HeyGen Voice vs Cartesia Sonic 3.6: Campeão de Voz Clonada Contra o Incumbente Sub-90ms

HeyGen Voice e Cartesia Sonic 3.6 detêm duas reivindicações diferentes de primeiro lugar no Artificial Analysis, e toda a comparação reside na diferença entre elas. HeyGen Voice lidera a arena Controlled Voice com 1.202 Elo — o quadro em que todos os modelos falam as mesmas oito vozes clonadas, quatro dos EUA e quatro do Reino Unido. Cartesia Sonic 3.6 está em quarto lugar na arena Provider Voices, com 1.280 Elo, onde cada fornecedor apresenta as suas próprias vozes nativas, e o próprio site da Cartesia exibe um selo que reivindica um ranking #1 tanto na Speech Arena quanto na classificação Speech to Text, uma alegação exibida pelo fornecedor que a tabela ao vivo do Artificial Analysis atualmente não sustenta na posição de topo. Um motor vence o teste em que a voz é mantida constante, o outro lidera o teste em que o orçamento de produção é real.

Comece por aquilo para que cada modelo está realmente otimizado

O Sonic 3.6 foi criado para ser consumido em fluxo contínuo. A própria página de produto da Cartesia abre com "primeiro áudio em menos de 90ms" — informado pelo fornecedor, não reproduzido — e a mesma página descreve uma API de TTS em tempo real com streaming de primeira classe. Ele cobre 44 idiomas a partir de um único modelo, interpreta subtexto emocional por padrão, aceita sinais não verbais como risadas escritas na transcrição, clona uma voz a partir de cerca de dez segundos de áudio, localiza áudio existente para outros idiomas e aceita dicionários de pronúncia personalizados para termos de domínio e nomes próprios. Todos esses recursos são voltados para o mesmo cliente: algo que responde, rápido, em um idioma que o interlocutor entende.

O HeyGen Voice foi concebido para ser consumido como uma performance. É o motor interno da HeyGen, exposto através da API v3 da empresa, com mais de 300 vozes pré-construídas em dezenas de idiomas e três caminhos para uma voz personalizada — design de voz orientado por descrição, que devolve até três opções classificadas a partir de um prompt limitado a 1.000 caracteres, um clone instantâneo a partir de uma gravação e um clone profissional treinado com vinte minutos ou mais. Os ajustes por pedido abrangem velocidade de 0,5 a 1,5 e tom em ±50 semitons. Nada no material publicado da HeyGen promete qualquer valor de latência.

Essa assimetria é o artigo inteiro. Um modelo publica um número em milissegundos e nenhum preço por caractere; o outro publica um preço e nenhum número de latência.

O placar

• Elo de Voz Controlado (as mesmas 8 vozes clonadas) — Voz HeyGen: 1.202, nº 1 de 42. Sonic 3.6: 1.143, nº 5.

• Elo de Vozes dos Provedores (vozes nativas) — Voz HeyGen: sem classificação, votos insuficientes. Sonic 3.6: 1.280, nº 4 de 96.

• Preço publicado — Sonic 3.6: US$ 49,00 por 1 milhão de caracteres, tabela de preços do fornecedor. HeyGen Voice: US$ 30,00 por 1 milhão de caracteres, conforme a conversão própria da arena do preço em créditos da HeyGen; a própria HeyGen não publica nenhuma tarifa de voz.

• Latência — Sonic 3.6: menos de 90 ms até o primeiro áudio (relatado pelo fornecedor, não reproduzido). HeyGen Voice: nenhum número publicado pelo fornecedor ou medido pela Artificial Analysis.

• Idiomas — Sonic 3.6: 44 de um único modelo. HeyGen Voice: 300+ vozes em "dezenas de idiomas", não enumeradas como uma contagem.

• Caminho de voz personalizada — Sonic 3.6: clone de ~10 segundos. HeyGen Voice: criação de voz a partir de uma descrição de texto, clone instantâneo ou clone profissional treinado com mais de 20 minutos.

A lacuna de Elo, lida corretamente

Uma vantagem de 59 pontos na arena controlada se transforma em uma desvantagem de 137 pontos no ranking de provedores, e a inversão não é uma contradição. O ranking controlado elimina a capacidade de o fornecedor escolher uma voz que o favoreça e pergunta como o motor lida com uma voz que ele não escolheu. O HeyGen Voice vence nesse quesito. O ranking de provedores pergunta o quão boas soam as melhores vozes do próprio fornecedor, o que está mais próximo do que um cliente ouve em uma demonstração de vendas — e o Sonic 3.6 se sai bem lá, em quarto lugar entre noventa e seis, e 38 pontos atrás do Eleven v4 Turbo, o primeiro colocado.

Nenhum dos números é a verdade geral. Se você está clonando uma pessoa específica e precisa que o mecanismo reproduza essa pessoa de forma convincente, o resultado controlado é o melhor preditor, e o HeyGen Voice atualmente lidera. Se você está escolhendo uma voz de uma biblioteca para um agente que precisa soar distinto em escala, o resultado do provedor é o melhor preditor, e o Sonic 3.6 tem uma classificação onde o HeyGen Voice não tem nenhuma.

