HeyGen Voice против Cartesia Sonic 3.6: чемпион по клонированию голоса против действующего лидера с задержкой менее 90 мс

HeyGen Voice и Cartesia Sonic 3.6 заявляют о двух разных первых местах в Artificial Analysis, и всё сравнение заключено в разрыве между ними. HeyGen Voice возглавляет арену Controlled Voice с 1 202 Elo — таблицу, где все модели говорят одними и теми же восемью клонированными голосами: четыре из США и четыре из Великобритании. Cartesia Sonic 3.6 занимает четвёртое место на арене Provider Voices с 1 280 Elo, где каждый вендор предоставляет собственные нативные голоса, а на сайте самой Cartesia есть значок, заявляющий о рейтинге №1 и в Speech Arena, и в таблице лидеров Speech to Text, — заявление, демонстрируемое вендором, которое текущая таблица Artificial Analysis в верхней позиции сейчас не подтверждает. Один движок побеждает в тесте, где голос остаётся неизменным, другой лидирует в тесте, где производственный бюджет реален.

Начните с того, для чего на самом деле оптимизирована каждая модель

Sonic 3.6 создан для использования в потоковом режиме. На собственной странице продукта Cartesia на первом месте стоит «первое аудио менее чем за 90 мс» — по данным производителя, независимо не воспроизведено — и на той же странице описывается TTS-API в реальном времени с полноценной потоковой передачей. Он поддерживает 44 языка в рамках одной модели, по умолчанию интерпретирует эмоциональный подтекст, принимает невербальные сигналы, такие как смех, вписанный в транскрипт, клонирует голос примерно по десяти секундам аудио, локализует существующее аудио на другие языки и принимает пользовательские словари произношения для терминов предметной области и имён собственных. Каждая из этих функций нацелена на одного и того же клиента: на нечто, что быстро отвечает на языке, понятном звонящему.

HeyGen Voice создан для восприятия как перформанс. Это внутренний движок HeyGen, доступный через v3 API компании, с более чем 300 готовыми голосами на десятках языков и тремя путями к кастомному голосу — дизайн голоса на основе описания, возвращающий до трёх ранжированных вариантов из промпта длиной до 1000 символов, мгновенное клонирование по одной записи и профессиональное клонирование, обученное на двадцати минутах или более. Настройка для каждого запроса охватывает скоростьот 0,5 до 1,5 ивысоту тонав диапазоне ±50 полутонов. Ничто в опубликованных материалах HeyGen вообще не обещает никаких показателей задержки.

Вся статья — про эту асимметрию. Одна модель публикует значение в миллисекундах и не указывает цену за символ; другая публикует цену и не указывает показатель задержки.

Табло

• Контролируемый Voice Elo (те же 8 клонированных голосов) — HeyGen Voice: 1 202, №1 из 42. Sonic 3.6: 1 143, №5.

• Elo голосов провайдеров (нативные голоса) — HeyGen Voice: не ранжирован, недостаточно голосов. Sonic 3.6: 1 280, №4 из 96.

• Опубликованная цена — Sonic 3.6: $49.00 за 1 млн символов, тарифная карта поставщика. HeyGen Voice: $30.00 за 1 млн символов по собственному пересчёту кредитных тарифов HeyGen, выполненному ареной; сама HeyGen не публикует тариф на голос.

• Задержка — Sonic 3.6: менее 90 мс до первого звука (по данным производителя, не воспроизведено). HeyGen Voice: производитель не публикует показатель, и Artificial Analysis его не измеряла.

• Языки — Sonic 3.6: 44 от одной модели. HeyGen Voice: более 300 голосов на «десятках языков», без указания точного количества.

• Путь к собственному голосу — Sonic 3.6: клонирование за ~10 секунд. HeyGen Voice: создание голоса по текстовому описанию, мгновенное клонирование или профессиональное клонирование, обученное на 20+ минутах.

Разрыв в рейтинге Эло, прочитанный правильно

Преимущество в 59 пунктов на контролируемой арене оборачивается отставанием в 137 пунктов в лидерборде провайдеров, и это не противоречие. Контрольный лидерборд лишает вендора возможности выбрать выигрышный голос и проверяет, как движок справляется с голосом, который он не выбирал. В этом побеждает HeyGen Voice. Лидерборд провайдеров показывает, насколько хорошо звучат лучшие собственные голоса вендора, что ближе к тому, что клиент слышит на демонстрации продукта для клиента, — и Sonic 3.6 показывает там хороший результат: четвёртое место из 96 и отставание на 38 пунктов от лидирующего Eleven v4 Turbo.

Ни один из этих показателей не является универсальной истиной. Если вы клонируете конкретного человека и нужно, чтобы движок убедительно воспроизводил этого человека, контролируемый результат — лучший предиктор, и HeyGen Voice сейчас лидирует по этому показателю. Если вы выбираете голос из библиотеки для агента, который должен звучать узнаваемо в массовом использовании, результат от провайдера — лучший предиктор, а Sonic 3.6 занимает позицию в рейтинге, где у HeyGen Voice её нет.

