HeyGen Voice Turbo vs Inworld Realtime TTS-2: La migliore voce clonata non è la più veloce

Ask both vendors for the number that decides a realtime product and only one of them answers. Inworld publishes a first-audio figure for Inworld Realtime TTS-2 — as low as 50 milliseconds on the Flash sibling, measured on Coval's board, with the vendor claiming up to 3× sooner first audio than ElevenLabs. HeyGen publishes no latency figure at all for HeyGen Voice Turbo; its documentation promises "faster generation" than the model it sits beside and leaves it there. What HeyGen does publish is a first place on the Artificial Analysis Controlled Voice Arena at 1,202 Elo and a listed $4.00 per million characters, against Inworld Realtime TTS-2's seventh place at 1,145 and $20.80. Voice-arena placings and per-character prices that move after publication are recorded with their dates and sources in the AI Incident Archive, alongside the other model and vendor incidents we follow.

Quindi i due modelli non competono per lo stesso posto. Uno è il miglior motore di clonazione vocale in una classifica di preferenze alla cieca, con una questione di latenza irrisolta. L'altro è un motore in tempo reale con una latenza dichiarata e un punteggio di qualità cinque posizioni più in basso. Quale scegliere dipende dal fatto che ci sia o meno una persona in attesa a metà frase.

Le due schede, e dove si colloca effettivamente ciascun fornitore

Artificial Analysis gestisce entrambe le board vocali, e la coppia di numeri conta più di ciascuno preso singolarmente perché misurano cose diverse: la Controlled Voice Arena mantiene costanti otto voci di riferimento clonate e assegna un punteggio al motore; la Provider Voice Arena lascia che ogni fornitore parli con le proprie voci native e assegna un punteggio al prodotto effettivamente distribuito.

• Elo voce controllata — HeyGen Voice Turbo 1.202 (#1 di 46, ±19, 1.685 campioni). Inworld Realtime TTS-2 1.145 (#7, ±13, 3.161 campioni).

• Provider Voice Elo — HeyGen Voice Turbo non elencato. Inworld Realtime TTS-2 1.267 (#6 di 98).

• Prezzo indicato per 1M di caratteri, conversione arena — HeyGen Voice Turbo $4,00. Inworld Realtime TTS-2 $20,80, Flash $10,40.

• Tariffario del fornitore — HeyGen non pubblica una tariffa vocale per carattere; i 4,00 $ sono ricavati dal prezzo dei crediti. Inworld pubblica 25,00 $ on demand per Realtime TTS-2 e 15,00 $ per Flash, che scendono a 20,00 $ e 10,00 $ con il piano Creator.

• Latenza dichiarata — HeyGen: nessuna pubblicata. Inworld: 50 ms al primo audio per Flash su Coval; il valore del modello di punta non è indicato sulla stessa base.

• Copertura linguistica — HeyGen: 42 codici lingua di base per clonazione e sintesi vocale. Inworld: circa 500 lingue e dialetti per una singola voce Realtime TTS-2.

L'asimmetria nella colonna Provider è quella da notare. Inworld è classificata su entrambe le classifiche; HeyGen è classificata su una sola. Artificial Analysis omette i modelli che non hanno abbastanza voti, quindi tale assenza non è un segnale di qualità — ma significa che il prodotto di Inworld è stato valutato su tutta la sua superficie di distribuzione e quello di HeyGen è stato valutato solo nella condizione di voce clonata.

Qualità: un divario di 57 punti che resiste alle barre d’errore

Cinquantasette punti Elo rappresentano il divario più ampio in questo confronto e il meno ambiguo. L'intervallo di HeyGen Voice Turbo va da 1.183 a 1.221; quello di Inworld Realtime TTS-2 va da 1.132 a 1.158. Non si sovrappongono. A differenza del confronto a sette punti tra HeyGen e HeyGen, in cui i due modelli sono statisticamente equivalenti, questo presenta una separazione con una confidenza del 95%.

Che cosa comporta, precisamente: su otto voci di riferimento clonate, gli ascoltatori in cieco hanno preferito le rese di HeyGen Voice Turbo con un margine che la classifica riesce a risolvere. Non dice che il catalogo vocale di HeyGen suoni meglio di quello di Inworld — HeyGen non ha alcuna voce nella classifica dei fornitori con cui poterlo affermare — e non dice che Turbo cloni meglio, solo che riproduce meglio un clone fornito.

Il percorso di clonazione di Inworld è quello che il suo punteggio di qualità è meno in grado di descrivere. La clonazione istantanea funziona da tre secondi di audio di riferimento, e il design vocale funziona da una descrizione scritta; entrambi sono inclusi in ogni piano. L'arena misura il parlato che esce, non la fedeltà del clone che è entrato. Un modello che ottiene 1.145 su un clone che gli è stato fornito può comunque essere la scelta migliore per produrre quel clone da tre secondi della voce di un cliente.

Latenza: il numero che HeyGen non ti darà

Inworld's realtime positioning is specific and falsifiable. Realtime TTS-2 Flash returns first audio in as little as 50 ms on Coval's measurement, up to 3× sooner than ElevenLabs at 183 ms and up to 35× sooner than O​penAI's GPT-4o mini T​TS at 2,056 ms. Those are third-party measurements of a vendor's model, quoted by the vendor — better evidence than a marketing claim, weaker than an independent audit, and worth reproducing on your own network before you architect around them.

La documentazione di HeyGen descrive Turbo come capace di riprodurre voci istantanee «con una latenza inferiore» rispetto a quelle predefinite, e non aggiunge altro. La pagina di Artificial Analysis dedicata al throughput indica per il modello un tempo mediano di generazione di 7,29 secondi e 122 caratteri al secondo, con un 5° percentile di 52,7 secondi e un 95° percentile di 150 secondi — cifre che descrivono la sintesi dell'intera richiesta sul suo banco di misura, non il tempo al primo audio, e la varianza è ampia. Una mediana di sette secondi va bene per una narrazione pre-renderizzata. Non è una conversazione.