Vale a pena assinalar, para quem tem dados mais antigos: ambas estas tabelas mudam à medida que os votos se acumulam. No início de 2026, foi noticiado que o Sonic 3.6 liderava destacadamente a tabela de voz controlada; a tabela atual coloca-o em quinto lugar nessa categoria, com 1.143, tendo acima dele HeyGen Voice, Qwen-Audio-3.1-TTS-Plus e dois níveis do Eleven v4. Uma citação de ranking é um registo temporal, não uma propriedade permanente do modelo.

Onde a comparação de preços falha

O preço de US$ 49,00 por milhão de caracteres do Sonic 3.6 é o preço de referência da própria arena, extraído da tarifa de API publicada pelo fornecedor nas configurações padrão. Isso permite calcular uma fatura mensal de áudio na casa dos cinco dígitos antes de você escrever uma linha de código de integração.

O valor da HeyGen é mais modesto, mas existe. A tabela de preços da arena lista o HeyGen Voice a US$ 30,00 por milhão de caracteres — dezenove dólares abaixo do Sonic 3.6 — e esse número é a conversão da Artificial Analysis do preço em créditos da HeyGen, não uma tarifa que a HeyGen publica. A própria página da HeyGen vende créditos (Creator a US$ 29/mês por 600 créditos, Pro a US$ 49 por 1.000, Business a US$ 149 por 1.500) e afirma claramente que o consumo varia conforme o modelo, a duração e a complexidade da geração, sem nunca converter esses créditos em caracteres. Portanto, o modelo que vence o ranking de voz controlada tem um preço bem abaixo do que ocupa a quinta posição, e a diferença é um número derivado que você vai querer confirmar com base no seu próprio texto, em vez de uma tabela de tarifas que você pode auditar.

Isso não é um argumento contra a HeyGen Voice. É um argumento a favor de testá-la no tráfego que você pode se dar ao luxo de medir, porque a única maneira de descobrir o custo real dela no seu pipeline é colocar o seu próprio texto para rodar nela.

Escolhendo entre eles

Escolha o Sonic 3.6 quando a voz tiver de responder. Uma alegação de primeiro áudio abaixo de 90 ms, uma API nativa de streaming, 44 idiomas em um único modelo e — crucialmente — uma tabela de preços publicada fazem dele a escolha de produção de menor risco para agentes conversacionais, IVR e qualquer coisa em que uma pausa seja um bug. Sua classificação de voz controlada em #5 é respeitável, não uma fraqueza, e seu quarto lugar no ranking mais amplo é o sinal independente mais forte que qualquer um dos dois modelos carrega.

Teste o HeyGen Voice primeiro quando a voz precisa performar. Narração, conteúdo de leitura de marca, trabalho de personagem e qualquer projeto em que você esteja clonando um locutor e precise que o clone desse locutor seja a coisa com melhor sonoridade no ar — essa é a tarefa que a arena controlada foi construída para medir, e é a tarefa que o HeyGen Voice acabou de vencer. O caminho de clone profissional treinado em mais de vinte minutos é um produto materialmente diferente de um clone instantâneo de dez segundos, e é o que corresponde às oito vozes de referência clonadas na arena.

Não escolha nenhum dos dois com base num único número Elo. Os dois rankings discordam sobre esses modelos, o que significa que os rankings estão lhe dizendo algo real: a qualidade depende da voz e da carga de trabalho, não apenas do motor.

Executando ambos sem fazer commit

O caminho prático para resolver uma discordância como esta é parar de tratá-la como uma decisão de compras. Coloque os dois motores atrás de uma única interface, divida o tráfego e avalie com o seu próprio áudio — algumas linhas de narração e um loop de agente ao vivo lhe dirão mais do que cinquenta pontos de Elo. O OrcaRouter encaminha ambos por meio de uma única chave de API ao preço de tabela do provedor, sem markup, então a própria tabela de preços do fornecedor é o que você paga, e uma mudança de preço do Sonic 3.6 aparece no mesmo dia, em vez de na renovação. O failover automático importa mais aqui do que na maioria das trocas de modelo, porque um provedor de voz que trava no meio da frase é audível para o chamador, e a DSL de roteamento permite fixar um motor para turnos sensíveis à latência e o outro para narração pré-renderizada sem manter duas integrações.

O que resolveria isso

Duas coisas. Uma tarifa de voz por caractere ou por crédito publicada pela HeyGen tornaria a metade relativa ao custo desta comparação tão concreta quanto a metade relativa à qualidade, e a HeyGen Voice acumular votos suficientes para entrar na arena Provider Voices nos diria se a sua liderança em voz controlada sobrevive ao contacto com vozes nativas — o teste que o Sonic 3.6 já passou, em quarto lugar entre noventa e seis. Até lá, o Sonic 3.6 é o incumbente com um preço e um valor de latência, e a HeyGen Voice é a desafiante com a melhor evidência de voz clonada e nenhum custo para lhe colocar ao lado.