GPT-Live-1 vs HeyGen Voice: Dois quadros, duas funções e uma API que já os emparelha

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.

O que cada um realmente é

O HeyGen Voice é o modelo de texto-para-fala interno da HeyGen, inserido numa API v3 que também expõe renderização de vídeo e avatar. Dois IDs de modelo são publicados — heygen-voice-1, que abrange clones instantâneos e profissionais, e heygen-voice-1-turbo, o mesmo motor restrito a clones instantâneos com menor latência. Internamente, o motor chama-se orca, que é o valor pelo qual se filtra numa consulta de vozes. Recebe texto e devolve áudio em WAV mono a 44,1 kHz, quer como pedido único (POST /v3/models/audio/tts) quer como fluxo de eventos enviados pelo servidor com partes WAV em base64 e eventos opcionais de alinhamento de caracteres (POST /v3/models/audio/tts/stream). Não ouve nada.

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.

O resultado da tabela de classificação, e o limite ao seu redor

A Artificial Analysis mantém dois painéis de fala que respondem a perguntas diferentes. A arena Provider Voice permite que cada fornecedor envie suas próprias vozes escolhidas — as vozes de demonstração refinadas que uma empresa seleciona para se representar — e as classifica com base em quão boas elas soam. A arena Controlled Voice substitui por um conjunto fixo de oito vozes de referência clonadas, quatro dos EUA e quatro do Reino Unido, para que todos os motores digam as mesmas palavras na mesma voz sob as mesmas condições. É a coisa mais próxima que a indústria tem de um teste de motor em condições iguais, e é o painel que importa se você planeja clonar uma voz e entregá-la a um modelo TTS.

HeyGen Voice lidera. Da captura de outubro de 2026:

• 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."

Essa ausência do ranking mais amplo não é um sinal de qualidade. A Artificial Analysis observa que entradas podem ser omitidas por votos insuficientes, e um modelo com poucas semanas de vida e apenas uma arena com pontuação diferente no seu histórico ainda não acumulou o volume de ouvintes cegos que o ranking de mais de noventa modelos exige. A leitura correta é restrita e útil: HeyGen Voice é atualmente o motor com melhor pontuação na comparação controlada de vozes clonadas, e uma incógnita diante do campo mais amplo. Quem cita "o melhor modelo de TTS do mundo" a partir desse número está citando um ranking menor do que a frase sugere.

O que a HeyGen oferece para você construir

O mecanismo é mais flexível do que o rótulo "modelo de TTS" sugere, e três detalhes são importantes para quem está escolhendo entre estes dois produtos.

• Seleção de engine por voz. Uma GET /v3/voices chamada aceita um filtro de engine cujos valores incluem orca para HeyGen Voice, starfish, e um encaminhamento para vozes da ElevenLabs. A HeyGen não obriga você a usar o próprio modelo dela — ela se protege, no sentido mais literal, ao permitir que você encaminhe para o engine de um concorrente por meio da própria API. Quem lê o Elo de 1.198 como "a voz da HeyGen é a melhor" deve observar que isso descreve um de três caminhos que o mesmo endpoint oferece.

• Clonagem em dois modos. O Instant Clone usa uma gravação, utiliza os primeiros três minutos, não pode ser retreinado e está documentado como gratuito durante a prévia. O Professional Clone treina com uma a dez gravações, totalizando mais de vinte minutos, retorna 202 Accepted e faz polling até ficar ativo, pode ser retreinado e ocupa um slot adquirido. Um controle de similaridade varia de um a quatro, um aumento de expressividade de 0,0 a 1,0 se aplica apenas a vozes instantâneas, e tags de pausa de até cinco segundos estão disponíveis no nível profissional.

• Design de voz reproduzível. POST /v3/voices gera até três candidatos classificados a partir de uma descrição limitada a 1.000 caracteres, com um filtro de gênero opcional, um locale BCP-47 opcional e uma seed — e a HeyGen documenta que o mesmo prompt com a mesma seed sempre retorna as mesmas vozes. O texto de fala é limitado a 5.000 caracteres e o endpoint roda a 30 requisições por minuto no pay-as-you-go, 120 no Enterprise.

Cobertura de idiomas de 39 códigos base tanto para clonagem quanto para fala, com tags regionais resolvendo para sua base em vez de trocar o sotaque. O número "175+ idiomas e dialetos" em nível de plataforma que circula nas páginas de marketing da HeyGen não é a cobertura deste modelo.

Um aviso prático sobre essa lista de idiomas: vários locales regionais que os motores de avatar aceitam não selecionam um sotaque regional no motor de voz. Se o seu produto faz localização, teste o locale de que precisa em vez de presumir que a tag traz isso.

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.

Onde os dois sistemas se encontram: delegação, e o que ela custa

Ambos os lados agora oferecem um ciclo conversacional completo, e ambos colocam o raciocinador em um lugar que você pode controlar.

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.

Como decidir esta semana

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.

O que não se deve fazer é citar "primeiro lugar no Artificial Analysis" como se isso tivesse resolvido a decisão de um produto de conversação. Isso resolveu uma questão de renderização em oito vozes clonadas. A outra pergunta não foi feita naquele painel de forma alguma.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.