Quel confronto non è ad armi pari, e non è pensato per esserlo. Il Turbo di HeyGen ha un prezzo e una documentazione pensati per la sintesi in volume: 5.000 caratteri per richiesta, 30 richieste al minuto, un endpoint WAV sincrono e uno stream SSE le cui parti sono contenitori WAV completi. Quello di Inworld è documentato per il turn-taking: controllo della resa basato su istruzioni, 50 suoni non verbali riprodotti come audio reale e un tempo dichiarato al primo audio nell'ordine delle decine di millisecondi. Se il tuo prodotto parla all'interno di una conversazione, HeyGen non ha pubblicato il numero che ti serve, e l'assenza di un numero non è prova di un modello lento — è prova che questo non è il prodotto che ti stanno vendendo.

Prezzo: tre livelli da un lato, una cifra derivata dall'altro

I 4,00 $ contro i 20,80 $ sembrano una vittoria cinque a uno per HeyGen, ed è il numero meno affidabile di questo articolo. È la conversione di Artificial Analysis del prezzo in crediti di HeyGen, ricavata perché HeyGen non pubblica quanti caratteri acquista un credito. I 20,80 $ di Inworld sono la normalizzazione della stessa classifica di una tariffa che Inworld pubblica.

Confrontando a parità di condizioni, il quadro si restringe. La scala di prezzi di Inworld va da $25.00 on demand, a $20.00 sul piano Creator, $17.50 su Pro, $15.00 su Business e $12.50 su Enterprise, con Flash da $15.00 fino a $7.00 sugli stessi livelli, e il fornitore pubblicizza meno di $5 in cima. Ai prezzi che un cliente continuativo paga effettivamente, Realtime TTS-2 si colloca tra $12.50 e $20.00, e Flash tra $7.00 e $15.00. Rispetto a una conversione da $4.00, HeyGen è ancora più economico sulla carta — ma il divario è più vicino a due a uno rispetto a un livello Inworld scontato che a cinque a uno rispetto al listino.

There is a second rung that costs nothing. HeyGen's heygen-voice-1-turbo-free tier speaks public voices and instant clones without a credit balance through 30 November 2026, on shared capacity with no guarantees and a documented tendency to return 429 under load. Inworld offers up to 70 minutes of free T​TS on its On-Demand plan. Both are enough to run a real comparison; neither is enough to run a product.

Dove ogni modello smette di essere la risposta

Ricorrere a HeyGen Voice Turbo quando l'audio è pre-renderizzato o quasi in tempo reale anziché conversazionale: narrazione, capitoli di audiolibri, moduli di e-learning, la metà parlata di una pipeline video o un agente vocale i cui turni sono abbastanza lunghi che sette secondi di sintesi si nascondono dietro un indicatore di elaborazione. Il suo punto di forza è un punteggio di voce clonata al primo posto alla tariffa derivata più bassa della tabella, con 42 lingue e un output WAV a 44,1 kHz.

Affidati a Inworld Realtime TTS-2 quando c’è una persona in attesa. La promessa sulla latenza, il controllo tramite istruzioni — invia le indicazioni di resa come parametro della richiesta o tra parentesi a metà riga — i 50 elementi non verbali, le circa 500 lingue e il clone in tre secondi sono tutte caratteristiche di un motore pensato per il dialogo, e nessuna quantità di Elo colma quel divario strutturale. A suo favore c’è anche una posizione nella classifica Provider che HeyGen non ha, il che conta se il tuo prodotto distribuisce voci standard invece di cloni.

Nessuno dei due modelli è la soluzione se ti serve un clone professionale con seed riproducibili: HeyGen limita Turbo alle voci pubbliche e instant, e i controlli di prosodia come seed, speed e pitch_shift sono riservati ai professionisti su quell'API. I controlli equivalenti di Inworld sono il suo livello di istruzioni e steering, che è un meccanismo diverso con garanzie diverse.

Eseguire entrambi senza scommettere su nessuno dei due

La parte scomoda di questa decisione è che i due candidati ottimizzano per condizioni che non puoi modellare completamente da una classifica: il tempo al primo audio della tua rete, i nomi e i numeri del tuo testo, la tolleranza dei tuoi ascoltatori a una pausa. Il modo economico per rispondere è metterli entrambi dietro un'unica interfaccia e distribuire il traffico — una piccola quota allo sfidante, failover automatico al fornitore attuale quando una richiesta fallisce o scatta un limite di frequenza.

È questo il tipo di scenario per cui è costruito il livello di routing di OrcaRouter, ed è il motivo sincero per menzionarlo qui: una sola chiave per oltre 200 modelli, prezzo di listino del provider passato senza markup, e failover che trasforma un 429 da un livello gratuito a capacità condivisa in un nuovo tentativo anziché in un momento di silenzio. HeyGen Voice Turbo non è oggi in quel catalogo, quindi una vera scelta tra HeyGen e Inworld comporta comunque due integrazioni — ma la metà dell'argomento relativa al failover vale a prescindere dal modello su cui si sceglierà di standardizzare.

Ciò che le classifiche stabiliscono è più limitato di quanto sembri. HeyGen Voice Turbo è il motore di voce clonata migliore, con un margine che le statistiche supportano, a un prezzo che è probabilmente il più basso della fascia alta. Inworld Realtime TTS-2 è l'unico dei due ad averti detto quanto velocemente inizia a parlare, e per un prodotto conversazionale quella singola domanda senza risposta supera in importanza cinquantasette punti Elo.