HeyGen Voice vs Cartesia Sonic 3.6 : le champion de la voix clonée face au tenant du titre sous les 90 ms

HeyGen Voice et Cartesia Sonic 3.6 détiennent deux revendications distinctes de première place sur Artificial Analysis, et toute la comparaison se joue dans l'écart entre les deux. HeyGen Voice domine l'arène Controlled Voice avec 1 202 Elo — le classement où chaque modèle prononce les mêmes huit voix clonées, quatre américaines et quatre britanniques. Cartesia Sonic 3.6 est quatrième de l'arène Provider Voices avec 1 280 Elo, où chaque fournisseur propose ses propres voix natives, et le site de Cartesia lui-même arbore un badge revendiquant une place de n°1 à la fois dans la Speech Arena et dans le classement Speech to Text, une affirmation affichée par le fournisseur que le tableau en direct d'Artificial Analysis n'étaye actuellement pas à la première position. Un moteur gagne le test où la voix reste constante, l'autre mène le test où le budget de production est réel.

Commencez par ce pour quoi chaque modèle est réellement optimisé.

Sonic 3.6 est conçu pour être consommé en flux. La page produit de Cartesia elle-même met en avant « un premier son en moins de 90 ms » — une donnée déclarée par le fournisseur, non reproduite — et la même page décrit une API TTS temps réel avec une prise en charge native du streaming. Il couvre 44 langues à partir d'un seul modèle, interprète par défaut le sous-texte émotionnel, accepte des indices non verbaux tels que le rire écrit dans la transcription, clone une voix à partir d'environ dix secondes d'audio, localise l'audio existant dans d'autres langues et prend en charge des dictionnaires de prononciation personnalisés pour les termes métier et les noms propres. Chacune de ces fonctionnalités vise le même client : quelque chose qui répond, vite, dans une langue que l'appelant comprend.

HeyGen Voice est conçu pour être consommé comme une performance. C'est le moteur interne de HeyGen, exposé via l'API v3 de l'entreprise, avec plus de 300 voix prédéfinies dans des dizaines de langues et trois voies vers une voix personnalisée — une conception vocale guidée par description renvoyant jusqu'à trois options classées à partir d'une invite limitée à 1 000 caractères, un clonage instantané à partir d'un seul enregistrement, et un clone professionnel entraîné sur vingt minutes ou plus. Le réglage par requête couvre la vitesse de 0,5 à 1,5 et la hauteur sur ±50 demi-tons. Rien dans la documentation publiée de HeyGen ne promet le moindre chiffre de latence.

Cette asymétrie, c’est tout l’article. Un modèle publie un chiffre en millisecondes et aucun prix par caractère ; l’autre publie un prix et aucun chiffre de latence.

Le tableau d'affichage

• Elo vocal contrôlé (mêmes 8 voix clonées) — HeyGen Voice : 1 202, n° 1 sur 42. Sonic 3.6 : 1 143, n° 5.

• Elo des voix des fournisseurs (voix natives) — HeyGen Voice : non classé, votes insuffisants. Sonic 3.6 : 1 280, n° 4 sur 96.

• Prix publié — Sonic 3.6 : 49,00 $ par million de caractères, tarif du fournisseur. HeyGen Voice : 30,00 $ par million de caractères, selon la conversion propre à l'arène de la tarification en crédits de HeyGen ; HeyGen ne publie lui-même aucun tarif de voix.

• Latence — Sonic 3.6 : moins de 90 ms jusqu'au premier son (rapporté par le fournisseur, non reproduit). HeyGen Voice : aucun chiffre publié par le fournisseur ni mesuré par Artificial Analysis.

• Langues — Sonic 3.6 : 44 issues d’un seul modèle. HeyGen Voice : plus de 300 voix dans « des dizaines de langues », sans dénombrement chiffré.

• Voix personnalisée — Sonic 3.6 : clonage en ~10 secondes. HeyGen Voice : création de voix à partir d'une description textuelle, clone instantané ou clone professionnel entraîné sur plus de 20 minutes.

L'écart Elo, lu correctement

Une avance de 59 points dans l’arène contrôlée se transforme en un déficit de 137 points dans le classement des fournisseurs, et cette inversion n’est pas une contradiction. Le classement contrôlé retire au fournisseur la possibilité de choisir une voix flatteuse et demande comment le moteur gère une voix qu’il n’a pas choisie. HeyGen Voice l’emporte. Le classement des fournisseurs évalue la qualité des meilleures voix d’un fournisseur, ce qui est plus proche de ce qu’un client entend dans une démo commerciale — et Sonic 3.6 y fait bonne figure, quatrième sur quatre-vingt-seize et à 38 points du premier, Eleven v4 Turbo.

Aucun des deux chiffres n’est la vérité générale. Si vous clonez une personne précise et avez besoin que le moteur rende cette personne de manière convaincante, le résultat contrôlé est un meilleur prédicteur, et HeyGen Voice le devance actuellement. Si vous choisissez une voix dans une bibliothèque pour un agent qui doit avoir une voix distinctive à grande échelle, le résultat du fournisseur est un meilleur prédicteur, et Sonic 3.6 a un rang là où HeyGen Voice n’en a aucun.

