HeyGen Voice vs Cartesia Sonic 3.6: il campione delle voci clonate contro l'incumbent sotto i 90 ms

HeyGen Voice e Cartesia Sonic 3.6 avanzano due diverse rivendicazioni di primo posto su Artificial Analysis, e l'intero confronto vive nel divario tra le due. HeyGen Voice è in cima all'arena Controlled Voice con 1.202 Elo — la classifica in cui ogni modello pronuncia le stesse otto voci clonate, quattro statunitensi e quattro britanniche. Cartesia Sonic 3.6 è quarto nell'arena Provider Voices con 1.280 Elo, dove ciascun fornitore fornisce le proprie voci native, e il sito di Cartesia stesso mostra un badge che rivendica un posizionamento n. 1 sia nella Speech Arena sia nella classifica Speech to Text, una rivendicazione esibita dal fornitore che l'attuale tabella live di Artificial Analysis non supporta alla posizione più alta. Un motore vince il test in cui la voce resta costante, l'altro è in testa nel test in cui il budget di produzione è reale.

Inizia da ciò per cui ogni modello è effettivamente ottimizzato

Sonic 3.6 è progettato per essere fruito in streaming. La pagina prodotto di Cartesia si apre con "primo audio in meno di 90 ms" — dichiarato dal fornitore, non riprodotto — e la stessa pagina descrive un'API TTS in tempo reale con streaming di prim'ordine. Copre 44 lingue da un singolo modello, interpreta il sottotesto emotivo per impostazione predefinita, accetta segnali non verbali come le risate scritte nella trascrizione, clona una voce da circa dieci secondi di audio, localizza l'audio esistente in altre lingue e accetta dizionari di pronuncia personalizzati per termini di dominio e nomi propri. Ognuna di queste funzionalità è rivolta allo stesso cliente: qualcosa che risponde, velocemente, in una lingua che il chiamante comprende.

HeyGen Voice è progettato per essere fruito come una performance. È il motore interno di HeyGen, esposto tramite l'API v3 dell'azienda, con oltre 300 voci predefinite in decine di lingue e tre percorsi verso una voce personalizzata — progettazione vocale guidata da descrizione che restituisce fino a tre opzioni classificate da un prompt limitato a 1.000 caratteri, un clone istantaneo da una singola registrazione e un clone professionale addestrato su venti minuti o più. La messa a punto per richiesta copre velocità da 0,5 a 1,5 e tono su ±50 semitoni. Nulla nel materiale pubblicato di HeyGen promette in assoluto una cifra di latenza.

Questa asimmetria è tutto l'articolo. Un modello pubblica un numero in millisecondi e nessun prezzo per carattere; l'altro pubblica un prezzo e nessun numero di latenza.

Il tabellone

• Elo voce controllata (stesse 8 voci clonate) — Voce HeyGen: 1,202, n. 1 di 42. Sonic 3.6: 1,143, n. 5.

• Elo delle voci dei provider (voci native) — Voce HeyGen: non classificata, voti insufficienti. Sonic 3.6: 1.280, #4 su 96.

• Prezzo pubblicato — Sonic 3.6: 49,00 $ per 1 milione di caratteri, tariffario del fornitore. HeyGen Voice: 30,00 $ per 1 milione di caratteri secondo la conversione effettuata dall'arena stessa del prezzo in crediti di HeyGen; HeyGen non pubblica di per sé alcuna tariffa vocale.

• Latenza — Sonic 3.6: meno di 90 ms al primo audio (dato riportato dal fornitore, non riprodotto). HeyGen Voice: nessun dato pubblicato dal fornitore né misurato da Artificial Analysis.

• Lingue — Sonic 3.6: 44 da un singolo modello. HeyGen Voice: oltre 300 voci in "dozzine di lingue", non enumerate come conteggio.

• Percorso voce personalizzata — Sonic 3.6: clone in ~10 secondi. HeyGen Voice: progettazione della voce da una descrizione testuale, clone istantaneo o clone professionale addestrato su oltre 20 minuti.

Il divario Elo, letto correttamente

Un vantaggio di 59 punti nell'arena controllata si inverte in uno svantaggio di 137 punti nella classifica dei fornitori, e l'inversione non è una contraddizione. La classifica controllata rimuove la possibilità del fornitore di scegliere una voce che lo favorisca e chiede come il motore gestisca una voce che non ha scelto. HeyGen Voice vince su questo fronte. La classifica dei fornitori chiede quanto suonino bene le migliori voci di un fornitore, il che è più vicino a ciò che un cliente sente in una demo di vendita — e Sonic 3.6 se la cava bene lì, quarto su novantasei e 38 punti dietro Eleven v4 Turbo, primo in classifica.

Nessuno dei due numeri è la verità generale. Se stai clonando una persona specifica e hai bisogno che il motore renda quella persona in modo convincente, il risultato controllato è il predittore migliore, e HeyGen Voice attualmente è in testa. Se stai scegliendo una voce da una libreria per un agente che deve suonare distintiva su larga scala, il risultato del fornitore è il predittore migliore, e Sonic 3.6 ha una posizione in classifica dove HeyGen Voice non ne ha alcuna.

