HeyGen Voice Turbo vs Inworld Realtime TTS-2: лучший клонированный голос — не самый быстрый

Спросите обоих вендоров о цифре, которая решает судьбу продукта реального времени, и ответит только один из них. Inworld публикует показатель времени до первого аудио для Inworld Realtime TTS-2 — всего 50 миллисекунд на Flash-варианте, по замерам на стенде Coval, причём вендор заявляет, что первое аудио появляется до 3 раз быстрее, чем у ElevenLabs. HeyGen вообще не публикует показатель задержки для HeyGen Voice Turbo; в его документации обещана «более быстрая генерация», чем у модели, рядом с которой он стоит, и на этом всё. А вот что HeyGen действительно публикует — это первое место на Artificial Analysis Controlled Voice Arena с 1 202 Elo и указанную цену $4.00 за миллион символов против седьмого места Inworld Realtime TTS-2 с результатом 1 145 и $20.80. Позиции на голосовой арене и цены за символ, которые меняются после публикации, фиксируются с датами и источниками в AI Incident Archive, наряду с другими инцидентами с моделями и вендорами, за которыми мы следим.

Итак, эти две модели не конкурируют за одно и то же место. Одна — лучший движок клонированного голоса в таблице слепых предпочтений, но с нерешённым вопросом задержки. Другая — движок реального времени с заявленной задержкой и оценкой качества на пять позиций ниже. Какую выбрать, зависит от того, ждёт ли человек посреди предложения.

Две платы и реальные позиции каждого поставщика

Artificial Analysis ведёт обе голосовые таблицы, и пара чисел важнее каждого из них по отдельности, поскольку они измеряют разные вещи: Controlled Voice Arena фиксирует восемь клонированных эталонных голосов и оценивает движок; Provider Voice Arena позволяет каждому поставщику говорить своими собственными голосами и оценивает готовый продукт.

• Контролируемый Voice Elo — HeyGen Voice Turbo 1 202 (№1 из 46, ±19, 1 685 образцов). Inworld Realtime TTS-2 1 145 (№7, ±13, 3 161 образец).

• Elo голосов провайдеров — HeyGen Voice Turbo не указан. Inworld Realtime TTS-2 1 267 (#6 из 98).

• Указанная цена за 1 млн символов, пересчёт по арене — HeyGen Voice Turbo $4.00. Inworld Realtime TTS-2 $20.80, Flash $10.40.

• Тарифная карта поставщика — HeyGen не публикует тариф на голосовую озвучку за символ; сумма $4.00 получена из ценообразования на основе кредитов. Inworld публикует цену $25.00 по запросу для Realtime TTS-2 и $15.00 для Flash, которая снижается до $20.00 и $10.00 в плане Creator.

• Заявленная задержка — HeyGen: не опубликована. Inworld: 50 мс до первого аудио для Flash на Coval; показатель флагманской модели не указан на той же основе.

• Языковой охват — HeyGen: 42 базовых языковых кода для клонирования и речи. Inworld: около 500 языков и диалектов для одного голоса Realtime TTS-2.

Асимметрия в столбце Provider — это то, на что стоит обратить внимание. Inworld присутствует в обоих рейтингах; HeyGen — только в одном. Artificial Analysis не включает модели, которым не хватает голосов, поэтому такое отсутствие не является сигналом качества — но оно означает, что продукт Inworld был оценён по всем своим выпущенным продуктам, а продукт HeyGen — только в сценарии с клонированным голосом.

Качество: разрыв в 57 пунктов, который сохраняется с учётом погрешностей

Пятьдесят семь пунктов Elo — это наибольший разрыв в этом сравнении и наименее неоднозначный. Интервал HeyGen Voice Turbo составляет от 1 183 до 1 221; интервал Inworld Realtime TTS-2 — от 1 132 до 1 158. Они не пересекаются. В отличие от сравнения HeyGen с HeyGen с разницей в семь пунктов, где две модели статистически равны, здесь есть разделение при 95% уровне доверия.