À noter pour quiconque s'appuie sur des chiffres plus anciens : ces deux classements évoluent à mesure que les votes s'accumulent. Plus tôt en 2026, Sonic 3.6 était annoncé comme en tête du classement des voix contrôlées, sans partage ; le tableau actuel le place cinquième à 1 143, avec HeyGen Voice, Qwen-Audio-3.1-TTS-Plus et deux paliers d'Eleven v4 devant lui. Une mention dans un classement est un horodatage, pas une propriété permanente du modèle.

Là où la comparaison des tarifs échoue

Le prix de 49,00 $ par million de caractères de Sonic 3.6 est le prix de référence propre à l’arène, tiré du tarif API publié par le fournisseur avec les paramètres par défaut. Cela rend une facture audio mensuelle à cinq chiffres calculable avant même que vous n’écriviez une ligne de code d’intégration.

Le chiffre de HeyGen est plus flou, mais il existe. Le tableau des prix de l'arène indique HeyGen Voice à 30,00 $ par million de caractères — dix-neuf dollars de moins que Sonic 3.6 — et ce chiffre est une conversion par Artificial Analysis de la tarification en crédits de HeyGen, et non un tarif publié par HeyGen. La propre page de HeyGen vend des crédits (Creator à 29 $/mois pour 600 crédits, Pro à 49 $ pour 1 000, Business à 149 $ pour 1 500) et indique clairement que la consommation varie selon le modèle, la durée et la complexité de la génération, sans jamais convertir ces crédits en caractères. Ainsi, le modèle qui remporte le classement des voix contrôlées est facturé bien en dessous de celui qui se classe cinquième, et l'écart est un nombre dérivé que vous voudrez confirmer sur votre propre texte plutôt qu'une grille tarifaire que vous pouvez vérifier.

Ce n’est pas un argument contre HeyGen Voice. C’est un argument pour le tester sur le trafic que vous pouvez vous permettre de mesurer, car la seule façon de connaître son coût réel dans votre pipeline est d’y faire passer votre propre texte.

Choisir entre eux

Choisissez Sonic 3.6 lorsque la voix doit répondre. Une promesse d’un premier audio en moins de 90 ms, une API native de streaming, 44 langues à partir d’un seul modèle et — point crucial — une grille tarifaire publiée en font le choix de production le moins risqué pour les agents conversationnels, les SVI et tous les cas où une pause est un bug. Son rang de n° 5 en voix contrôlée est respectable, pas une faiblesse, et sa quatrième place au classement général est le signal indépendant le plus fort que porte l’un ou l’autre de ces modèles.

Testez HeyGen Voice en premier lorsque la voix doit donner une performance. La narration, le contenu lu pour une marque, le travail de personnage et tout projet où vous clonez un seul locuteur et avez besoin que le clone de ce locuteur soit ce qui sonne le mieux sur les ondes — c’est la tâche que l’arène contrôlée a été conçue pour mesurer, et c’est la tâche que HeyGen Voice vient de remporter. Le parcours de clonage professionnel entraîné sur plus de vingt minutes est un produit fondamentalement différent d’un clone instantané de dix secondes, et c’est celui qui correspond aux huit voix de référence clonées dans l’arène.

Ne choisissez ni l’un ni l’autre sur la seule base d’un unique chiffre Elo. Les deux classements ne sont pas d’accord au sujet de ces modèles, ce qui signifie qu’ils vous disent quelque chose de réel : la qualité dépend de la voix et de la charge de travail, et non du moteur seul.

Lancer les deux sans effectuer de commit

La voie pratique pour sortir d’un désaccord comme celui-ci consiste à cesser de le traiter comme une décision d’achat. Placez les deux moteurs derrière une seule interface, répartissez le trafic et jugez sur votre propre audio — quelques lignes de narration et une boucle d’agent en direct vous en apprendront plus que cinquante points Elo. OrcaRouter fait passer les deux par une seule clé API au prix catalogue du fournisseur, sans majoration, de sorte que c’est la grille tarifaire du fournisseur lui-même que vous payez et qu’une évolution du prix de Sonic 3.6 apparaît le jour même plutôt qu’au renouvellement. Le basculement automatique importe davantage ici que pour la plupart des changements de modèle, car un fournisseur vocal qui se bloque au milieu d’une phrase est audible pour l’appelant, et le DSL de routage vous permet d’épingler un moteur pour les tours sensibles à la latence et l’autre pour la narration pré-rendue sans maintenir deux intégrations.

Qu'est-ce qui le réglerait

Deux choses. Un tarif vocal au caractère ou au crédit publié par HeyGen rendrait le volet coût de cette comparaison aussi concret que le volet qualité, et le fait que HeyGen Voice accumule assez de votes pour entrer dans l’arène Provider Voices nous dirait si son avance en matière de voix contrôlée résiste au contact des voix natives — test que Sonic 3.6 a déjà réussi en se classant quatrième sur quatre-vingt-seize. D’ici là, Sonic 3.6 est le tenant du titre avec un prix et un chiffre de latence, et HeyGen Voice est le prétendant avec des preuves plus solides en matière de clonage vocal et aucun coût à mettre en regard.