HeyGen Voice Turbo vs Inworld Realtime TTS-2: Najlepszy sklonowany głos nie jest najszybszym

Zapytaj obu dostawców o liczbę, która decyduje o produkcie czasu rzeczywistego, a odpowie tylko jeden z nich. Inworld publikuje wartość czasu do pierwszego audio dla Inworld Realtime TTS-2 — już od 50 milisekund w modelu Flash, zmierzoną na benchmarku Coval, przy czym dostawca twierdzi, że pierwsze audio pojawia się do 3× szybciej niż w ElevenLabs. HeyGen nie publikuje żadnej wartości opóźnienia dla HeyGen Voice Turbo; jego dokumentacja obiecuje „szybsze generowanie” niż model, obok którego stoi, i na tym poprzestaje. To, co HeyGen publikuje, to pierwsze miejsce w Artificial Analysis Controlled Voice Arena z wynikiem 1 202 Elo oraz podana cena 4,00 USD za milion znaków, w porównaniu z siódmym miejscem Inworld Realtime TTS-2 przy 1 145 i 20,80 USD. Miejsca w voice-arenie i ceny za znak, które zmieniają się po publikacji, są rejestrowane wraz z datami i źródłami w AI Incident Archive, obok innych incydentów dotyczących modeli i dostawców, którym się przyglądamy.

Zatem te dwa modele nie konkurują o to samo miejsce. Jeden to najlepszy silnik klonowania głosu w rankingu opartym na preferencjach z testów ślepych, z nierozstrzygniętym pytaniem o opóźnienie. Drugi to silnik czasu rzeczywistego z opublikowanym zapewnieniem o opóźnieniu i oceną jakości o pięć pozycji niższą. To, który wybierzesz, zależy od tego, czy człowiek czeka w połowie zdania.

Dwie płyty — i jaka jest rzeczywista pozycja każdego z producentów

Artificial Analysis prowadzi oba rankingi mowy, a ta para liczb znaczy więcej niż każda z nich osobno, ponieważ mierzą różne rzeczy: Controlled Voice Arena utrzymuje stałe osiem sklonowanych głosów referencyjnych i ocenia silnik; Provider Voice Arena pozwala każdemu dostawcy mówić własnymi natywnymi głosami i ocenia gotowy produkt.

• Elo kontrolowanego głosu — HeyGen Voice Turbo 1 202 (nr 1 z 46, ±19, 1 685 próbek). Inworld Realtime TTS-2 1 145 (nr 7 z 46, ±13, 3 161 próbek).

Elo głosu dostawcy — HeyGen Voice Turbo nie znajduje się na liście. Inworld Realtime TTS-2 1267 (nr 6 z 98).

• Cena katalogowa za 1 mln znaków, przeliczenie arena — HeyGen Voice Turbo 4,00 USD. Inworld Realtime TTS-2 20,80 USD, Flash 10,40 USD.

• Cennik dostawców — HeyGen nie publikuje stawki za znak dla głosu; 4,00 USD wynika z cennika kredytów. Inworld publikuje 25,00 USD w trybie na żądanie dla Realtime TTS-2 i 15,00 USD dla Flash, które spadają do 20,00 USD i 10,00 USD w planie Creator.

• Deklarowane opóźnienie — HeyGen: brak publikowanych danych. Inworld: 50 ms do pierwszego dźwięku w przypadku Flash na Coval; wartości dla modelu flagowego nie podano na tej samej podstawie.

• Zakres językowy — HeyGen: 42 podstawowe kody języków do klonowania i mowy. Inworld: około 500 języków i dialektów dla jednego głosu Realtime TTS-2.

Asymetria w kolumnie Provider jest tym, na co warto zwrócić uwagę. Inworld jest uwzględniony w rankingach obu tablic; HeyGen tylko w jednej. Artificial Analysis pomija modele, którym brakuje wystarczającej liczby głosów, więc ta nieobecność nie jest sygnałem jakości — oznacza jednak, że produkt Inworld został oceniony w całym zakresie funkcji dostępnych w ofercie, a produkt HeyGen został oceniony tylko w wariancie z klonowanym głosem.

