HeyGen Voice TurboがHeyGen Voiceから「制御された音声」の王座を奪取—そしてアリーナ価格を87%削減

HeyGen VoiceがArtificial AnalysisのControlled Voice Arenaで首位に立ってから12日後、HeyGenはその座をHeyGen Voice Turboに置き換えた。これはより高速で大幅に安価な音声モデルで、2026年10月21日にモデルIDheygen-voice-1-turboでベンダーのAPI上に公開された。10月22日朝に読むと、リーダーボードはHeyGen Voice Turboを1,202 Eloで1位、前身のHeyGen Voiceを1,195で2位、AlibabaのQwen-Audio-3.1-TTS-Plusを1,184で3位に置いている。見出しは自ずと後継ストーリー、つまりベンダーが自社製品を打ち負かす物語になる。その枠組みは間違いではないが、ページ上で最も役に立たないものだ。購入判断を変えるべき数字は右に2列のところにあり、同じリーダーボードが新しいモデルを100万文字あたり$4.00、それが置き換えたモデルを$30.00と記載している。このようなリーダーボードの逆転が後になって古いスコアまたは再申告されたスコアに基づいていたと判明した場合、訂正は日付と出典とともにAI Incident Archiveに、私たちが追跡している他のモデルやベンダーの障害と並んで記録される。

それは、置き換えられるモデルより上位にランクされるモデルに紐づく掲載コストの87%削減です。両方の数値は、HeyGenが公表している料率ではなく、Artificial AnalysisによるHeyGenのクレジット価格の換算値であり、これは重要で、心に留めておく価値があります。しかし、この隔たりの方向性は、換算上の誤差で説明できるものとしてはあまりにも大きすぎます。

支配下の取締役会が今朝実際に語っていること

Controlled Voice Arenaは話者を固定している。すべての参加者が同じ8つのクローン参照音声（米国4つ、英国4つ）を合成し、ブラインドの聴取者がより良い再現を選ぶ。これはベンダーのデモリールではなく、エンジンを測るボードであり、クローン化したブランドボイスを提供するなら読むべきものだ。2026年10月22日時点で、その上位は次のようになっている。

• 1位 — HeyGen Voice Turbo、Elo 1,202、95%信頼水準で±19（区間 1,183～1,221）、サンプル数1,685、2026年10月リリース、100万文字あたり$4.00。

• 第2位 — HeyGen Voice、1,195 Elo、±15（区間 1,180～1,210）、1,964サンプル、2026年10月リリース、100万文字あたり$30.00。

• 3位 — Qwen-Audio-3.1-TTS-Plus、Elo 1,184、±14（範囲 1,170～1,198）、サンプル数 2,292、100万文字あたり$19.30。

• ランク4と5 — Eleven v4 TurboとEleven v4、どちらも1,156 Elo、100万文字あたり$40.00と$80.00。

• 第6位 — Sonic 3.6、1,151 Elo、100万文字あたり$49.00、3,193件のサンプルで — トップ10の中で最も投票されたモデル。

• 第7位 — Inworld Realtime TTS-2、1,145 Elo、100万文字あたり20.80ドル。

そのリストの中で、順位以上に注目すべき詳細が2つある。1つ目は範囲の列だ。Artificial Analysisは1位から3位を単一の帯「1-3」として表記しており、つまり同社自身の統計では上位3モデルを区別していないということになる。2つ目はサンプル数だ。HeyGen Voice Turboは1,685票、2つ下の順位にあるEleven v4 Turboは2,593票となっている。新モデルの首位という立場は、それが打ち負かしているモデルのおよそ3分の2の証拠に支えられているにすぎず、±19の区間は上位5モデルの中で最も広い。

7 Elo が本題ではない。4ドルが本題だ。

HeyGenの2つのエントリはペアとして扱うべきです。なぜなら、両者はエンドポイントとベンダーを共有し、今ではリーダーボード上でも隣接しているからです。両者の差はEloポイントで7ポイントであり、信頼区間はほぼ全幅にわたって重なっています。1,183～1,221対1,180～1,210です。この2モデル間で品質を基準に選ぶべきではありません。クローン音声の自然さに存在する差は、測定の不確実性よりも小さいのです。