Стоит отметить для всех, кто опирается на старые данные: оба этих рейтинга меняются по мере накопления голосов. Ранее в 2026 году сообщалось, что Sonic 3.6 единолично лидировал в рейтинге контролируемого голоса; в текущей таблице он занимает там пятое место с 1 143, а выше него находятся HeyGen Voice, Qwen-Audio-3.1-TTS-Plus и два уровня Eleven v4. Упоминание в рейтинге — это отметка времени, а не постоянное свойство модели.

Где сравнение цен даёт сбой

Цена Sonic 3.6 — $49,00 за миллион символов — это собственный эталонный тариф арены, взятый из опубликованной ставки API поставщика при настройках по умолчанию. Благодаря этому пятизначный месячный счёт за аудио можно рассчитать ещё до того, как вы напишете хоть строку кода интеграции.

У HeyGen цифра менее определённая, но она существует. В ценовом графике арены HeyGen Voice указан по цене $30.00 за миллион символов — на девятнадцать долларов ниже Sonic 3.6 — и эта цифра представляет собой пересчёт цен на кредиты HeyGen от Artificial Analysis, а не тариф, который публикует HeyGen. На собственной странице HeyGen продаются кредиты (Creator — $29/месяц за 600 кредитов, Pro — $49 за 1 000, Business — $149 за 1 500) и прямо сказано, что потребление зависит от модели, длительности и сложности генерации, при этом эти кредиты нигде не переводятся в символы. Так что модель, побеждающая в таблице лидеров по контролируемому голосу, стоит намного ниже той, что занимает пятое место, и этот разрыв — производное число, которое вам захочется сверить с собственным текстом, а не с прайс-листом, который можно проверить.

Это не аргумент против HeyGen Voice. Это аргумент за то, чтобы протестировать его на трафике, который вы можете себе позволить измерить, потому что единственный способ узнать его реальную стоимость в вашем пайплайне — прогнать через него ваш собственный текст.

Выбирая между ними

Выбирайте Sonic 3.6, когда голос должен отвечать. Заявленная задержка до первого аудио менее 90 мс, API с нативной поддержкой потоковой передачи, 44 голоса от одной модели и — что критически важно — опубликованная тарифная сетка делают его менее рискованным выбором для продакшена в разговорных агентах, IVR и во всём, где пауза — это ошибка. Его 5-е место в рейтинге контролируемых голосов — это достойно, а не слабость, а четвёртое место в более широком рейтинге — самый сильный независимый сигнал, который есть у любой из этих двух моделей.

Сначала протестируйте HeyGen Voice, когда голос должен работать на максимум. Озвучивание, чтение брендового контента, работа с персонажами и любой проект, где вы клонируете одного диктора и нужно, чтобы клон этого диктора звучал лучше всего в эфире, — это та задача, для измерения которой была создана контролируемая арена, и именно её только что выиграл HeyGen Voice. Путь профессионального клонирования, обученный на более чем двадцати минутах, — это существенно другой продукт по сравнению с десятисекундным мгновенным клоном, и именно он соответствует восьми клонированным эталонным голосам на арене.

Не выбирайте ни одну из них, опираясь лишь на одно число Elo. Две таблицы расходятся в оценке этих моделей, а значит, они сообщают вам нечто реальное: качество зависит от голоса и нагрузки, а не только от самого движка.

Запуск обоих без коммита

Практичный путь в подобном разногласии — перестать относиться к нему как к закупочному решению. Поставьте оба движка за единый интерфейс, разделите трафик и судите по собственному аудио: несколько строк озвучки и цикл работы агента в реальном времени скажут вам больше, чем пятьдесят пунктов Elo. OrcaRouter маршрутизирует оба через один API-ключ по прайс-листу провайдера без наценки, поэтому вы платите по тарифной сетке самого вендора, и изменение цены Sonic 3.6 отражается в тот же день, а не при продлении. Автоматическое переключение при сбое здесь важнее, чем при большинстве замен моделей, потому что если голосовой провайдер замирает посреди фразы, это слышно звонящему, а DSL маршрутизации позволяет закрепить один движок за чувствительными к задержке репликами, а другой — за предварительно отрендеренной озвучкой, без необходимости поддерживать две интеграции.

Что бы это уладило

Два момента. Опубликованная компанией HeyGen ставка за голос — за символ или за кредит — сделала бы часть этого сравнения, посвящённую стоимости, такой же конкретной, как часть, посвящённую качеству, а то, что HeyGen Voice наберёт достаточно голосов, чтобы войти в арену Provider Voices, сказало бы нам, сохранится ли его преимущество в контролируемом голосе при встрече с нативными голосами — тест, который Sonic 3.6 уже прошёл, заняв четвёртое место из девяноста шести. До тех пор Sonic 3.6 — действующий лидер с ценой и показателем задержки, а HeyGen Voice — претендент с более убедительными доказательствами в пользу клонированного голоса и без стоимости, которую можно было бы поставить рядом.