Jakość: 57-punktowa różnica, która utrzymuje się mimo marginesu błędu

Pięćdziesiąt siedem punktów Elo to największa różnica w tym porównaniu i najmniej niejednoznaczna. Przedział HeyGen Voice Turbo wynosi od 1183 do 1221; przedział Inworld Realtime TTS-2 wynosi od 1132 do 1158. Nie pokrywają się. W przeciwieństwie do siedmiopunktowego porównania HeyGen z HeyGen, gdzie oba modele są statystycznie nierozróżnialne, tutaj mamy rozdzielenie na poziomie 95% ufności.

Co to konkretnie daje: na ośmiu sklonowanych głosach referencyjnych słuchacze w ślepym teście preferowali wersje HeyGen Voice Turbo z przewagą, którą tablica jest w stanie rozstrzygnąć. Nie oznacza to, że własny katalog głosów HeyGen brzmi lepiej niż katalog Inworld — HeyGen nie ma wpisu w tablicy Provider, by móc to twierdzić — i nie oznacza, że Turbo lepiej klonuje, tylko że lepiej odtwarza dostarczony klon.

Ścieżka klonowania Inworld to ta, którą jej ocena jakości opisuje najsłabiej. Klonowanie natychmiastowe działa na podstawie trzech sekund audio referencyjnego, a projektowanie głosu — na podstawie opisu tekstowego; oba są dostępne w każdym planie. Arena mierzy mowę, która wychodzi, a nie wierność klona, który został dostarczony. Model, który uzyskuje 1,145 punktów na klonie, który mu przekazano, może wciąż być lepszym wyborem do wytworzenia tego klona z trzech sekund głosu klienta.

Opóźnienie: liczba, której HeyGen ci nie poda

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.

Dokumentacja HeyGen opisuje Turbo jako odtwarzające natychmiastowe głosy „z niższą latencją” niż domyślne i na tym się kończy. Strona przepustowości Artificial Analysis podaje medianę czasu generowania wynoszącą 7,29 sekundy i 122 znaki na sekundę dla tego modelu, przy 5. percentylu 52,7 sekundy i 95. percentylu 150 sekund — liczby te opisują syntezę całego żądania na jej stanowisku pomiarowym, a nie czas do pierwszego dźwięku, a rozrzut jest szeroki. Mediana siedmiu sekund jest w porządku w przypadku wstępnie renderowanej narracji. To nie jest rozmowa.

To porównanie nie jest uczciwą walką i nie ma nią być. Turbo od HeyGen jest wycenione i udokumentowane pod kątem syntezy masowej: 5 000 znaków na żądanie, 30 żądań na minutę, synchroniczny endpoint WAV oraz strumień SSE, którego części są kompletnymi kontenerami WAV. Rozwiązanie Inworld jest udokumentowane pod kątem naprzemiennego zabierania głosu w rozmowie: sterowanie sposobem wypowiedzi oparte na instrukcjach, 50 dźwięków niewerbalnych renderowanych jako rzeczywiste audio oraz deklaracja pierwszego dźwięku w dziesiątkach milisekund. Jeśli Twój produkt odzywa się w rozmowie, HeyGen nie opublikował liczby, której potrzebujesz, a brak liczby nie jest dowodem na wolny model — jest dowodem, że to nie jest produkt, który Ci sprzedają.

Cena: trzy szczeble po jednej stronie, jedna wyliczona wartość po drugiej

$4.00 w porównaniu z $20.80 wygląda jak zwycięstwo HeyGen w stosunku pięć do jednego, ale jest to najmniej wiarygodna liczba w tym artykule. To przeliczenie cen kredytów HeyGen dokonane przez Artificial Analysis, wyliczone, ponieważ HeyGen nie publikuje, ile znaków można kupić za jeden kredyt. $20.80 Inworld to normalizacja przez tę samą tablicę stawki, którą Inworld publikuje.