価格差は不確実性よりも小さくはない。それは7.5倍である。

まず注意点から述べます。これは実際に存在する注意点だからです。HeyGenは文字単位の音声料金を公表していません。公開されている料金ページではクレジットを販売しており、あるプランでは600クレジット、別のプランでは1,000クレジット、年間プランではより大きな割り当てとなっていますが、1クレジットで何文字分になるかは一切明記していません。$4.00と$30.00という数字はArtificial Analysis独自の換算であり、掲載されているすべてのベンダーに一貫して適用することで、モデル同士をそもそも比較できるようにしたものです。これらは導出された数値です。それでもこの比較が使えるのは、同じ換算から両方の数字が出ているからです。換算が誤っていれば両方とも誤っており、7.5倍という比率は一定の誤差があっても維持されます。

リーダーボードにはまったく表示されない3つ目の価格帯があります。HeyGenはこのモデル、heygen-voice-1-turbo-freeの無料枠を2026年11月30日まで提供しています。パブリックボイスとインスタントクローンに対応し、クレジット残高は不要で、テスト、プロトタイプ、少量の音声向けとして明示的に文書化されています。また、明示的に保証されていません。サービス可用性、応答時間、最初の音声までの時間はすべて免責され、容量はすべての無料ユーザー間で共有され、自分の30リクエスト/分の上限を余裕で下回っていても、リクエストがHTTP 429 rate_limit_exceededを返すことがあります。無料リクエストが課金モデルに暗黙のうちに切り替わることはありません。新しいリクエストをheygen-voice-1-turboで送信し、課金を受け入れる必要があります。本番経路では、課金モデルの予算を確保し、無料枠は今週自分のスクリプトでエンジンを聴く手段として扱ってください。

Turboがその数値を達成するために犠牲にしているもの

この割引は、モデル発表を装った価格プロモーションではない。それはより限定された製品であり、その限定性はHeyGenのスピーチリファレンスに明確に記載されている。

• ボイスタイプ — heygen-voice-1-turboはパブリックボイスとインスタントクローンのみに対応しています。プロフェッショナルクローンはサポートされていません。デフォルトのheygen-voice-1が引き続きプロフェッショナルボイスを話すモデルです。

• リクエストごとの制御 — Turbo は expressiveness_boost を 0.0 から 1.0 まで受け付け、韻律セット内の他の項目は受け付けません。 seed、speed、pitch_shift および pitch_variance は、Turbo を含むインスタントボイスでは受け付けられますが無視されます。プロフェッショナルボイスは expressiveness_boost を完全に拒否します。

• ポーズ — プロフェッショナル音声は<break>最大5秒のポーズを挟みます。Turboを含むインスタント音声は挟みません。その他のSSMLはどちらもサポートされていません。

• テキスト長 — 両モデルとも、1リクエストあたり1～5,000文字のプレーンな文章。

• レート制限 — デフォルトではワークスペースメンバー1人あたり毎分30リクエスト、両方のエンドポイントで、アカウントごとに調整可能です。

• 出力 — 同期エンドポイント用の 44.1 kHz モノラル PCM16 WAV を 1 つ。順序付けられた base64 エンコード WAV パーツを、サーバー送信イベントで/tts/stream 上に配信。ストリーミングされる各パーツは完全な WAV コンテナであるため、連結ではなく個別にデコードする必要があります。

そのリストは、Turbo が狙う顧客像の説明として読んでください。つまり、数秒でクローンした声で短いセリフを大量に生成する人であり、その人にとってピッチコントロールの欠如は問題ではなく、7.5× のレート差も問題ではありません。あなたのパイプラインが 20 分かけて作るプロ品質のクローンと再現可能なシードに依存しているなら、Turbo は現在のモデルの安価版ではありません — あなたの用途をこなせない別のモデルです。

{{1}}HeyGen{{/1}}が自身のドキュメントで行っている主張

HeyGenのText to Speechリファレンスは、そのAPIのデフォルト設定——similarity: "extra_high"（クローニング用）およびexpressiveness_boost: 1.0（音声用）——が「Artificial Analysis Controlled Voice leaderboardで1位を獲得した」設定であると述べている。これは独立したボードに関するベンダーの主張であり、偶然にも検証可能だ。実際、そのボードにはHeyGenのモデルが1位で掲載されている。また、この主張は聞こえるほど広いものではない。Artificial Analysisの2つの音声ボードのうち1つにおいて、1つのモデルの1つの構成を述べているにすぎず、ベンダーの音声カタログ全体のリーダーボード順位については何も述べていない。

