GPT-Live-1 vs HeyGen Voice: 두 개의 보드, 두 가지 역할, 그리고 이미 둘을 연결하는 하나의 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.

각각이 실제로 무엇인지

HeyGen Voice는 HeyGen의 자체 개발 텍스트 음성 변환(TTS) 모델로, 비디오와 아바타 렌더링도 제공하는 v3 API 안에 있습니다. 두 가지 모델 ID가 공개되어 있습니다 — heygen-voice-1는 즉석 클론과 전문가용 클론을 지원하고, heygen-voice-1-turbo는 동일한 엔진을 더 낮은 지연 시간으로 즉석 클론에만 제한한 버전입니다. 내부적으로 이 엔진은 orca라고 불리며, voices 쿼리에서 필터링할 때 사용하는 값입니다. 텍스트를 입력받아 44.1 kHz 모노 WAV 오디오를 반환하며, 일회성 요청(POST /v3/models/audio/tts) 또는 base64 WAV 파트와 선택적 문자 정렬 이벤트가 포함된 서버 전송 이벤트(SSE) 스트림(POST /v3/models/audio/tts/stream)으로 제공됩니다. 이 엔진은 아무것도 듣지 못합니다.

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.

리더보드 결과, 그리고 그것을 둘러싼 경계

Artificial Analysis는 두 개의 음성 보드를 운영하며, 두 보드는 서로 다른 질문에 답합니다. Provider Voice 아레나에서는 각 공급업체가 자사가 선택한 음성을 제출할 수 있습니다. 즉, 기업이 자신을 대표하기 위해 고른 세련된 데모 음성이며, 해당 음성들이 얼마나 좋게 들리는지를 기준으로 순위를 매깁니다. Controlled Voice 아레나에서는 고정된 8개의 복제 참조 음성(미국 4개, 영국 4개)을 대신 사용하므로, 모든 엔진이 동일한 조건에서 동일한 단어를 동일한 음성으로 말하게 합니다. 이는 업계에서 동등 조건 엔진 테스트에 가장 가까운 것이며, 음성을 복제해 TTS 모델에 넘길 계획이라면 중요한 보드입니다.

HeyGen Voice가 선두를 차지합니다. 2026년 10월 캡처 기준:

• 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."

더 넓은 리더보드에서의 그 부재는 품질 신호가 아니다. Artificial Analysis는 투표 수 부족으로 항목이 보류될 수 있다고 언급하며, 서로 다르게 채점된 아레나 하나를 뒤에 둔, 출시된 지 몇 주 된 모델은 90개 이상의 모델이 있는 리더보드가 요구하는 블라인드 청취자 규모를 축적하지 못했다. 올바른 해석은 좁지만 유용하다: HeyGen Voice는 현재 통제된 복제 음성 비교에서 최고 점수를 받은 엔진이며, 더 넓은 분야에 대해서는 미지수다. 그 수치를 근거로 "세계 최고의 TTS 모델"을 인용하는 사람은 그 문장이 암시하는 것보다 더 작은 리더보드를 인용하는 것이다.

빌드를 위해 HeyGen이 여러분에게 제공하는 것

이 엔진은 "TTS 모델"이라는 레이블이 시사하는 것보다 더 유연하며, 이 두 제품 중에서 선택하려는 사람이라면 세 가지 세부 사항이 중요합니다.

• 보이스별 엔진 선택. GET /v3/voices 호출은 엔진 필터를 받으며, 그 값에는 orca가 HeyGen Voice용으로, starfish, 그리고 ElevenLabs 보이스로의 패스스루가 포함됩니다. HeyGen은 자사 모델을 강제하지 않습니다 — 가장 문자 그대로의 의미에서, 자사 API를 통해 경쟁사 엔진으로 라우팅할 수 있게 함으로써 헤지하는 셈입니다. 1,198 Elo를 "HeyGen의 보이스가 최고다"라고 해석하는 사람이라면, 그것이 동일한 엔드포인트가 제공하는 세 가지 경로 중 하나를 설명한다는 점에 주목해야 합니다.

• 클로닝은 두 가지 모드로 제공됩니다. Instant Clone은 하나의 녹음을 사용하고 처음 3분을 활용하며, 재학습할 수 없고, 미리 보기 기간 동안 무료라고 문서에 명시되어 있습니다. Professional Clone은 총 20분 이상에 해당하는 1~10개의 녹음으로 학습하며, 202 Accepted를 반환하고 활성화될 때까지 폴링하며, 재학습이 가능하고, 구매한 슬롯을 차지합니다. 유사도 제어는 1~4 범위로 작동하고, 0.0~1.0의 표현력 향상은 Instant 음성에만 적용되며, 최대 5초의 break 태그는 Professional 등급에서 사용할 수 있습니다.

• 재현 가능한 음성 디자인. POST /v3/voices는 최대 1,000자로 제한된 설명을 바탕으로 최대 3개의 순위가 매겨진 후보를 생성하며, 선택적 성별 필터, 선택적 BCP-47 로캘, 시드를 지원합니다. 그리고 HeyGen은 동일한 프롬프트에 동일한 시드를 사용하면 항상 동일한 음성이 반환된다고 문서화하고 있습니다. 음성 텍스트는 5,000자로 제한되며, 이 엔드포인트는 종량제 요금제에서 분당 30회, Enterprise에서 120회의 요청을 처리합니다.

• 클로닝과 스피치 모두에 대해 39개 기본 코드의 언어 지원 범위를 갖추고 있으며, 지역 태그는 악센트를 전환하는 대신 기본 코드로 해석됩니다. HeyGen의 마케팅 페이지에 돌고 있는 플랫폼 수준의 "175개 이상의 언어 및 방언"이라는 수치는 이 모델의 지원 범위가 아닙니다.

그 언어 목록에 관한 실용적인 경고 하나: 아바타 엔진이 받아들이는 여러 지역 로케일이 음성 엔진에서 지역 억양을 선택하지는 않습니다. 제품을 현지화한다면, 태그가 그 억양을 담고 있다고 가정하지 말고 필요한 로케일을 테스트하세요.

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.

두 시스템이 만나는 지점: 위임, 그리고 그 대가

이제 양측 모두 완전한 대화 루프를 제공하며, 양측 모두 추론기를 당신이 통제할 수 있는 곳에 둡니다.

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.

이번 주에 결정하는 방법

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.

하지 말아야 할 것은 "Artificial Analysis에서 1위"를 마치 대화형 제품의 결정을 확정한 것처럼 인용하는 것이다. 그것은 여덟 개의 복제된 음성에 대한 렌더링 질문을 해결했을 뿐이다. 다른 질문은 그 보드에서 전혀 제기되지 않았다.

그중 어느 것도 가정이 아닙니다: 이번과 같은 릴리스의 배경이 된 문서화된 AI 실패와 에이전트 사고는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 함께 제공됩니다.