GPT-Live-1 vs HeyGen Voice: due schede, due compiti e un'unica API che già li abbina

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.

Cosa sia in realtà ognuno

HeyGen Voice è il modello text-to-speech interno di HeyGen, all'interno di un'API v3 che espone anche il rendering di video e avatar. Sono pubblicati due ID di modello — heygen-voice-1, che coprono i cloni istantanei e professionali, e heygen-voice-1-turbo, lo stesso motore limitato ai cloni istantanei con latenza inferiore. Internamente il motore si chiama orca, che è il valore su cui si applica il filtro in una query voices. Accetta testo e restituisce audio in WAV mono a 44,1 kHz, sia come richiesta singola (POST /v3/models/audio/tts) sia come stream server-sent-event con parti WAV in base64 ed eventuali eventi di allineamento dei caratteri (POST /v3/models/audio/tts/stream). Non sente nulla.

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.

Il risultato della classifica e il confine che lo circonda.

Artificial Analysis gestisce due board vocali e rispondono a domande diverse. L'arena Provider Voice consente a ciascun fornitore di inviare le proprie voci scelte — le voci demo rifinite che un'azienda seleziona per rappresentare se stessa — e le classifica in base a quanto suonano bene. L'arena Controlled Voice sostituisce un set fisso di otto voci di riferimento clonate, quattro statunitensi e quattro britanniche, così ogni motore pronuncia le stesse parole con la stessa voce nelle stesse condizioni. È la cosa più vicina che l'industria abbia a un test dei motori alla pari, ed è la board che conta se prevedi di clonare una voce e affidarla a un modello TTS.

HeyGen Voice è in testa. Dalla rilevazione di ottobre 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."

Quell'assenza dalla classifica più ampia non è un indicatore di qualità. Artificial Analysis osserva che le voci possono essere omesse per voti insufficienti, e un modello vecchio di settimane con una sola arena con punteggio diverso alle spalle non ha accumulato il volume di ascoltatori in cieco richiesto dalla classifica con oltre novanta modelli. L'interpretazione corretta è ristretta e utile: HeyGen Voice è attualmente il motore con il punteggio più alto nel confronto controllato tra voci clonate, e un'incognita rispetto al campo più ampio. Chiunque citi "il miglior modello TTS al mondo" sulla base di quel numero sta citando una classifica più piccola di quanto la frase implichi.

Cosa ti offre HeyGen per costruire

Il motore è più flessibile di quanto suggerisca l'etichetta di «modello TTS», e tre dettagli contano per chiunque debba scegliere tra questi due prodotti.

• Selezione del motore per ciascuna voce. Una chiamata GET /v3/voices accetta un filtro engine i cui valori includono orca per HeyGen Voice, starfish, e un pass-through verso le voci ElevenLabs. HeyGen non ti obbliga a usare il suo modello — copre le proprie scommesse, nel senso più letterale del termine, lasciandoti instradare verso il motore di un concorrente attraverso la propria API. Chi legge 1.198 di Elo come "la voce di HeyGen è la migliore" dovrebbe notare che descrive uno dei tre percorsi offerti dallo stesso endpoint.

• Clonazione in due modalità. Instant Clone prende una registrazione, utilizza i primi tre minuti, non può essere riaddestrato ed è documentato come gratuito durante l'anteprima. Professional Clone si addestra su da una a dieci registrazioni per un totale di oltre venti minuti, restituisce 202 Accepted ed esegue il polling finché non è attivo, è riaddestrabile e occupa uno slot acquistato. Un controllo di somiglianza va da uno a quattro, un potenziamento dell'espressività da 0,0 a 1,0 si applica solo alle voci istantanee, e i tag di pausa fino a cinque secondi sono disponibili nel livello Professional.

• Progettazione vocale riproducibile. POST /v3/voices genera fino a tre candidati classificati a partire da una descrizione limitata a 1.000 caratteri, con un filtro di genere opzionale, un locale BCP-47 opzionale e un seed — e HeyGen documenta che lo stesso prompt più lo stesso seed restituisce sempre le stesse voci. Il testo vocale è limitato a 5.000 caratteri e l'endpoint supporta 30 richieste al minuto con il piano pay-as-you-go, 120 con Enterprise.

• Copertura linguistica di 39 codici base sia per la clonazione sia per la voce, con i tag regionali che rimandano al loro codice base invece di cambiare accento. Il dato a livello di piattaforma “175+ lingue e dialetti” che circola nelle pagine marketing di HeyGen non è la copertura di questo modello.

Un avvertimento pratico su quell’elenco di lingue: diverse varianti locali regionali che i motori degli avatar accettano non selezionano un accento regionale nel motore vocale. Se il tuo prodotto viene localizzato, verifica la variante locale di cui hai bisogno invece di dare per scontato che il tag la determini.

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.

Dove i due sistemi si incontrano: la delega, e quanto costa

Entrambe le parti ora offrono un ciclo conversazionale completo, ed entrambe collocano il motore di ragionamento in un punto che puoi controllare.

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.

Come decidere questa settimana

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.

Ciò che non si deve fare è citare «primo posto su Artificial Analysis» come se avesse risolto la decisione di un prodotto conversazionale. Ha risolto una questione di rendering su otto voci clonate. L'altra domanda non è stata affatto posta su quella classifica.

Niente di tutto ciò è ipotetico: i fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.