GPT-Live-1 対 HeyGen Voice：2つのボード、2つの役割、そしてそれらをすでに組み合わせている1つのAPI

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.

それぞれが実際に何なのか

HeyGen Voiceは、動画やアバターのレンダリングも公開しているv3 API内に位置する、HeyGen自社開発のテキスト読み上げモデルです。公開されているモデルIDは2つ — heygen-voice-1はインスタントクローンとプロフェッショナルクローンに対応し、heygen-voice-1-turboは同じエンジンをインスタントクローン専用に制限して低レイテンシ化したものです。内部的にこのエンジンはorcaと呼ばれており、voicesクエリでフィルタリングする際に指定する値です。テキストを受け取り、44.1 kHzモノラルWAVの音声を返します。方法はワンショットリクエスト（POST /v3/models/audio/tts）か、base64エンコードされたWAVパートと任意の文字アラインメントイベントを伴うServer-Sent Eventsストリーム（POST /v3/models/audio/tts/stream）のいずれかです。音を聴き取ることはありません。

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.

リーダーボードの結果、そしてその周囲の境界

Artificial Analysisは2つの音声ボードを運営しており、それらは異なる問いに答えます。Provider Voice arenaでは、各ベンダーが自社で選んだ音声——企業が自社を代表させるために選ぶ、磨き上げられたデモ音声——を提出でき、それらがどれだけよく聞こえるかで順位付けします。Controlled Voice arenaでは、固定された8つのクローン参照音声のセット（米国4つ、英国4つ）に置き換えるため、すべてのエンジンが同じ条件で同じ音声・同じ言葉を発します。これは業界で同一条件のエンジンテストに最も近いものであり、音声をクローンしてTTSモデルに渡す予定なら重要なボードです。

HeyGen Voiceが首位に立っています。2026年10月のキャプチャより：

• 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."

より広範なボードに掲載されていないことは、品質のシグナルではない。Artificial Analysisは、投票数が不足している場合、エントリーが非掲載になり得ると注記している。そして、登場から数週間しか経たず、採点方法の異なるアリーナを1つしか経ていないモデルは、90を超えるモデルが並ぶボードが必要とするブラインドリスナーからの評価量を蓄積していない。正しい読み方は限定的だが有用だ。HeyGen Voiceは現在、統制されたクローン音声比較で最高スコアのエンジンであり、より広い分野に対しては未知数である。その数値をもとに「世界最高のTTSモデル」と引用する人は、その文が示唆するよりも小さいボードを引用している。

HeyGenがあなたの構築のために提供するもの

このエンジンは「TTSモデル」というラベルから連想されるよりも柔軟で、これら2つの製品のどちらを選ぶか検討している人にとっては3つの詳細が重要です。

• ボイスごとのエンジン選択。あるGET /v3/voices呼び出しはエンジンフィルターを受け取り、その値には次のものが含まれる：orca（HeyGen Voice 用）、starfish、そして ElevenLabs のボイスへのパススルー。HeyGen は自社モデルの使用を強制しない——最も文字通りの意味でヘッジしているのであり、自社の API を通じて競合他社のエンジンへルーティングできるようにしている。1,198 という Elo を「HeyGen のボイスが最高だ」と読んだ人は、それが同じエンドポイントの提供する 3 つの経路のうちの 1 つを説明しているにすぎない点に留意すべきだ。

• クローニングは2つのモードで提供されます。インスタントクローンは1件の録音を使用し、最初の3分間を利用し、再トレーニングはできず、プレビュー期間中は無料と記載されています。プロフェッショナルクローンは合計20分以上の1～10件の録音でトレーニングし、202 Accepted を返してアクティブになるまでポーリングし、再トレーニングが可能で、購入済みのスロットを1つ占有します。類似度の調整は1～4の範囲で、0.0～1.0の表現力ブーストはインスタント音声にのみ適用され、最大5秒の休止タグはプロフェッショナルプランで利用できます。

• 再現可能な音声デザイン。POST /v3/voicesは、最大1,000文字の説明から、順位付けされた最大3つの候補を生成します。任意の性別フィルター、任意のBCP-47ロケール、シードを指定できます。HeyGenのドキュメントによると、同じプロンプトと同じシードを使えば、常に同じ音声が返されます。音声テキストは最大5,000文字で、このエンドポイントは従量課金制では毎分30リクエスト、Enterpriseでは120リクエストで動作します。

• クローニングと音声の両方について、言語カバレッジは39のベースコードで、地域タグはアクセントを切り替えるのではなくベースコードに解決されます。HeyGenのマーケティングページで流布しているプラットフォームレベルの「175以上の言語と方言」という数字は、このモデルのカバレッジではありません。

その言語リストについての実用的な警告が1つあります。アバターエンジンが受け入れる地域ロケールの中には、音声エンジンで地域アクセントを選択しないものがいくつかあります。製品をローカライズする場合は、タグがそのまま通用すると想定せず、必要なロケールをテストしてください。

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.

二つのシステムが交わるところ：委譲、そしてその代償

双方とも今や完全な対話ループを提供しており、どちらも推論エンジンを自分で制御できる場所に置いている。

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.

今週の決め方

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.

やってはいけないのは、「Artificial Analysisで首位」を、あたかもそれで会話プロダクトの判断に決着がついたかのように引用することだ。それが決着させたのは、8つのクローン音声に関するレンダリングの問いにすぎない。もう一方の問いは、あのボードではまったく問われてもいない。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。