HeyGen Voice Turbo odbiera koronę kontrolowanego głosu HeyGen Voice — i obniża cenę Arena o 87%

Twelve days after HeyGen Voice reached number one on Artificial Analysis's Controlled Voice Arena, HeyGen has replaced it there with HeyGen Voice Turbo, a faster and far cheaper speech model that went live on the vendor's API on 21 October 2026 under the model ID heygen-voice-1-turbo. Read on the morning of 22 October, the board puts HeyGen Voice Turbo first at 1,202 Elo and its predecessor HeyGen Voice second at 1,195, with A​libaba's Qwen-Audio-3.1-TTS-Plus third at 1,184. The headline writes itself as a succession story — a vendor beating itself — and that framing is not wrong, but it is the least useful thing on the page. The number that should change a purchasing decision sits two columns to the right, where the same leaderboard lists the new model at $4.00 per million characters against $30.00 for the one it displaced. When a leaderboard reversal like this one later turns out to rest on a stale or restated score, the correction is logged with its dates and sources in the AI Incident Archive, alongside the rest of the model and vendor failures we track.

To 87-procentowa redukcja kosztu katalogowego przypisanego modelowi, który zajmuje wyższą pozycję niż model, który zastępuje. Obie liczby to przeliczenia Artificial Analysis oparte na cenniku kredytów HeyGen, a nie stawki publikowane przez HeyGen — co ma znaczenie i warto to zapamiętać — ale kierunek tej różnicy jest zbyt jednoznaczny, a jej skala zbyt duża, by mogła to być artefakt przeliczenia.

Co tak naprawdę mówi dziś rano kontrolowany zarząd

Controlled Voice Arena utrzymuje mówcę jako stałą: każdy uczestnik syntezuje te same osiem sklonowanych głosów referencyjnych, cztery amerykańskie i cztery brytyjskie, a słuchacze w ciemno wybierają lepsze odtworzenie. To ranking, który mierzy silnik, a nie pokazowe demo dostawcy, i jest właściwym źródłem, jeśli wdrażasz sklonowany głos marki. Na dzień 22 października 2026 r. jego czołówka wygląda tak.

• Miejsce 1 — HeyGen Voice Turbo, 1,202 Elo, ±19 przy poziomie ufności 95% (przedział od 1,183 do 1,221), 1,685 próbek, wydano w październiku 2026, 4,00 USD za milion znaków.

• Miejsce 2 — HeyGen Voice, 1,195 Elo, ±15 (przedział od 1,180 do 1,210), 1,964 próbki, wydany w październiku 2026, $30.00 za milion znaków.

• Miejsce 3 — Qwen-Audio-3.1-TTS-Plus, 1184 Elo, ±14 (przedział od 1170 do 1198), 2292 próbki, 19,30 USD za milion znaków.

• Pozycje 4 i 5 — Eleven v4 Turbo i Eleven v4, oba po 1 156 Elo, 40,00 USD i 80,00 USD za milion znaków.

• Miejsce 6 — Sonic 3.6, 1 151 Elo, 49,00 USD za milion znaków, na 3 193 próbkach — model z największą liczbą głosów w pierwszej dziesiątce.

• Miejsce 7 — Inworld Realtime TTS-2, 1145 Elo, 20,80 USD za milion znaków.

Dwa szczegóły na tej liście zasługują na więcej uwagi niż sama kolejność. Pierwszy to kolumna zakresu: Artificial Analysis podaje miejsca od pierwszego do trzeciego jako jeden przedział, 1–3, co oznacza, że jego własne statystyki nie rozdzielają trzech najlepszych modeli. Drugi to liczba próbek. HeyGen Voice Turbo ma 1685 głosów; Eleven v4 Turbo, dwa miejsca niżej, ma 2593. Pozycja nowego modelu na szczycie opiera się na około dwóch trzecich dowodów zgromadzonych przez modele, które wyprzedza, a przedział ±19 jest najszerszy w pierwszej piątce.

Siedem Elo nie jest tu istotne. Istotne są cztery dolary.

Potraktuj oba wpisy HeyGen jako parę, ponieważ mają ten sam endpoint, tego samego dostawcę, a teraz także sąsiadują w rankingu. Dzieli je siedem punktów Elo, a ich przedziały ufności pokrywają się na niemal całej szerokości: od {{1}}1,183 do 1,221{{/1}} wobec {{2}}1,180 do 1,210{{/2}}. Nikt nie powinien wybierać między tymi dwoma modelami na podstawie jakości. Ewentualna różnica w naturalności sklonowanego głosu jest mniejsza niż niepewność pomiaru.

Różnica cen nie jest mniejsza niż niepewność. To czynnik 7,5.

