GPT-Live-1 vs HeyGen Voice: две платы, две задачи и один API, который уже связывает их в пару

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.

Что каждый из них на самом деле из себя представляет

HeyGen Voice — это собственная модель синтеза речи HeyGen, встроенная в API v3, которое также предоставляет рендеринг видео и аватаров. Опубликованы два ID моделей — heygen-voice-1, охватывающий мгновенные и профессиональные клоны, и heygen-voice-1-turbo, тот же движок, ограниченный мгновенными клонами с меньшей задержкой. Внутри движок называется orca, и именно это значение вы используете для фильтрации в запросе voices. Он принимает текст и возвращает аудио в формате WAV 44,1 кГц, моно — либо как одиночный запрос (POST /v3/models/audio/tts), либо как поток server-sent events с частями WAV в base64 и необязательными событиями выравнивания символов (POST /v3/models/audio/tts/stream). Он ничего не слышит.

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.

Результат в таблице лидеров и граница вокруг него

Artificial Analysis ведёт две речевые таблицы, и они отвечают на разные вопросы. Арена Provider Voice позволяет каждому поставщику представить собственные выбранные голоса — отшлифованные демонстрационные голоса, которые компания выбирает, чтобы представлять себя, — и ранжирует их по тому, насколько хорошо они звучат. Арена Controlled Voice подставляет фиксированный набор из восьми клонированных эталонных голосов, четырёх из США и четырёх из Великобритании, так что каждый движок произносит одни и те же слова одним и тем же голосом в одинаковых условиях. Это самое близкое к сопоставимому тестированию движков, что есть в индустрии, и именно эта таблица имеет значение, если вы планируете клонировать голос и передать его TTS-модели.

HeyGen Voice лидирует. Согласно снимку за октябрь 2026 года:

• 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."

Отсутствие в более широком рейтинге не является сигналом качества. Artificial Analysis отмечает, что записи могут быть скрыты из-за недостаточного количества голосов, а модель, которой всего несколько недель и за которой стоит лишь одна арена с иным способом оценки, не накопила того количества оценок слепых слушателей, которое требуется для рейтинга из более чем девяноста моделей. Правильная интерпретация — узкая и полезная: HeyGen Voice в настоящее время — движок с наивысшим баллом в контролируемом сравнении клонированных голосов и неизвестная величина на фоне более широкого поля. Тот, кто цитирует «лучшую в мире модель TTS», опираясь на эту цифру, ссылается на меньший рейтинг, чем подразумевает цитируемое предложение.

Что HeyGen даёт вам для создания

Движок более гибок, чем предполагает ярлык «TTS-модель», и три детали важны для тех, кто выбирает между этими двумя продуктами.

• Выбор движка для каждого голоса. GET /v3/voices — вызов принимает фильтр движка, значения которого включают orca для HeyGen Voice, starfish, а также сквозную передачу к голосам ElevenLabs. HeyGen не заставляет вас использовать собственную модель — она страхуется, в самом буквальном смысле, позволяя направлять запросы к движку конкурента через свой собственный API. Всем, кто читает 1 198 Elo как «голос HeyGen — лучший», стоит учесть, что это описывает один из трёх путей, предлагаемых одной и той же конечной точкой.

• Клонирование в двух режимах. Instant Clone берёт одну запись, использует первые три минуты, не может быть переобучен и документирован как бесплатный во время предварительного просмотра. Professional Clone обучается на одной–десяти записях общей длительностью более двадцати минут, возвращает 202 Accepted и опрашивает до активного состояния, может быть переобучен и занимает купленный слот. Регулятор схожести работает в диапазоне от одного до четырёх, усиление выразительности от 0.0 до 1.0 применяется только к мгновенным голосам, а теги break длительностью до пяти секунд доступны на профессиональном уровне.

• Воспроизводимый дизайн голоса. POST /v3/voices генерирует до трёх ранжированных кандидатов из описания длиной не более 1 000 символов, с опциональным фильтром по полу, опциональной локалью BCP-47 и seed — и HeyGen утверждает, что один и тот же промпт вместе с одним и тем же seed всегда возвращает одни и те же голоса. Текст речи ограничен 5 000 символов, а эндпоинт поддерживает 30 запросов в минуту на тарифе pay-as-you-go и 120 на Enterprise.

• Языковое покрытие из 39 базовых кодов как для клонирования, так и для речи, при этом региональные теги приводятся к своему базовому коду, а не переключают акцент. Показатель «175+ языков и диалектов» уровня платформы, фигурирующий на маркетинговых страницах HeyGen, не является покрытием этой модели.

Одно практическое предупреждение насчёт того списка языков: некоторые региональные локали, которые принимают движки аватаров, не выбирают региональный акцент в голосовом движке. Если ваш продукт локализуется, протестируйте нужную вам локаль, а не предполагайте, что тег сработает.

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.

На стыке двух систем: делегирование и его цена

Обе стороны теперь предлагают полноценный цикл диалога, и обе помещают механизм рассуждений туда, где вы можете им управлять.

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.

Как принять решение на этой неделе

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.

Чего не стоит делать — так это ссылаться на «первое место в Artificial Analysis» так, будто это решило вопрос выбора разговорного продукта. Оно решило вопрос рендеринга на восьми клонированных голосах. А другой вопрос на той площадке вообще не задавался.

Ничего из этого не гипотетично: задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, класс уверенности и флаг оспаривания.