HeyGen Voice Turbo vs. Inworld Realtime TTS-2: A Melhor Voz Clonada Não É a Mais Rápida

Pergunte a ambos os fornecedores pelo número que decide um produto em tempo real, e só um deles responde. A Inworld divulga um dado de primeiro áudio para o Inworld Realtime TTS-2 — chegando a apenas 50 milissegundos na variante Flash, medido no painel da Coval, com o fornecedor alegando primeiro áudio até 3× mais rápido que o ElevenLabs. Já a HeyGen não publica nenhum número de latência para o HeyGen Voice Turbo; sua documentação promete "geração mais rápida" do que o modelo ao lado e para por aí. O que a HeyGen publica é um primeiro lugar no Artificial Analysis Controlled Voice Arena, com 1.202 Elo e um preço tabelado de US$ 4,00 por milhão de caracteres, contra o sétimo lugar do Inworld Realtime TTS-2, com 1.145 e US$ 20,80. Colocações em arenas de voz e preços por caractere que mudam após a publicação são registrados com suas datas e fontes no AI Incident Archive, ao lado dos demais incidentes de modelos e fornecedores que acompanhamos.

Então, os dois modelos não estão disputando a mesma posição. Um é o melhor motor de voz clonada em um ranking de preferência às cegas, com uma questão de latência ainda sem resposta. O outro é um motor em tempo real, com uma latência declarada publicamente e uma pontuação de qualidade cinco posições abaixo. Qual dos dois você quer depende de haver ou não um humano esperando no meio da frase.

As duas placas, e a posição real de cada fabricante

A Artificial Analysis administra os dois rankings de fala, e o par de números importa mais do que cada um isoladamente porque eles medem coisas diferentes: o Controlled Voice Arena mantém constantes oito vozes de referência clonadas e pontua o engine; o Provider Voice Arena permite que cada fornecedor fale com suas próprias vozes nativas e pontua o produto comercializado.

• Elo de Voz Controlado — HeyGen Voice Turbo 1.202 (#1 de 46, ±19, 1.685 amostras). Inworld Realtime TTS-2 1.145 (#7, ±13, 3.161 amostras).

• Elo de Voz do Provedor — HeyGen Voice Turbo não listado. Inworld Realtime TTS-2 1.267 (nº 6 de 98).

• Preço de tabela por 1 milhão de caracteres, conversão da arena — HeyGen Voice Turbo US$ 4,00. Inworld Realtime TTS-2 US$ 20,80, Flash US$ 10,40.

• Tabela de preços do fornecedor — A HeyGen não publica tarifa por caractere para voz; os US$ 4,00 são derivados do preço dos créditos. A Inworld publica US$ 25,00 sob demanda para o Realtime TTS-2 e US$ 15,00 para o Flash, caindo para US$ 20,00 e US$ 10,00 no plano Creator.

• Latência declarada — HeyGen: nenhuma publicada. Inworld: 50 ms até o primeiro áudio para o Flash no Coval; o valor do modelo principal não é declarado na mesma base.

• Cobertura de idiomas — HeyGen: 42 códigos de idioma base para clonagem e fala. Inworld: cerca de 500 idiomas e dialetos para uma voz Realtime TTS-2.

A assimetria na coluna Fornecedor é a que merece atenção. A Inworld aparece nos dois rankings; a HeyGen aparece em um. A Artificial Analysis omite modelos que não têm votos suficientes, então essa ausência não é um sinal de qualidade — mas significa que o produto da Inworld foi avaliado em toda a sua superfície de entrega, enquanto o da HeyGen foi avaliado apenas na condição de voz clonada.

Qualidade: uma diferença de 57 pontos que sobrevive às barras de erro

Cinquenta e sete pontos de Elo é a maior diferença nesta comparação e a menos ambígua. O intervalo do HeyGen Voice Turbo vai de 1.183 a 1.221; o do Inworld Realtime TTS-2 vai de 1.132 a 1.158. Eles não se sobrepõem. Ao contrário da comparação de sete pontos entre HeyGen e HeyGen, em que os dois modelos estão estatisticamente empatados, esta apresenta separação com 95% de confiança.

O que isso traz, precisamente: em oito vozes de referência clonadas, ouvintes cegos preferiram as reproduções do HeyGen Voice Turbo por uma margem que o ranking consegue distinguir. Isso não quer dizer que o catálogo de vozes da própria HeyGen soe melhor que o da Inworld — a HeyGen não tem entrada no ranking de Provedores para fazer essa afirmação —, nem que o Turbo clone melhor, apenas que reproduz melhor um clone fornecido.

O caminho de clonagem da Inworld é aquele que sua pontuação de qualidade é menos capaz de descrever. A clonagem instantânea funciona a partir de três segundos de áudio de referência, e o design de voz funciona a partir de uma descrição escrita; ambos estão incluídos em todos os planos. A arena mede a fala que é produzida, não a fidelidade do clone que foi inserido. Um modelo que obtém 1.145 pontos em um clone que recebeu ainda pode ser a melhor escolha para produzir esse clone a partir de três segundos da voz de um cliente.

Latência: o número que a HeyGen não vai te dar

O posicionamento em tempo real da Inworld é específico e falsificável. O Realtime TTS-2 Flash retorna o primeiro áudio em apenas 50 ms segundo a medição da Coval, até 3× mais rápido que o ElevenLabs a 183 ms e até 35× mais rápido que o GPT-4o mini TTS da OpenAI a 2.056 ms. Essas são medições de terceiros do modelo de um fornecedor, citadas pelo próprio fornecedor — evidência melhor que uma alegação de marketing, mais fraca que uma auditoria independente, e que vale a pena reproduzir na sua própria rede antes de basear sua arquitetura nelas.

