HeyGen Voice Turbo vs HeyGen Voice：価格は7.5分の1、Elo差は7、そしてTurboにできない1つの機能

Pick a number: twelve million characters a month, roughly twenty-five hours of narration. At Artificial Analysis's listed rates for HeyGen's two speech models, that bill is $360 on HeyGen Voice and $48 on HeyGen Voice Turbo. The quality difference the same leaderboard quotes between them is seven Elo points, on a board where the top three models occupy a single statistical band and the two HeyGen entries' confidence intervals overlap almost completely. When a vendor later restates a price or a score that a comparison like this one leaned on, the correction is logged with its dates and sources in the AI Incident Archive, next to the rest of the model and vendor failures we track.

その非対称性こそが、この比較のすべてです。HeyGen Voice Turbo と HeyGen Voice は、新しい方が古い方を置き換える、同一製品の二世代ではありません。これらは、品質ではなく音声タイプを通る線で二つに分かれた一つの製品です。どちらを選ぶかは、どちらの音が良いかという判断ではありません。あなたの音声がインスタントクローンなのかプロフェッショナルクローンなのかという問題であり、その答えはAPIに書き込まれています。

同じエンドポイントで、異なる文字列が1つ

HeyGen は両モデルを同一のリクエストボディで提供しています。POST /v3/models/audio/tts は合成完了後に 44.1 kHz モノラルの WAV を 1 つ返し、POST /v3/models/audio/tts/stream はサーバー送信イベントとして順序付きの音声パートを返します。変わるのは model フィールドだけです。heygen-voice-1 がデフォルトで、heygen-voice-1-turbo はより高速なエンジンを選択し、heygen-voice-1-turbo-free は 2026 年 11 月 30 日まで利用可能な容量制限付きの無料枠です。

どちらのエンドポイントも、テキストはプレーンな文章で5,000文字までに制限され、デフォルトではワークスペースのメンバー1人あたり毎分30リクエストです。どちらもACTIVEな音声 — HeyGenの公開音声、またはワークスペース内のクローン — が必要です。分岐が起こるのは1つ上のレベル、つまり音声の適格性の判定においてです。

Turboが越えない一線

でのみ、プロフェッショナルクローンは動作しますheygen-voice-1。この文はHeyGenのリファレンスドキュメントに記載されており、明確に示された判断です。つまり、20分以上の音声でトレーニングされたプロフェッショナルボイスは、どんな価格でもTurboに話させることはできません。インスタントクローン、つまり1回の録音から作成され、通常はアクティブになるまで数秒しかかからず、トレーニング手順もクローンスロットも不要で、どちらでも話させることができます

それ以外はすべて同じ境界に従います。

• 利用可能なボイス — Turbo: パブリックボイスとインスタントクローン。HeyGen Voice: パブリックボイス、インスタントクローン、プロフェッショナルクローン。

• 表現力 — expressiveness_boost 両方とも 0.0～1.0 の範囲で、デフォルトは 1.0、インスタント音声にのみ適用されます。プロフェッショナル音声はこのパラメーターを拒否します。

• 韻律コントロール — seed、speed（0.75～1.25）、pitch_shift（−4～+4 半音）、および pitch_variance（0.5～2.0）はプロフェッショナル専用です。Instant voices は、どちらのモデルでも、これらを受け取っても黙って無視します。そのため、設定が黙って何も効かない機能をリリースする前に、このことを知っておく価値があります。

• 一時停止 — <break time="0.5s"/>最大5秒の一時停止はプロフェッショナル音声で機能します。Turboを含むインスタント音声では反映されません。どちらのモデルでも他のSSMLはサポートされていません。

• テキストとレート — 1リクエストあたり1～5,000文字、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、両方とも同一です。

• 言語 — クローニングと音声用の42個の基本言語コードで、次のような地域タグがあります：en-USやfr-CAなどは基本言語に正規化されます。地域タグを指定しても地域のアクセントは選択されません。

• 表示価格 — Turbo は100万文字あたり4.00ドル、HeyGen Voice は30.00ドル。いずれもHeyGenが公表したものではなく、Artificial AnalysisがHeyGenのクレジット料金から換算した価格です。

7 Elo が何に値し、何に値しないのか

2026年10月22日時点のControlled Voice Arenaの結果では、HeyGen Voice Turboが1,202 Elo（±19）で1位、HeyGen Voiceが1,195（±15）で2位です。両者は同じ8つのクローン参照音声（米国4つ、英国4つ）で評価されているため、構造上、同一条件での比較となっており、両モデルを完全に同一の条件に置ける唯一のアリーナ結果です。

そのボードでの7ポイントは意味のある差ではない。ボードは1位から3位までを「1-3」という1つの帯として表示しており、つまりボード自身の統計が上位3者の順位付けを拒んでいるということだ。Turboの区間は1,183から1,221、HeyGen Voiceの区間は1,180から1,210。両者は、それぞれの幅39ポイントと31ポイントのうち27ポイントにわたって重なっている。そしてTurboの1,685サンプルはトップ5の中で最も薄い証拠であり、HeyGen Voiceの1,964、2つ下のEleven v4 Turboの2,593と対照的だ。

品質列を正直に読めば、引き分けであり、Turbo にわずかに分があるものの、あと数千票でどちら向きにも消え得る差だ。この2つのモデルを順位付けする必要がある人は、その重みを支えられない数値を手にしている。