Najpierw zastrzeżenie, bo jest ono istotne: HeyGen nie publikuje stawki za znak dla głosu. Na jego publicznej stronie z cennikiem sprzedawane są kredyty — 600 kredytów w jednym planie, 1000 w innym, większe pule w planach rocznych — i nigdy nie podano, ile znaków można kupić za jeden kredyt. Kwoty 4,00 USD i 30,00 USD to własne przeliczenie Artificial Analysis, stosowane konsekwentnie u każdego dostawcy na liście, aby modele w ogóle można było porównać. To są wartości wyliczone. To, co mimo wszystko czyni porównanie użytecznym, to fakt, że obie liczby powstały z tego samego przeliczenia: jeśli przeliczenie jest błędne, jest błędne w obu przypadkach, a stosunek 7,5× przetrwa stały błąd.

Istnieje trzeci poziom cenowy, który w ogóle nie pojawia się na tabeli liderów. HeyGen udostępnia bezpłatny plan tego modelu, heygen-voice-1-turbo-free, do 30 listopada 2026 r. Obsługuje publiczne głosy i natychmiastowe klony, nie wymaga salda kredytów i jest wyraźnie udokumentowany jako przeznaczony do testów, prototypów i niewielkich ilości mowy. Nie jest też w żaden sposób gwarantowany: dostępność usługi, czas odpowiedzi i czas do pierwszego dźwięku są wyłączone z gwarancji, przepustowość jest współdzielona przez wszystkich użytkowników planu bezpłatnego, a żądanie może zwrócić HTTP 429 rate_limit_exceeded, nawet gdy z zapasem mieszczą się Państwo w swoim własnym limicie 30 żądań na minutę. Bezpłatne żądanie nigdy nie przełącza się po cichu na model płatny — trzeba wysłać nowe żądanie z heygen-voice-1-turbo i zaakceptować opłatę. W przypadku ścieżki produkcyjnej należy zaplanować budżet na model płatny, a plan bezpłatny traktować jako sposób na usłyszenie silnika na własnym skrypcie w tym tygodniu.

Z czego Turbo rezygnuje, aby osiągnąć tę liczbę

Zniżka nie jest promocją cenową przebraną za premierę modelu. To węższy produkt, a to zawężenie jest jasno udokumentowane w dokumentacji mowy HeyGen.

• Typy głosów — heygen-voice-1-turbo obsługuje wyłącznie głosy publiczne i klony natychmiastowe. Klony profesjonalne nie są obsługiwane. Domyślny heygen-voice-1 pozostaje modelem obsługującym głosy profesjonalne.

• Parametry na żądanie — Turbo akceptuje expressiveness_boost od 0.0 do 1.0 i nic więcej z zestawu prozodii. seed, speed, pitch_shift i pitch_variance są akceptowane i ignorowane w głosach natychmiastowych, w tym Turbo. Głosy profesjonalne odrzucają expressiveness_boost całkowicie.

• Pauzy — profesjonalne głosy stosują <break> pauzy trwające do pięciu sekund. Głosy natychmiastowe, w tym Turbo, nie. Inne elementy SSML nie są obsługiwane przez żaden z nich.

• Długość tekstu — od 1 do 5,000 znaków zwykłego tekstu na żądanie, w obu modelach.

• Limit szybkości — domyślnie 30 żądań na minutę na członka obszaru roboczego, w przypadku obu punktów końcowych, z możliwością dostosowania dla każdego konta.

• Wyjście — jeden monofoniczny plik WAV PCM16 o częstotliwości 44,1 kHz dla synchronicznego punktu końcowego; uporządkowane części WAV zakodowane w base64 przesyłane za pośrednictwem zdarzeń wysyłanych przez serwer na /tts/stream. Każda przesyłana strumieniowo część jest kompletnym kontenerem WAV, więc musi być dekodowana osobno, a nie łączona.

Odczytaj tę listę jako opis klienta, do którego adresowany jest Turbo: kogoś, kto generuje krótkie kwestie głosem sklonowanym w kilka sekund, masowo, gdzie brak kontroli wysokości dźwięku (pitch) nie ma znaczenia, a różnica stawek wynosząca 7,5× już tak. Jeśli Twój potok zależy od dwudziestominutowego profesjonalnego klonu i powtarzalnych ziaren losowych, Turbo nie jest tańszą wersją Twojego obecnego modelu — to inny model, który nie wykona Twojej pracy.

Twierdzenie, które HeyGen przedstawia we własnej dokumentacji

Dokumentacja referencyjna HeyGen dotycząca zamiany tekstu na mowę podaje, że domyślne ustawienia jej API — similarity: „extra_high” w przypadku klonowania oraz expressiveness_boost: 1.0 w przypadku mowy — to konfiguracja, która „zajęła pierwsze miejsce na liście Artificial Analysis Controlled Voice”. To twierdzenie dostawcy dotyczące niezależnego rankingu, które na dodatek można zweryfikować: ranking rzeczywiście pokazuje model HeyGen na pierwszym miejscu. Twierdzenie to jest jednak węższe, niż brzmi. Opisuje jedną konfigurację jednego modelu na jednej z dwóch list mowy Artificial Analysis i nie mówi nic o pozycji w rankingu całego katalogu głosów dostawcy.

