HeyGen Voice Turbo vs Inworld Realtime TTS-2: 최고의 복제 음성은 가장 빠른 음성이 아니다

실시간 제품의 성패를 가르는 숫자를 두 공급사에 모두 물으면, 답하는 곳은 한 곳뿐이다. Inworld는 Inworld Realtime TTS-2의 첫 오디오 수치를 공개한다. Flash 형제 모델 기준 최저 50밀리초이며 Coval의 벤치마크에서 측정된 값으로, 업체는 ElevenLabs보다 첫 오디오가 최대 3배 더 빠르다고 주장한다. 반면 HeyGen은 HeyGen Voice Turbo에 대해 지연 시간 수치를 전혀 공개하지 않는다. 문서에서는 나란히 놓인 모델보다 "더 빠른 생성"을 약속할 뿐 거기서 끝이다. HeyGen이 실제로 공개하는 것은 Artificial Analysis Controlled Voice Arena 1위(1,202 Elo)와 백만 자당 4.00달러라는 책정가이며, 이는 7위(1,145)에 20.80달러인 Inworld Realtime TTS-2와 대비된다. 공개 이후 달라지는 보이스 아레나 순위와 자당 가격은 AI Incident Archive에 날짜와 출처와 함께 기록되며, 우리가 추적하는 다른 모델 및 공급사 사건들도 함께 실린다.

그래서 두 모델은 같은 자리를 두고 경쟁하는 게 아니다. 하나는 지연 시간에 대한 답이 아직 없는 상태에서 블라인드 선호도 평가판에서 최고의 복제 음성 엔진이고, 다른 하나는 지연 시간을 공개적으로 내세우는 실시간 엔진이지만 품질 점수는 다섯 순위나 아래다. 어느 쪽을 원하느냐는 사람이 문장 중간에 기다리고 있느냐에 달려 있다.

두 개의 보드, 그리고 각 벤더가 실제로 어떤 입장인지

Artificial Analysis는 두 개의 음성 보드를 모두 운영하는데, 이 두 수치는 서로 다른 것을 측정하기 때문에 어느 하나만 보는 것보다 둘을 함께 보는 것이 더 중요합니다. Controlled Voice Arena는 복제된 참조 음성 8개를 고정해 두고 엔진을 평가하며, Provider Voice Arena는 각 공급업체가 자사의 네이티브 음성으로 말하게 하고 실제 출시 제품을 평가합니다.

• 통제된 음성 Elo — HeyGen Voice Turbo 1,202 (46개 중 1위, ±19, 1,685개 샘플). Inworld Realtime TTS-2 1,145 (7위, ±13, 3,161개 샘플).

• 공급자 음성 Elo — HeyGen Voice Turbo는 목록에 없음. Inworld Realtime TTS-2 1,267 (98개 중 6위).

• 100만 자당 표시 가격, 아레나 환산 기준 — HeyGen Voice Turbo $4.00. Inworld Realtime TTS-2 $20.80, Flash $10.40.

• 공급업체 요금표 — HeyGen은 문자당 음성 요율을 공개하지 않으며, $4.00은 크레딧 가격에서 산출된 값입니다. Inworld는 Realtime TTS-2의 온디맨드 요금으로 $25.00, Flash의 경우 $15.00을 공개하며, Creator 요금제에서는 각각 $20.00과 $10.00으로 낮아집니다.

• 명시된 지연 시간 — HeyGen: 공개된 수치 없음. Inworld: Coval에서 Flash의 첫 오디오까지 50ms; 플래그십의 수치는 동일한 기준으로 명시되지 않음.

• 언어 지원 범위 — HeyGen: 클로닝 및 음성용 기본 언어 코드 42개. Inworld: 하나의 Realtime TTS-2 음성에 대해 약 500개 언어 및 방언.

Provider 열의 비대칭성이 주목할 부분이다. Inworld는 두 보드 모두에서 순위가 매겨져 있고, HeyGen은 한 보드에서만 순위가 매겨져 있다. Artificial Analysis는 충분한 투표가 없는 모델을 제외하므로, 이러한 부재는 품질 신호가 아니다. 하지만 이는 Inworld의 제품이 출시된 전체 영역에서 평가된 반면, HeyGen의 제품은 복제 음성 조건에서만 평가되었다는 것을 의미한다.