Что именно это даёт: на восьми клонированных эталонных голосах слепые слушатели предпочитали версии HeyGen Voice Turbo с отрывом, который таблица может зафиксировать. Это не говорит о том, что собственный каталог голосов HeyGen звучит лучше, чем у Inworld, — у HeyGen нет записи в таблице провайдеров, чтобы делать такое заявление, — и это не говорит, что Turbo клонирует лучше, только что он лучше озвучивает предоставленный клон.

Путь клонирования Inworld — именно то, что его оценка качества способна описать в наименьшей степени. Мгновенное клонирование работает по трём секундам эталонного аудио, а дизайн голоса — по письменному описанию; и то, и другое включено в каждый тарифный план. Арена измеряет речь на выходе, а не точность клона на входе. Модель, набирающая 1,145 на клоне, который ей предоставили, всё ещё может быть лучшим выбором для создания этого клона из трёх секунд голоса клиента.

Задержка: цифра, которую HeyGen вам не назовёт

Позиционирование Inworld в сегменте realtime конкретно и опровержимо. Realtime TTS-2 Flash по измерению Coval возвращает первый аудиофрагмент всего за 50 мс — до 3 раз быстрее, чем ElevenLabs с 183 мс, и до 35 раз быстрее, чем GPT-4o mini TTS от OpenAI с 2,056 мс. Это сторонние измерения модели поставщика, процитированные самим поставщиком: доказательство сильнее маркетингового заявления, но слабее независимого аудита, и их стоит воспроизвести в собственной сети, прежде чем проектировать архитектуру с расчётом на них.

{{1}}Документация HeyGen{{/1}} описывает {{2}}Turbo{{/2}} как модель, которая озвучивает мгновенные голоса «с меньшей задержкой», чем голос по умолчанию, и на этом всё. {{3}}Страница пропускной способности Artificial Analysis{{/3}} указывает для модели медианное время генерации 7,29 секунды и 122 символа в секунду, при этом 5-й процентиль составляет 52,7 секунды, а 95-й — 150 секунд. Эти цифры описывают синтез целого запроса на их измерительном стенде, а не время до первого аудио, и разброс очень велик. Медиана в семь секунд подходит для предварительно отрендеренного озвучивания. Но это не разговор.

Это сравнение не на равных, и таким оно и не задумывалось. Ценообразование и документация Turbo от HeyGen ориентированы на синтез больших объёмов: 5 000 символов на запрос, 30 запросов в минуту, синхронный WAV-эндпоинт и SSE-поток, части которого представляют собой полные WAV-контейнеры. Решение Inworld документировано для чередования реплик: управление подачей на основе инструкций, 50 невербальных звуков, отрендеренных как реальное аудио, и заявленное время до первого аудио в десятки миллисекунд. Если ваш продукт произносит речь в ходе разговора, HeyGen не опубликовал нужный вам показатель, и отсутствие показателя — не доказательство медленной модели; это доказательство того, что они продают вам не этот продукт.

Цена: три ступени с одной стороны, одна расчётная величина с другой.

$4.00 против $20.80 выглядят как победа HeyGen со счётом пять к одному, и это самое ненадёжное число в этой статье. Это пересчёт цены кредитов HeyGen, выполненный Artificial Analysis, полученный потому, что HeyGen не публикует, сколько символов можно получить за кредит. $20.80 у Inworld — это нормализация того же рейтинга для тарифа, который Inworld публикует.

Сравните сопоставимое с сопоставимым — и картина сузится. Собственная тарифная сетка Inworld выглядит так: $25.00 по запросу, $20.00 на тарифе Creator, $17.50 на Pro, $15.00 на Business и $12.50 на Enterprise; при этом Flash — от $15.00 до $7.00 в тех же тарифах, а вендор рекламирует цену ниже $5 на верхнем уровне. По ставкам, которые фактически платит постоянный клиент, Realtime TTS-2 оказывается между $12.50 и $20.00, а Flash — между $7.00 и $15.00. При цене $4.00 за преобразование HeyGen всё ещё дешевле на бумаге — но разрыв ближе к соотношению два к одному на фоне скидочного тарифа Inworld, чем пять к одному относительно прайс-листа.