デフォルトをコピーする前に知っておく価値のある不一致に注意してください。HeyGen Studio は similarity: "max" と expressiveness_boost: 0.5 を提供していますが、API のデフォルトはより高類似度・最大表現力のペアです。リーダーボードの結果は API のデフォルトで生成されました。Studio のような温かみに合わせて調整すると、もはや Elo が属する設定で実行していることにはなりません。

このリーダーボードが測っていない3つのこと

まず、HeyGenはProvider Voice Arenaにまったく登録されていません。これは各ベンダーが自社のネイティブ音声を使い、98モデルがランク付けされる姉妹ボードです。そのボードの首位はEleven v4 Turboで1,335、6位はInworld Realtime TTS-2で1,267です。Artificial Analysisは十分な投票がないモデルを除外するため、不在は品質への判定ではありません。ただし、HeyGen自身のカタログが一般聴衆にどう聞こえるかを示す独立した数値が存在しないことは意味します。クローニングではなく既製のナレーター音声から選ぶ場合、本記事の中心となる数値はあなたには当てはまりません。

次に、その統制されたボードは言語ごとに運営されており、HeyGen Voice Turbo は英語のボードの最上位とドイツ語のボードには現れるものの、日本語、中国語、フランス語、スペイン語、ポルトガル語、ベトナム語、アラビア語、ヒンディー語のタブには見当たりません。HeyGen がクローニングと音声について42の基本言語コードを文書化していることを踏まえると、最もあり得る説明は能力ではなく投票数の差です。それでも、英語の王冠は英語の王冠であり、多言語ナレーションを提供する者は、その結果が通用すると決めつける前に該当するタブを読むべきです。

第三に、アリーナが採点するのは音声であり、その声を生み出したクローニングの工程ではない。数秒の参照音声からのインスタントクローンが特定の話者を保持するかどうかは別の問題であり、ここでは誰も測定していない。

12月1日に何が起こりますか

最も具体的な未解決の問いは、Turboが首位を維持するかどうかではない——重複する区間内での7ポイントのリードは、HeyGenで何も変わらなくても、次の採点パスで逆転し得る。問いは、2026年11月30日に無料枠が終了した後、このモデルの費用がいくらになるかだ。

二つの道筋が考えられる。4.00ドルという換算値は、意図的に安価にしたインスタントボイスモデルの定常価格なのかもしれず、その場合、統制されたボードには参加モデルの中央値の5分の1という上位ランクの項目が今や存在することになる。あるいは、Turbo Freeは獲得チャネルであり、それが終了すれば有料料金が動く可能性もある。HeyGenはオファーが変わる前にユーザーへ通知すると述べており、これが記録上唯一の約束だ。ベンダーの料金表が存在するまで、ここでのあらゆる価格は推測である——妥当で、一貫して適用された推測ではあるが、それでも推測にすぎない。

すでに音声パイプラインを運用しているチームにとって、今週の実践的な一手は小さく安価です。自分のセリフを20本、heygen-voice-1-turbo-freeでインスタントクローンを使ってレンダリングし、同じ20本を現在使っているものでレンダリングします。アリーナから分かるのは、8つの参照音声でエンジンが互角に近いということだけです。Turboがあなたの製品名、数値、間を扱えるかまでは分かりません。また、言語モデルやOrcaRouterのカタログにあるホスト型音声モデルのいずれかを呼び出している場合、それらは単一のキーの背後に自動フェイルオーバー付きで配置できるため、実験を本番経路から切り離せます。ただし、HeyGen Voice Turbo自体はそこにはルーティングされないので、比較実行はHeyGen独自のAPIを経由する必要があります。

後継の話は、結局のところ、いちばん面白みのない読み方だ。ベンダーが自社モデルを12日間で7 Elo改善するのは、普通の進歩にすぎない。ベンダーが、前世代の表示価格のおよそ7分の1で最高のクローン音声エンジンを投入するのは、音声レイヤーに許されるコストが変わるということだ——そして、それが予算の議論に持ち込むべき一文なのだ。