품질: 오차 범위를 고려해도 유지되는 57점 격차

Elo 57점은 이 비교에서 가장 큰 격차이자 가장 모호하지 않은 격차입니다. HeyGen Voice Turbo의 구간은 1,183에서 1,221까지이고, Inworld Realtime TTS-2의 구간은 1,132에서 1,158까지입니다. 두 구간은 겹치지 않습니다. 두 모델이 통계적으로 동률인 7점 HeyGen 대 HeyGen 비교와 달리, 이번 비교는 95% 신뢰 수준에서 분리됩니다.

정확히 그것이 무엇을 입증하는가 하면: 여덟 개의 복제된 참조 음성에서 블라인드 청취자들은 보드가 식별할 수 있는 차이로 HeyGen Voice Turbo의 렌디션을 선호했다. 이는 HeyGen 자체 음성 카탈로그가 Inworld의 것보다 더 좋게 들린다는 뜻이 아니며 — HeyGen에는 그런 주장을 할 Provider 보드 항목이 없다 — Turbo가 더 잘 복제한다는 뜻도 아니고, 단지 제공된 복제 음성을 더 잘 말한다는 뜻이다.

Inworld의 복제 경로는 품질 점수가 가장 잘 설명하지 못하는 부분입니다. 즉석 복제는 3초의 참조 오디오로 작동하고, 음성 디자인은 작성된 설명으로 작동합니다. 둘 다 모든 플랜에 포함됩니다. 아레나는 결과로 나오는 음성을 측정하지, 입력된 복제의 충실도를 측정하지 않습니다. 전달받은 복제에서 1,145점을 받은 모델이라도 고객 음성 3초로 그 복제를 생성하는 데에는 여전히 더 나은 선택일 수 있습니다.

지연 시간: HeyGen이 알려주지 않는 숫자

Inworld's realtime positioning is specific and falsifiable. Realtime TTS-2 Flash returns first audio in as little as 50 ms on Coval's measurement, up to 3× sooner than ElevenLabs at 183 ms and up to 35× sooner than O​penAI's GPT-4o mini T​TS at 2,056 ms. Those are third-party measurements of a vendor's model, quoted by the vendor — better evidence than a marketing claim, weaker than an independent audit, and worth reproducing on your own network before you architect around them.

HeyGen의 문서에서는 Turbo가 기본 음성보다 "더 낮은 지연 시간"으로 즉석 음성을 말한다고 설명하면서 거기서 끝납니다. Artificial Analysis의 처리량 페이지에는 이 모델의 생성 시간 중앙값이 7.29초, 초당 122자로 나와 있으며, 5백분위수는 52.7초, 95백분위수는 150초입니다 — 이 수치는 측정 장비에서의 전체 요청 합성을 설명하는 것이지 첫 오디오까지의 시간을 설명하는 것이 아니며, 그 편차는 매우 큽니다. 7초의 중앙값은 미리 렌더링된 내레이션에는 괜찮습니다. 대화에는 아닙니다.

그 비교는 공정한 싸움이 아니며, 그럴 의도로 만들어진 것도 아닙니다. HeyGen의 Turbo는 대량 합성을 위해 가격이 책정되고 문서화되어 있습니다. 요청당 5,000자, 분당 30회 요청, 동기식 WAV 엔드포인트, 그리고 각 부분이 완전한 WAV 컨테이너인 SSE 스트림을 제공합니다. Inworld의 것은 턴테이킹을 위해 문서화되어 있습니다. 지시 기반 전달 제어, 실제 오디오로 렌더링되는 50개의 비언어적 사운드, 그리고 수십 밀리초 내 첫 오디오라는 주장입니다. 제품이 대화 안에서 말한다면, HeyGen은 필요한 수치를 공개하지 않았습니다. 그리고 수치가 없다는 것은 느린 모델의 증거가 아니라, 그것이 그들이 당신에게 판매하는 제품이 아니라는 증거입니다.

가격: 한쪽에는 세 개의 단계, 다른 쪽에는 하나의 파생 수치

$4.00 대 $20.80은 HeyGen의 5대1 승리처럼 보이지만, 이 기사에서 가장 신뢰할 수 없는 숫자다. 이는 Artificial Analysis가 HeyGen의 크레딧 가격을 환산한 것으로, HeyGen이 크레딧 하나로 몇 글자를 살 수 있는지 공개하지 않기 때문에 도출된 값이다. Inworld의 $20.80은 같은 보드가 Inworld가 실제로 공개한 요율을 정규화한 것이다.

