HeyGen Voice Turbo 対 Inworld Realtime TTS-2：最高のクローン音声は最速のものではない

リアルタイム製品を左右する数字を両ベンダーに尋ねると、答えるのは片方だけだ。InworldはInworld Realtime TTS-2の初回音声の数値を公表している——Flash版では50ミリ秒まで低く、Covalのボードで測定され、ベンダーはElevenLabsより最大3倍速く初回音声が出ると主張している。HeyGen Voice Turboについて、HeyGenはレイテンシの数値を一切公表していない。ドキュメントは隣に並ぶモデルより「高速な生成」を約束するだけで、それきりだ。HeyGenが公表しているのは、Artificial Analysis Controlled Voice Arenaでの1,202 Eloによる1位と、100万文字あたり4.00ドルという表示価格であり、Inworld Realtime TTS-2の1,145で7位、20.80ドルと対照的だ。公開後に変動するボイスアリーナの順位や文字あたりの価格は、日付と出典とともにthe 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インシデントと並んで記録されている。

つまり、この2つのモデルは同じ枠を争っているわけではない。一方は、ブラインド選好ボードで最高のクローン音声エンジンだが、レイテンシーに関する疑問が未解決のまま。もう一方は、公開されたレイテンシー値を掲げるリアルタイムエンジンだが、品質スコアは5ランク下。どちらを選ぶべきかは、人間が文の途中で待っているかどうかで決まる。

2つのボードと、各ベンダーが実際にどこに位置しているか

Artificial Analysisは2つの音声ボードを運営しており、どちらか一方だけの数値よりもその2つの数値の組み合わせの方が重要です。なぜなら、両者は異なるものを測定しているからです。Controlled Voice Arenaは8つのクローン参照音声を一定に保ち、エンジンを評価します。Provider Voice Arenaは各ベンダーが自社のネイティブ音声で話すことを可能にし、出荷済み製品を評価します。

• 統制されたVoice Elo — HeyGen Voice Turbo 1,202（46件中1位、±19、1,685サンプル）。Inworld Realtime TTS-2 1,145（46件中7位、±13、3,161サンプル）。

• プロバイダー別音声Elo — HeyGen Voice Turboは未掲載。Inworld Realtime TTS-2 1,267（98件中6位）。

• 100万文字あたりの表示価格、アリーナ換算 — HeyGen Voice Turbo $4.00。Inworld Realtime TTS-2 $20.80、Flash $10.40。

• ベンダー料金表 — HeyGen は文字単位の音声料金を公表していません。$4.00 はクレジット価格から算出されたものです。Inworld は Realtime TTS-2 のオンデマンドで $25.00、Flash で $15.00 を公表しており、Creator プランではそれぞれ $20.00 と $10.00 に下がります。

• 公称レイテンシー — HeyGen: 公開なし。Inworld: Coval 上の Flash で最初の音声まで 50 ms、フラッグシップの数値は同一の基準では示されていない。

• 言語対応 — HeyGen：クローニングと音声用の42の基本言語コード。Inworld：1つのRealtime TTS-2音声で約500の言語と方言。

注目すべきは、プロバイダー列の非対称性だ。Inworldは両方のボードでランク付けされているが、HeyGenは片方のみだ。Artificial Analysisは十分な票がないモデルを除外するため、その不在は品質のシグナルではない — ただし、それはInworldの製品が出荷済みの全領域にわたって評価されている一方、HeyGenの製品はクローン音声条件でのみ評価されていることを意味する。

品質：誤差範囲を超えて残る57ポイントの差

57 Elo はこの比較で最大の差であり、最も曖昧さが少ないものです。HeyGen Voice Turbo の区間は 1,183～1,221、Inworld Realtime TTS-2 の区間は 1,132～1,158 です。これらは重なりません。2つのモデルが統計的に同等である7ポイントの HeyGen 対 HeyGen の比較とは異なり、こちらは95%信頼水準で分離しています。

それが正確に何をもたらすかと言えば、次のとおりだ。8つのクローン化参照音声において、ブラインド聴取者は、ボードが判別できる差でHeyGen Voice Turboのレンディションを好んだ。これはHeyGen自身の音声カタログがInworldのものより良く聞こえると言っているのではない——HeyGenにはその主張をするためのProviderボードのエントリーがない——し、Turboのクローン性能がより優れているとも言っておらず、供給されたクローンをより良く話すということだけを言っている。

Inworldのクローニング手法は、その品質スコアが最も捉えきれない領域だ。インスタントクローニングは3秒の参照音声から機能し、ボイスデザインは文章による説明から機能する。どちらもすべてのプランに含まれている。アリーナが測定するのは出力される音声であり、入力されたクローンの忠実度ではない。渡されたクローンで1,145点を獲得したモデルでも、顧客の声3秒からそのクローンを生成するには、より適した選択肢であり得る。

レイテンシー：HeyGenが公表しない数字

Inworldのリアルタイムに関するポジショニングは具体的で反証可能だ。Covalの測定では、Realtime TTS-2 Flashは最初の音声を最短50 msで返し、183 msのElevenLabsより最大3倍早く、2,056 msのOpenAIのGPT-4o mini TTSより最大35倍早い。これらはベンダーのモデルに関する第三者測定であり、ベンダー自身が引用しているもので、マーケティング上の主張よりは優れた証拠だが、独立した監査よりは弱く、これらを前提に設計する前に自社ネットワークで再現する価値がある。

HeyGenのドキュメントでは、Turboはデフォルトより「低いレイテンシー」でインスタントボイスを話すと説明されているだけで、それ以上は触れられていません。Artificial Analysisのスループットページには、このモデルの生成時間の中央値が7.29秒、毎秒122文字、5パーセンタイルが52.7秒、95パーセンタイルが150秒と記載されています。これは同社の測定環境におけるリクエスト全体の合成に関する数値であり、最初の音声が出力されるまでの時間ではなく、ばらつきも大きいものです。7秒という中央値は、事前レンダリング済みのナレーションなら問題ありません。しかし、会話には向きません。