A documentação da HeyGen descreve o Turbo como capaz de falar vozes instantâneas “com latência menor” do que a opção padrão, e para por aí. A página de throughput da Artificial Analysis lista um tempo mediano de geração de 7,29 segundos e 122 caracteres por segundo para o modelo, com 5º percentil de 52,7 segundos e 95º percentil de 150 segundos — números que descrevem a síntese da solicitação inteira no equipamento de medição da própria Artificial Analysis, e não o tempo até o primeiro áudio, e essa variação é ampla. Uma mediana de sete segundos é adequada para narração pré-renderizada. Não é uma conversa.

Essa comparação não é uma disputa justa, e não foi feita para ser. O Turbo da HeyGen tem preço e documentação voltados para síntese em volume: 5.000 caracteres por requisição, 30 requisições por minuto, um endpoint WAV síncrono e um stream SSE cujas partes são contêineres WAV completos. O da Inworld é documentado para alternância de turnos: controle de entrega baseado em instruções, 50 sons não verbais renderizados como áudio real e uma promessa de primeiro áudio em dezenas de milissegundos. Se seu produto fala dentro de uma conversa, a HeyGen não publicou o número de que você precisa, e a ausência de um número não é evidência de um modelo lento — é evidência de que este não é o produto que eles estão vendendo para você.

Preço: três níveis de um lado, um valor derivado do outro

Os $4,00 contra $20,80 parecem uma vitória de cinco para um da HeyGen, e é o número menos confiável deste artigo. Trata-se da conversão do preço de créditos da HeyGen feita pela Artificial Analysis, derivada porque a HeyGen não publica quantos caracteres um crédito compra. Os $20,80 da Inworld são a normalização do mesmo painel para uma tarifa que a Inworld publica.

Compare o comparável e o panorama fica mais nítido. A própria escada de preços da Inworld vai de $25,00 sob demanda, $20,00 no plano Creator, $17,50 no Pro, $15,00 no Business e $12,50 no Enterprise, com o Flash a $15,00 até $7,00 nos mesmos níveis, e o fornecedor a anunciar menos de $5 no topo. Aos preços que um cliente comprometido realmente paga, o Realtime TTS-2 situa-se entre $12,50 e $20,00, e o Flash entre $7,00 e $15,00. Face a uma conversão de $4,00, a HeyGen continua mais barata no papel — mas a diferença está mais próxima de dois para um face a um nível com desconto da Inworld do que de cinco para um face ao preço de tabela.

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.

Onde cada modelo deixa de ser a resposta

Recorra ao HeyGen Voice Turbo quando o áudio for pré-renderizado ou quase em tempo real, em vez de conversacional: narração, capítulos de audiolivro, módulos de e-learning, a metade falada de um pipeline de vídeo ou um agente de voz cujos turnos sejam longos o suficiente para que sete segundos de síntese fiquem ocultos atrás de um indicador de pensamento. Seu argumento é uma pontuação de voz clonada em primeiro lugar com a menor taxa derivada do ranking, com 42 idiomas e saída em WAV de 44,1 kHz.

Recorra ao Inworld Realtime TTS-2 quando houver uma pessoa esperando. A promessa de latência, o direcionamento por instruções — envie a direção de entrega como parâmetro da requisição ou entre colchetes no meio da linha —, os 50 não verbais, os ~500 idiomas e o clone em três segundos são todos recursos de um mecanismo criado para diálogo, e nenhuma pontuação de Elo fecha essa lacuna estrutural. O argumento dele também inclui uma classificação no quadro de Providers que o HeyGen não tem, o que importa se o seu produto oferece vozes prontas em vez de clones.

Nenhum dos dois modelos é a resposta se você precisa de um clone profissional com seeds reproduzíveis: a HeyGen restringe o Turbo a vozes públicas e instantâneas, e controles de prosódia como seed, speed e pitch_shift são exclusivos para profissionais nessa API. Os controles equivalentes da Inworld são sua própria camada de instrução e direcionamento, que é um mecanismo diferente com garantias diferentes.

Rodando os dois sem apostar em nenhum deles

A parte incômoda dessa decisão é que os dois candidatos otimizam para condições que você não consegue modelar totalmente a partir de um ranking: o tempo até o primeiro áudio da sua rede, os nomes e números do seu texto, a tolerância dos seus ouvintes a uma pausa. O jeito barato de responder a isso é colocar os dois atrás de uma única interface e dividir o tráfego — uma pequena parcela para o desafiante, failover automático para o incumbente quando uma requisição falha ou um limite de taxa é acionado.

É para esse formato que a camada de roteamento do OrcaRouter foi criada, e é o motivo honesto para mencioná-la aqui: uma única chave para mais de 200 modelos, preço de tabela do provedor repassado sem markup, e failover que transforma um 429 de um nível gratuito de capacidade compartilhada em uma nova tentativa em vez de um momento de silêncio no ar. O HeyGen Voice Turbo não está nesse catálogo hoje, então uma divisão genuína entre HeyGen e Inworld ainda significa duas integrações — mas a metade do argumento sobre failover se mantém independentemente do modelo pelo qual você acabar padronizando.

O que os rankings definem é mais limitado do que eles aparentam. O HeyGen Voice Turbo é o motor de voz clonada superior, por uma margem que as estatísticas respaldam, a um preço que provavelmente é o mais baixo da categoria de ponta. O Inworld Realtime TTS-2 é o único dos dois que lhe disse quão rápido começa a falar, e, para um produto conversacional, essa única pergunta sem resposta supera cinquenta e sete pontos de Elo.