Zwróć uwagę na niezgodność, o której warto wiedzieć, zanim skopiujesz ustawienia domyślne: HeyGen Studio udostępnia similarity: "max" i expressiveness_boost: 0.5, podczas gdy API domyślnie przyjmuje parę o wyższym podobieństwie i maksymalnej ekspresyjności. Wynik w rankingu powstał na domyślnych ustawieniach API. Jeśli dostroisz ustawienia pod ciepło przypominające Studio, nie będziesz już używać konfiguracji, do której przypisany jest wynik Elo.

Trzy rzeczy, których ten ranking nie mierzy

Po pierwsze, HeyGen w ogóle nie ma wpisu w Provider Voice Arena — towarzyszącej tablicy, na której każdy dostawca używa własnych natywnych głosów i gdzie sklasyfikowano 98 modeli. Na czele tej tablicy znajduje się Eleven v4 Turbo z wynikiem 1 335, a Inworld Realtime TTS-2 jest szósty z 1 267. Artificial Analysis pomija modele, które nie mają wystarczającej liczby głosów, więc nieobecność nie jest wyrokiem o jakości; oznacza jednak, że nie istnieje niezależna liczba opisująca, jak własny katalog HeyGen brzmi dla szerokiej publiczności. Jeśli wybierasz spośród gotowych głosów narratora, a nie klonujesz głosu, główna liczba z tego artykułu cię nie dotyczy.

Po drugie, kontrolowana tablica działa osobno dla każdego języka, a HeyGen Voice Turbo pojawia się na szczycie tablic angielskich oraz na tablicy niemieckiej — ale nie ma go w zakładkach japońskiej, chińskiej, francuskiej, hiszpańskiej, portugalskiej, wietnamskiej, arabskiej i hindi. Biorąc pod uwagę, że HeyGen dokumentuje 42 bazowe kody języków dla klonowania i mowy, najbardziej prawdopodobnym wyjaśnieniem jest liczba głosów, a nie możliwości. Niemniej jednak angielska korona to angielska korona, a każdy, kto wdraża wielojęzyczną narrację, powinien przeczytać odpowiednią zakładkę, zanim założy, że wynik się przenosi.

Po trzecie, arena ocenia dźwięk, a nie etap klonowania, który wytworzył głos. To, czy natychmiastowy klon z kilku sekund dźwięku referencyjnego zachowuje konkretnego mówcę, jest osobnym pytaniem, którego nikt tutaj nie mierzy.

Co się dzieje 1 grudnia?

Najbardziej konkretne otwarte pytanie nie brzmi, czy Turbo utrzymuje pierwsze miejsce — siedmiopunktowa przewaga w nakładających się przedziałach mogłaby się odwrócić przy następnym przebiegu punktacji, nawet gdyby w HeyGen nic się nie zmieniło. Brzmi ono: ile będzie kosztował model po zamknięciu darmowego planu 30 listopada 2026 r.

Możliwe są dwie ścieżki. Konwersja za $4.00 może być ceną w stanie ustalonym celowo taniego modelu głosu natychmiastowego; w takim przypadku kontrolowana tablica ma teraz wpis na czele rankingu, którego cena stanowi jedną piątą mediany dla całej grupy. Albo Turbo Free może być kanałem pozyskiwania użytkowników, a stawka płatna może się zmienić po jego zakończeniu. HeyGen twierdzi, że powiadomi użytkowników przed zmianą oferty, co jest jedynym odnotowanym zobowiązaniem. Dopóki nie istnieje cennik dostawcy, każda cena jest tu domysłem — dobrym, konsekwentnie stosowanym, a jednak domysłem.

Dla zespołów, które już prowadzą pipeline głosowy, praktycznym ruchem w tym tygodniu jest coś małego i taniego: wyrenderuj dwadzieścia własnych kwestii przez heygen-voice-1-turbo-free z natychmiastowym klonem, a te same dwadzieścia wyrenderuj przez to, czego używasz dzisiaj. Arena powiedziała ci, że silniki są blisko siebie na ośmiu referencyjnych głosach. Nie powie ci jednak, czy Turbo radzi sobie z nazwami twoich produktów, twoimi liczbami i pauzami. Jeśli wywołujesz też modele językowe lub jeden z hostowanych modeli mowy w katalogu OrcaRouter, mogą one siedzieć za jednym kluczem z automatycznym przełączaniem awaryjnym, co trzyma eksperyment z dala od twojej ścieżki produkcyjnej — choć sam HeyGen Voice Turbo nie jest tam kierowany, więc test porównawczy musi przejść przez własne API HeyGen.

Historia sukcesji jest ostatecznie najmniej interesującą lekturą. Dostawca poprawiający własny model o siedem punktów Elo w dwanaście dni to zwykły postęp. Dostawca wypuszczający swój najlepszy silnik klonowania głosu za około jedną siódmą ceny katalogowej poprzedniego to zmiana tego, ile może kosztować warstwa głosowa — i to jest zdanie, które trzeba zabrać do rozmowy o budżecie.