동일 기준으로 비교하면 그림이 좁혀진다. Inworld 자체 가격 사다리는 온디맨드 $25.00, Creator 플랜 $20.00, Pro $17.50, Business $15.00, Enterprise $12.50이며, Flash는 같은 티어에서 $15.00에서 $7.00까지 내려가고, 공급업체는 최상위에서 $5 미만을 광고한다. 약정 고객이 실제로 지불하는 요율에서는 Realtime TTS-2가 $12.50에서 $20.00 사이, Flash가 $7.00에서 $15.00 사이에 위치한다. $4.00 전환 대비 HeyGen은 여전히 서류상 더 저렴하지만, 그 격차는 정가 대비 5대1이라기보다 할인된 Inworld 티어 대비 2대1에 더 가깝다.

There is a second rung that costs nothing. HeyGen's heygen-voice-1-turbo-free tier speaks public voices and instant clones without a credit balance through 30 November 2026, on shared capacity with no guarantees and a documented tendency to return 429 under load. Inworld offers up to 70 minutes of free T​TS on its On-Demand plan. Both are enough to run a real comparison; neither is enough to run a product.

각 모델이 더 이상 답이 되지 못하는 지점

오디오가 대화형이 아니라 사전 렌더링되었거나 준실시간에 가까운 경우에는 HeyGen Voice Turbo를 선택하세요. 내레이션, 오디오북 챕터, 이러닝 모듈, 비디오 파이프라인의 음성 부분, 또는 7초의 합성이 '생각 중' 표시 뒤에 숨을 만큼 턴이 긴 음성 에이전트가 그 예입니다. 이 제품의 강점은 리더보드에서 가장 낮은 산출 단가로 1위 클론 음성 점수를 기록했다는 점이며, 42개 언어와 44.1 kHz WAV 출력을 지원합니다.

사람이 기다리고 있을 때는 Inworld Realtime TTS-2를 선택하세요. 지연 시간에 대한 주장, 지시 조종 — 전달 방향을 요청 파라미터로 또는 문장 중간의 대괄호로 보내기 — 50가지 비언어 표현, 약 500개 언어, 3초 클론은 모두 대화를 위해 만들어진 엔진의 기능이며, 아무리 높은 Elo도 그 구조적 격차를 메우지 못합니다. 이 제품의 근거에는 HeyGen에는 없는 Provider 보드 순위도 포함되는데, 이는 제품이 클론 대신 기성 음성을 제공하는 경우 중요합니다.

재현 가능한 시드를 사용하는 전문가용 클론이 필요하다면 어느 모델도 정답이 아닙니다: HeyGen은 Turbo를 공개 및 인스턴트 음성으로 제한하며, seed, speed 및 pitch_shift와 같은 운율 제어는 해당 API에서 전문가 전용입니다. Inworld의 동등한 제어는 자체 지시 및 스티어링 계층이며, 이는 서로 다른 보장을 지닌 다른 메커니즘입니다.

둘 중 어느 쪽에도 걸지 않고 둘 다 실행하기

이 결정에서 곤란한 부분은 두 후보가 리더보드만으로는 완전히 모델링할 수 없는 조건들을 최적화한다는 점입니다: 네트워크의 첫 오디오까지 걸리는 시간, 텍스트의 이름과 숫자, 청취자가 멈춤을 견디는 정도. 이에 답하는 저렴한 방법은 둘 다 하나의 인터페이스 뒤에 두고 트래픽을 나누는 것입니다 — 도전자에게는 작은 비율을 보내고, 요청이 실패하거나 속도 제한이 발동하면 기존 시스템으로 자동 페일오버하는 방식입니다.

바로 그것이 OrcaRouter의 라우팅 레이어가 만들어진 형태이며, 여기서 이를 언급하는 솔직한 이유입니다: 200개 이상의 모델을 위한 단 하나의 키, 마크업 없이 그대로 전달되는 제공사 정가, 그리고 공유 용량 무료 티어에서 발생하는 429를 무응답 순간이 아니라 재시도로 바꿔 주는 페일오버입니다. HeyGen Voice Turbo는 현재 그 카탈로그에 없으므로, 진정한 HeyGen 대 Inworld 비교는 여전히 두 개의 통합을 의미합니다. 하지만 페일오버 측면의 논거는 최종적으로 어떤 모델을 표준으로 삼든 그대로 유효합니다.

리더보드가 판가름하는 범위는 겉보기보다 좁다. HeyGen Voice Turbo는 통계가 뒷받침하는 만큼 더 나은 클론 음성 엔진이며, 가격은 아마 최상위권에서 가장 낮은 수준일 것이다. Inworld Realtime TTS-2는 둘 중 말하기 시작하는 속도를 알려준 유일한 제품이며, 대화형 제품에서는 그 단 하나의 답 없는 질문이 57 Elo보다 더 큰 비중을 차지한다.