その比較は公平な勝負ではなく、そもそもそういう勝負を意図したものでもない。HeyGenのTurboは大量合成向けに価格設定され、文書化されている。1リクエスト5,000文字、毎分30リクエスト、同期WAVエンドポイント、そして各部分が完全なWAVコンテナであるSSEストリームだ。Inworldのそれはターン交代向けに文書化されている。指示ベースの話し方制御、50種類の非言語音を実際の音声としてレンダリング、そして最初の音声が数十ミリ秒で出るという主張だ。あなたの製品が会話の中で発話するなら、HeyGenはあなたに必要な数値を公表していない。そして数値がないことは、遅いモデルの証拠ではない。それが、彼らがあなたに売っている製品ではないことの証拠だ。

価格：片側に3つの段階、もう片側に1つの算出値

$4.00 対 $20.80 は、HeyGen の5対1の勝利に見えるが、これはこの記事で最も信頼性の低い数字だ。これは Artificial Analysis による HeyGen のクレジット価格の換算であり、HeyGen が1クレジットで何文字分購入できるかを公表していないために導出されたものだ。Inworld の $20.80 は、Inworld が公表している料率を同じボードが正規化したものだ。

条件を揃えて比較すると、全体像は狭まる。Inworld 自身の料金段階は、オンデマンドで $25.00、Creator プランで $20.00、Pro で $17.50、Business で $15.00、Enterprise で $12.50 となり、Flash は同じティアで $15.00 から $7.00 まで下がり、最上位では $5 未満をうたっている。継続利用の顧客が実際に支払う料金では、Realtime TTS-2 は $12.50 から $20.00 の間に、Flash は $7.00 から $15.00 の間に入る。$4.00 のコンバージョンと比べれば、HeyGen は依然として紙の上では安い — しかしその差は、定価に対する 5 対 1 というより、割引された Inworld ティアに対する 2 対 1 に近い。

費用のかからない第2の段階もあります。HeyGenのheygen-voice-1-turbo-freeティアは、クレジット残高なしでパブリック音声とインスタントクローンに対応し、2026年11月30日まで利用できます。ただし共有キャパシティ上で保証はなく、負荷時に429を返す傾向があることが文書化されています。Inworldはオンデマンドプランで最大70分の無料TTSを提供しています。どちらも実際の比較には十分ですが、製品を運用するにはどちらも不十分です。

それぞれのモデルが答えでなくなるのはどこか

音声が会話向けではなく、事前レンダリング済みまたはほぼリアルタイムである場合は、HeyGen Voice Turbo を選びましょう。ナレーション、オーディオブックの章、eラーニングモジュール、動画パイプラインの音声部分、または1ターンが十分に長く、7秒の合成が思考中インジケーターの裏に隠れる音声エージェントなどです。その強みは、ボード上で最も低い換算レートながらクローン音声スコアで1位を獲得している点にあり、42言語と44.1 kHz WAV出力に対応します。

人が待っている場面では、Inworld Realtime TTS-2 を選ぶべきです。レイテンシの主張、指示による制御——話し方の指示をリクエストパラメータとして、または文中の角括弧で送れること——、50種類の非言語表現、約500言語、3秒のクローンは、すべて対話向けに構築されたエンジンの特徴であり、Eloがどれほど高くてもその構造的ギャップは埋まりません。また、HeyGenにはないProviderボードの順位もその根拠に含まれており、これは製品がクローンではなく既製音声を提供する場合に重要です。

再現可能なシードを備えたプロフェッショナルなクローンが必要なら、どちらのモデルも答えではありません。HeyGenはTurboをパブリックボイスとインスタントボイスに限定しており、seed、speed、pitch_shiftといった韻律の制御はそのAPIではプロフェッショナル専用です。Inworldの同等の制御は独自のインストラクションとステアリング層であり、これは異なる保証を持つ別の仕組みです。

どちらにも賭けずに両方を走らせる

この判断が厄介なのは、2つの候補が、リーダーボードからは完全にはモデル化できない条件に最適化されている点です。それは、あなたのネットワークで最初の音声が再生されるまでの時間、あなたのテキストに含まれる名前や数字、あなたのリスナーが一時停止をどこまで許容できるかです。これに答える手っ取り早い方法は、両方を1つのインターフェースの背後に置いてトラフィックを分割することです — 挑戦側には小さな割合を回し、リクエストが失敗した場合やレート制限が発動した場合には現行側へ自動的にフェイルオーバーします。

それが OrcaRouter のルーティングレイヤーが想定して作られている形であり、ここで挙げる正直な理由でもあります：200 以上のモデルを 1 つのキーで、プロバイダーの定価をマークアップなしでそのまま、そして共有容量の無料枠からの 429 をリトライに変えるフェイルオーバーがあり、応答が途切れる瞬間ではなくなります。HeyGen Voice Turbo は現在そのカタログに含まれていないため、HeyGen 対 Inworld の真の比較となると依然として 2 つの統合が必要です — ただし、最終的にどのモデルを標準にするかに関係なく、フェイルオーバーという論点の半分は成り立ちます。

リーダーボードが決着させる範囲は、見た目より狭い。HeyGen Voice Turbo は、統計が裏付ける差で優れたクローン音声エンジンであり、その価格はおそらくトップ層で最も低い。Inworld Realtime TTS-2 は、この2つのうち、話し始めるまでの速さを明示している唯一のものであり、会話型製品にとって、そのたった一つの未回答の問いは57 Elo よりも重い。