対照的に、価格の列は、その絶対値が導出されたものであっても、方向性については曖昧さがない。Artificial Analysis はこの一覧上のすべてのベンダーに同一の換算方法を適用している。もしその方法が HeyGen のクレジット制度を誤って価格換算しているなら、HeyGen の両エントリを同じ係数で誤って換算することになり、7.5× は一定の誤差なら耐える。モデル階層によって変動する誤差なら耐えない——そして、2つの階層がクレジットを異なる方法で請求することを示す公表資料はない——が、それは信じるのではなく、自分の請求書と照合すべき前提である。

「より安い」が正しい問いではなくなるのはどこか

三つの状況が、7-Eloの同点を無意味にし、それに伴って価格差も無意味にする。

プロフェッショナルなクローンをすでにお持ちでも、Turbo はそれらを話せません。比較はコストの話になる前に終わります。HeyGen が heygen-voice-1 をデフォルトにしているのは、まさにプロフェッショナル音声にはそれが必要だからであり、どれだけ録音し直しても、声を再構築しない限り、20分で学習したクローンを即席のクローンにはできません。

再現性のある出力が必要です。シードはプロフェッショナル音声を制御する手段ですが、Turbo はプロフェッショナル音声をまったくサポートしていません。パイプラインがセリフを再生成し、同じ話し方を期待する場合、どちらのインスタント音声の経路でも、その手段は得られません。

インスタント音声でタイミングの精度が必要な場合。どちらのモデルも with_timestamps を受け付け、文字ごとの開始時刻と終了時刻を返します。同期エンドポイントではレスポンス内の original_characters として、ストリームエンドポイントでは character_alignment イベントとして、送信したテキストと実際に発話された正規化テキストの両方を伴って返されます。タイムスタンプはどちらのモデルでもコストがかからないため、これは差別化要素ではありません。字幕パイプラインが Turbo を何も失わずに使える理由は、まさにここにあります。

それ以外——短い録音からクローン化したブランドボイス、サポートエージェント、短いセリフのバッチ——では、Turbo は同じエンジンクラスでありながら料金はほんの一部で、7 Elo の差はノイズにすぎません。

マイグレーションは文字列であり、そこが罠だ

リクエストボディは変わらないため、切り替えはフィールド1つで済む。だからこそチームは計測せずに切り替える。障害の現れ方は400ではなく、静かに使えなくなる声だ。プロフェッショナル音声のvoice_idをTurboに送るとリクエストは失敗する。これは大きな音で分かるので問題ない。インスタント音声をspeed: 1.1で送ると、エラーなしでデフォルト速度の音声が返る。インスタント音声はそのパラメータを受け取っても無視するからだ。インスタント音声で韻律を調整してきたパイプラインは、すでに要求どおりの結果を得ていなかった。Turboに移行すると、それが発覚する可能性が高まるだけだ。

この世代のモデルを通して話せるようになる前に、HeyGen Voice 1 より前に作成されたインスタントボイスは再度クローンし直す必要がある、という移行上の詳細が1つあり、これは本当に見落としやすい点でありながらドキュメントにも記載されています。レガシーのインスタントクローンばかりの古いワークスペースは、モデル文字列を切り替えるだけで動くわけではありません。

ベンチマークを行う前に、HeyGen 自身のデフォルト設定を確認する価値があります。ベンダーは2つの構成を運用しているからです。HeyGen Studio は similarity: "max"をクローン時に、expressiveness_boost: 0.5を合成時に出荷します。API のデフォルトは similarity: "extra_high"とexpressiveness_boost: 1.0で、HeyGen がコントロールされたボードで1位を取ったと述べているのはこの API 構成です。移行で Studio 設定をミラーリングすると、リーダーボードが採点した構成を再現していることにはなりません — 意図してそうしたのであれば問題ありませんが、そうでなければ紛らわしいベンチマーク結果になります。

どちらの決定を下す前にも実施する価値のあるテスト

無料枠ならこれほど安く済むので、リーダーボードで判断する理由はありません。 heygen-voice-1-turbo-freeは、2026年11月30日までパブリックボイスとインスタントクローンを無料で利用でき、クレジット残高も不要です。また、HeyGenのパブリックボイスNadine（83548de556df48ba8c09c42a57c51d85）が1行の出発点として公開されています。これは共有容量のティアです。負荷時には、自身のリクエストレートに関係なく429 rate_limit_exceededが想定され、最初の音声までの時間は保証されず、無料リクエストが有料リクエストに移行することはありません。

Turbo Free と現在お使いのモデルで、同じインスタントクローンを使い、同じ20行をレンダリングして、アリーナが平均化して消してしまうもの——製品名、数字、日付、そして他社が言わないあなたのブランドならではの表現——に耳を澄ませてください。もし二つがあなたの耳に区別できないなら——7 Elo が示すように、おそらくそうなるでしょう——判断は請求額に帰着し、その請求額は $48 対 $360 です。

スタックが他の音声モデルや言語モデルも呼び出す場合は、非HeyGenの部分をフェイルオーバー付きの単一キーの背後に置くことで比較を本番経路から外せます。HeyGen Voice Turbo自体はOrcaRouterのカタログにないため、テストのHeyGen側はHeyGen独自のAPIに対して実行されます。ここでルーターが実際にもたらすのは、HeyGenの両モデルとフォールバック音声を1つの統合から実行できることなので、新しいモデルでのレート制限や障害がユーザーに沈黙として現れることはありません。

これらすべてから導かれるルールは一文にまとまる。インスタントクローンは、そうしない理由を測定で確認していない限りTurboを選び、プロフェッショナルクローンは、ほかにそれらを話せるものがないためHeyGen Voiceを選び、誰もこの2つをEloで選ぶべきではない。