Vale la pena notarlo per chiunque si basi su dati più vecchi: entrambe queste classifiche cambiano man mano che i voti si accumulano. In precedenza nel 2026, Sonic 3.6 era stato segnalato nettamente in testa alla classifica controlled-voice; la tabella attuale lo colloca quinto, in quella classifica, a 1.143, con HeyGen Voice, Qwen-Audio-3.1-TTS-Plus e due livelli di Eleven v4 sopra di esso. Una citazione di classifica è un timestamp, non una proprietà permanente del modello.

Dove fallisce il confronto dei prezzi

I $49.00 per milione di caratteri di Sonic 3.6 sono il prezzo di riferimento dell'arena stessa, ricavato dalla tariffa API pubblicata dal fornitore con le impostazioni predefinite. Ciò rende calcolabile una bolletta audio mensile a cinque cifre prima ancora di scrivere una riga di codice di integrazione.

Il numero di HeyGen è più morbido, ma esiste. Il grafico dei prezzi dell'arena elenca HeyGen Voice a 30,00 $ per milione di caratteri — diciannove dollari in meno di Sonic 3.6 — e quella cifra è la conversione di Artificial Analysis del prezzo in crediti di HeyGen, non una tariffa pubblicata da HeyGen. La pagina di HeyGen stessa vende crediti (Creator a 29 $/mese per 600 crediti, Pro a 49 $ per 1.000, Business a 149 $ per 1.500) e afferma chiaramente che il consumo varia in base al modello, alla durata e alla complessità di generazione, senza mai tradurre quei crediti in caratteri. Quindi il modello che vince la classifica delle voci controllate ha un prezzo ben inferiore a quello che si classifica quinto, e il divario è un numero derivato che vorrai confermare sul tuo testo piuttosto che un listino prezzi che puoi verificare.

Non è un argomento contro HeyGen Voice. È un argomento a favore del testarlo sul traffico che puoi permetterti di misurare, perché l'unico modo per conoscere il suo costo reale nella tua pipeline è far passare il tuo testo attraverso di esso.

Scegliere tra loro

Scegli Sonic 3.6 quando la voce deve rispondere. Un primo audio dichiarato sotto i 90 ms, un'API nativa per lo streaming, 44 lingue da un unico modello e — cosa fondamentale — un listino prezzi pubblicato lo rendono la scelta di produzione a rischio più basso per agenti conversazionali, IVR e qualsiasi cosa in cui una pausa sia un bug. Il suo posizionamento al n. 5 per la voce controllata è rispettabile, non un punto debole, e il suo quarto posto nella classifica più ampia è il segnale indipendente più forte che ciascuno dei due modelli porta.

Prova prima HeyGen Voice quando la voce deve esibirsi. Narrazione, contenuti letti per il brand, lavoro sui personaggi e qualsiasi progetto in cui stai clonando un solo parlante e hai bisogno che il clone di quel parlante sia la cosa dal suono migliore in circolazione — questo è il compito che l'arena controllata è stata costruita per misurare, ed è il compito che HeyGen Voice ha appena vinto. Il percorso di clonazione professionale addestrato su oltre venti minuti è un prodotto sostanzialmente diverso da un clone istantaneo da dieci secondi, ed è quello che si allinea con le otto voci di riferimento clonate nell'arena.

Non scegliere nessuno dei due in base alla forza di un singolo numero Elo. Le due classifiche non concordano su questi modelli, il che significa che le classifiche ti stanno dicendo qualcosa di reale: la qualità dipende dalla voce e dal carico di lavoro, non solo dal motore.

Eseguire entrambi senza eseguire il commit

La via pratica per uscire da un disaccordo come questo è smettere di trattarlo come una decisione di approvvigionamento. Metti i due motori dietro un'unica interfaccia, dividi il traffico e giudica sul tuo stesso audio: una manciata di righe di narrazione e un loop di agente live ti diranno più di quanto possano fare cinquanta punti Elo. OrcaRouter instrada entrambi attraverso un'unica chiave API al prezzo di listino del provider, senza rincari, quindi paghi la tariffa dello stesso fornitore e una variazione di prezzo di Sonic 3.6 si manifesta lo stesso giorno invece che al rinnovo. Il failover automatico qui conta più di quanto conti nella maggior parte dei cambi di modello, perché un provider vocale che si blocca a metà frase è udibile da chi chiama, e il DSL di routing ti consente di fissare un motore per i turni sensibili alla latenza e l'altro per la narrazione pre-renderizzata senza mantenere due integrazioni.

Cosa lo risolverebbe

Due cose. Una tariffa vocale pubblicata per carattere o per credito da HeyGen renderebbe la metà dei costi di questo confronto concreta quanto la metà della qualità, e il fatto che HeyGen Voice accumuli abbastanza voti da entrare nell'arena Provider Voices ci direbbe se il suo vantaggio sulle voci controllate sopravvive al contatto con le voci native — il test che Sonic 3.6 ha già superato al quarto posto su novantasei. Fino ad allora, Sonic 3.6 è il detentore in carica con un prezzo e un dato di latenza, e HeyGen Voice è lo sfidante con le prove migliori sulle voci clonate e nessun costo da mettergli accanto.