GPT-Live-1 vs HeyGen Voice: Dua Papan, Dua Tugas, dan Satu API yang Sudah Memasangkannya

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.

Apa sebenarnya masing-masing itu

HeyGen Voice adalah model text-to-speech internal HeyGen, yang berada di dalam API v3 yang juga mengekspos rendering video dan avatar. Dua ID model dipublikasikan — heygen-voice-1, yang mencakup klon instan dan profesional, serta heygen-voice-1-turbo, mesin yang sama yang dibatasi hanya untuk klon instan dengan latensi lebih rendah. Secara internal mesin ini disebut orca, yang merupakan nilai yang Anda filter dalam kueri voices. Mesin ini menerima teks dan mengembalikan audio dalam format WAV mono 44,1 kHz, baik sebagai permintaan sekali jalan (POST /v3/models/audio/tts) maupun sebagai aliran server-sent-event dengan bagian WAV base64 dan peristiwa penyelarasan karakter opsional (POST /v3/models/audio/tts/stream). Mesin ini tidak mendengar apa pun.

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.

Hasil papan peringkat, dan batas di sekitarnya

Artificial Analysis menjalankan dua papan peringkat suara dan keduanya menjawab pertanyaan yang berbeda. Arena Provider Voice memungkinkan setiap vendor mengirimkan suara pilihannya sendiri — suara demo yang sudah dipoles yang dipilih perusahaan untuk merepresentasikan dirinya — dan memeringkatkannya berdasarkan seberapa bagus suara-suara itu terdengar. Arena Controlled Voice menggantinya dengan satu set tetap berisi delapan suara referensi hasil kloning, empat dari AS dan empat dari Inggris, sehingga setiap mesin mengucapkan kata yang sama dengan suara yang sama dalam kondisi yang sama. Ini adalah hal yang paling mendekati uji mesin setara yang dimiliki industri, dan inilah papan peringkat yang penting jika Anda berencana mengkloning suara dan menyerahkannya ke model TTS.

HeyGen Voice memimpinnya. Dari tangkapan Oktober 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."

Ketidakhadiran dari papan yang lebih luas itu bukanlah sinyal kualitas. Artificial Analysis mencatat bahwa entri dapat ditahan karena suara yang tidak mencukupi, dan model yang baru berumur beberapa minggu dengan satu arena yang dinilai secara berbeda di belakangnya belum mengumpulkan volume pendengar buta yang disyaratkan papan berisi lebih dari sembilan puluh model. Pembacaan yang benar bersifat sempit dan berguna: HeyGen Voice saat ini adalah mesin dengan skor tertinggi pada perbandingan suara kloning yang terkendali, sekaligus besaran yang tidak diketahui jika dibandingkan dengan bidang yang lebih luas. Siapa pun yang mengutip "model TTS terbaik di dunia" berdasarkan angka itu sedang mengutip papan yang lebih kecil daripada yang tersirat dalam kalimat tersebut.

Apa yang HeyGen berikan kepada Anda untuk membangun

Mesin ini lebih fleksibel daripada yang disarankan oleh label "TTS model", dan tiga detail penting bagi siapa pun yang memilih di antara kedua produk ini.

• Pemilihan mesin per suara. Panggilan GET /v3/voices menerima filter mesin yang nilainya mencakup orca untuk HeyGen Voice, starfish, dan pass-through ke suara ElevenLabs. HeyGen tidak memaksa Anda memakai modelnya sendiri — ia melakukan lindung nilai, dalam arti paling literal, dengan membiarkan Anda merutekan ke mesin pesaing melalui API-nya sendiri. Siapa pun yang membaca 1.198 Elo sebagai "suara HeyGen adalah yang terbaik" harus mencatat bahwa itu menggambarkan salah satu dari tiga jalur yang ditawarkan endpoint yang sama.

• Kloning dalam dua mode. Instant Clone mengambil satu rekaman, menggunakan tiga menit pertama, tidak dapat dilatih ulang, dan didokumentasikan sebagai gratis selama pratinjau. Professional Clone dilatih menggunakan satu hingga sepuluh rekaman dengan total dua puluh menit lebih, mengembalikan 202 Accepted dan melakukan polling hingga aktif, dapat dilatih ulang, dan menempati slot yang dibeli. Kontrol kemiripan berkisar dari satu hingga empat, peningkatan ekspresivitas dari 0,0 hingga 1,0 hanya berlaku untuk suara instan, dan tag jeda hingga lima detik tersedia pada tier profesional.

• Desain suara yang dapat direproduksi. POST /v3/voices menghasilkan hingga tiga kandidat berperingkat dari deskripsi yang dibatasi 1.000 karakter, dengan filter gender opsional, lokal BCP-47 opsional, dan seed — dan HeyGen mendokumentasikan bahwa prompt yang sama plus seed yang sama selalu mengembalikan suara yang sama. Teks ucapan dibatasi 5.000 karakter dan endpoint berjalan pada 30 permintaan per menit untuk pay-as-you-go, 120 untuk Enterprise.

• Cakupan bahasa dari 39 kode dasar untuk pengkloningan maupun ucapan, dengan tag regional dipetakan ke kode dasarnya, bukan beralih aksen. Angka tingkat platform "175+ bahasa dan dialek" yang beredar di halaman pemasaran HeyGen bukanlah cakupan model ini.

Satu peringatan praktis tentang daftar bahasa itu: beberapa locale regional yang diterima mesin avatar tidak memilih aksen regional di mesin suara. Jika produk Anda melakukan lokalisasi, uji locale yang Anda butuhkan daripada mengasumsikan bahwa tag tersebut membawa aksen regional.

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.

Tempat dua sistem bertemu: delegasi, dan apa yang harus dibayar untuknya

Kedua sisi kini menawarkan loop percakapan penuh, dan keduanya menempatkan penalar di tempat yang bisa Anda kendalikan.

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.

Bagaimana cara memutuskan minggu ini

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.

Yang tidak boleh dilakukan adalah mengutip "peringkat pertama di Artificial Analysis" seakan-akan itu sudah menyelesaikan keputusan produk percakapan. Itu menyelesaikan pertanyaan rendering pada delapan suara hasil kloning. Pertanyaan lainnya sama sekali belum diajukan di papan itu.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.