Есть вторая ступень, которая ничего не стоит. У HeyGenheygen-voice-1-turbo-free — тариф, который предоставляет публичные голоса и мгновенные клоны без баланса кредитов до 30 ноября 2026 года, на общих мощностях, без гарантий и с документированной склонностью возвращать ошибку 429 при нагрузке. Inworld предлагает до 70 минут бесплатного TTS в рамках тарифа On-Demand. Обоих достаточно, чтобы провести реальное сравнение; ни одного из них недостаточно, чтобы запустить продукт.

Где каждая модель перестаёт быть ответом

Используйте HeyGen Voice Turbo, когда аудио предварительно рендерится или работает почти в реальном времени, а не в разговорном режиме: озвучивание, главы аудиокниг, модули электронного обучения, звуковая половина видеоконвейера или голосовой агент, реплики которого достаточно длинные, чтобы семь секунд синтеза скрывались за индикатором обдумывания. Его аргумент — первое место по оценке клонированного голоса при самой низкой расчётной ставке в таблице, с 42 языками и выводом WAV 44,1 кГц.

Выбирайте Inworld Realtime TTS-2, когда человек ждёт. Заявленная задержка, управление инструкциями — передавайте указания по подаче как параметр запроса или в квадратных скобках посреди строки — 50 невербальных сигналов, ~500 языков и клонирование за три секунды — всё это возможности движка, созданного для диалога, и никакое значение Elo не закрывает этот структурный разрыв. В его пользу также говорит место в рейтинге провайдеров, которого нет у HeyGen, — это важно, если ваш продукт поставляет стандартные голоса, а не клоны.

Ни одна из моделей не является решением, если вам нужен профессиональный клон с воспроизводимыми значениями seed: HeyGen ограничивает Turbo публичными и мгновенными голосами, а такие параметры просодии, как seed, speed и pitch_shift, доступны только в профессиональном тарифе этого API. Эквивалентные средства управления Inworld — это собственный слой инструкций и управления, который представляет собой иной механизм с другими гарантиями.

Запускать оба, не делая ставку ни на один из них

Неудобство этого решения в том, что два кандидата оптимизированы под условия, которые нельзя полностью смоделировать по таблице лидеров: время до первого аудио в вашей сети, имена и числа в вашем тексте, терпимость ваших слушателей к паузе. Дешёвый способ ответить на этот вопрос — поставить обоих за один интерфейс и разделить трафик: небольшую долю — претенденту, автоматическое переключение на текущего провайдера при сбое запроса или срабатывании лимита запросов.

Именно для такой схемы создан слой маршрутизации OrcaRouter, и это честная причина упомянуть его здесь: один ключ для 200+ моделей, цена из прайс-листа провайдера передаётся без наценки, и отказоустойчивое переключение, которое превращает 429 из бесплатного тарифа с общими ресурсами в повторную попытку а не в момент мёртвой тишины. HeyGen Voice Turbo сегодня нет в этом каталоге, поэтому настоящий выбор между HeyGen и Inworld всё равно означает две интеграции — но часть аргумента про отказоустойчивость остаётся верной независимо от того, на какой модели вы в итоге остановитесь.

То, что решают таблицы лидеров, уже, чем кажется. HeyGen Voice Turbo — лучший движок клонирования голоса с перевесом, который подтверждает статистика, по цене, вероятно, самой низкой в верхнем сегменте. Inworld Realtime TTS-2 — единственный из двух, который сообщил вам, как быстро он начинает говорить, и для разговорного продукта этот единственный неотвеченный вопрос важнее пятидесяти семи очков Elo.