Porównując porównywalne, obraz się zawęża. Własna drabina cenowa Inworld wynosi 25,00 USD w trybie na żądanie, 20,00 USD w planie Creator, 17,50 USD w planie Pro, 15,00 USD w planie Business i 12,50 USD w planie Enterprise, a Flash od 15,00 USD do 7,00 USD w tych samych progach, przy czym dostawca reklamuje poniżej 5 USD na najwyższym poziomie. Przy stawkach, które zaangażowany klient faktycznie płaci, Realtime TTS-2 plasuje się między 12,50 a 20,00 USD, a Flash między 7,00 a 15,00 USD. W porównaniu z konwersją za 4,00 USD HeyGen nadal jest tańszy na papierze — ale różnica jest bliższa dwa do jednego wobec objętego rabatem poziomu Inworld niż pięć do jednego wobec ceny katalogowej.

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.

Gdzie każdy model przestaje być odpowiedzią

Sięgaj po HeyGen Voice Turbo, gdy audio jest wstępnie renderowane lub odtwarzane w czasie niemal rzeczywistym, a nie konwersacyjnie: narracja, rozdziały audiobooków, moduły e-learningowe, mówiona połowa procesu przetwarzania wideo lub agent głosowy, którego tury są tak długie, że siedem sekund syntezy ukrywa się za wskaźnikiem myślenia. Jego mocnym argumentem jest pierwsze miejsce w ocenie sklonowanego głosu przy najniższej wyliczonej stawce w rankingu, z 42 językami i wyjściem WAV 44,1 kHz.

Sięgaj po Inworld Realtime TTS-2, gdy człowiek czeka. Deklarowana latencja, sterowanie instrukcjami — wskazówki dotyczące sposobu wypowiedzi przekazujesz jako parametr żądania lub w nawiasach w środku wiersza — 50 dźwięków niewerbalnych, ok. 500 języków i klonowanie w trzy sekundy to wszystko cechy silnika stworzonego do dialogu, a żadna wartość Elo nie zasypie tej strukturalnej luki. W jego argumentacji jest też pozycja na tablicy Providerów, której HeyGen nie ma, co ma znaczenie, jeśli Twój produkt dostarcza gotowe głosy zamiast klonów.

Żaden z tych modeli nie jest rozwiązaniem, jeśli potrzebujesz profesjonalnego klonu z odtwarzalnymi seedami: HeyGen ogranicza Turbo do głosów publicznych i Instant, a kontrolki prozodii, takie jak seed, speed i pitch_shift, są dostępne wyłącznie dla profesjonalistów w tym API. Równoważne kontrolki Inworld to jego własna warstwa instrukcji i sterowania, która jest innym mechanizmem o innych gwarancjach.

Prowadzenie obu bez obstawiania żadnego

Kłopotliwa część tej decyzji polega na tym, że obaj kandydaci optymalizują pod kątem warunków, których nie można w pełni odwzorować na podstawie rankingu: czasu do pierwszego dźwięku w Twojej sieci, nazw i liczb w Twoim tekście, tolerancji Twoich słuchaczy na pauzę. Tanim sposobem na odpowiedź jest umieszczenie obu za jednym interfejsem i rozdzielenie ruchu — niewielka część do nowego wariantu, automatyczne przełączenie awaryjne do dotychczasowego, gdy żądanie zawiedzie lub zadziała limit szybkości.

To jest ten kształt, dla którego zbudowano warstwę routingu OrcaRouter, i to jest uczciwy powód, by wspomnieć o tym tutaj: jeden klucz do ponad 200 modeli, cena katalogowa dostawcy przekazywana bez marży, oraz mechanizm awaryjnego przełączania, który zamienia 429 z darmowego planu o współdzielonej przepustowości w ponowną próbę zamiast momentu ciszy. HeyGen Voice Turbo nie ma dziś w tym katalogu, więc prawdziwy wybór między HeyGen a Inworld nadal oznacza dwie integracje — ale połowa argumentu dotycząca przełączania awaryjnego pozostaje aktualna niezależnie od tego, który model ostatecznie obierzesz jako standard.

To, co rozstrzygają rankingi, jest węższe, niż się wydaje. HeyGen Voice Turbo jest lepszym silnikiem klonowania głosu o przewagę, którą potwierdzają statystyki, w cenie prawdopodobnie najniższej w najwyższej klasie. Inworld Realtime TTS-2 jako jedyny z tych dwóch ujawnił, jak szybko zaczyna mówić, a w przypadku produktu konwersacyjnego ta jedna nieodpowiedziana kwestia waży więcej niż pięćdziesiąt siedem punktów Elo.