit propose des voix standard plutôt que des clones.

Aucun des deux modèles n'est la solution si vous avez besoin d'un clone professionnel avec des graines reproductibles : HeyGen limite Turbo aux voix publiques et instantanées, et les contrôles de prosodie comme seed, speed et pitch_shift sont réservés aux professionnels sur cette API. Les contrôles équivalents d'Inworld sont sa propre couche d'instruction et de pilotage, qui est un mécanisme différent avec des garanties différentes.

Faire tourner les deux sans parier sur l’un ou l’autre

La partie délicate de cette décision, c’est que les deux candidats optimisent pour des conditions que vous ne pouvez pas entièrement modéliser à partir d’un classement : le délai jusqu’au premier son sur votre réseau, les noms et les nombres de votre texte, la tolérance de vos auditeurs à une pause. La façon économique de trancher consiste à placer les deux derrière une même interface et à répartir le trafic — une petite part vers le challenger, un basculement automatique vers la solution en place lorsqu’une requête échoue ou qu’une limite de débit se déclenche.

C'est exactement la configuration pour laquelle la couche de routage d'OrcaRouter est conçue, et c'est la raison honnête de la mentionner ici : une seule clé pour plus de 200 modèles, le prix catalogue du fournisseur répercuté sans marge, et un basculement automatique qui transforme une erreur 429 d'un palier gratuit à capacité partagée en une nouvelle tentative plutôt qu'en un moment de silence. HeyGen Voice Turbo ne figure pas dans ce catalogue aujourd'hui, donc un véritable arbitrage entre HeyGen et Inworld implique encore deux intégrations — mais la moitié de l'argument consacrée au basculement tient, quel que soit le modèle sur lequel vous finirez par vous standardiser.

Ce que les classements établissent est plus limité qu’ils n’en ont l’air. HeyGen Voice Turbo est le meilleur moteur de voix clonée, avec un écart que les statistiques confirment, à un prix probablement le plus bas du haut de gamme. Inworld Realtime TTS-2 est le seul des deux à vous avoir indiqué à quelle vitesse il commence à parler, et pour un produit conversationnel, cette seule question sans réponse l’emporte sur cinquante-sept points Elo.