GPT-Live-1 vs HeyGen Voice: Två tavlor, två jobb och ett API som redan parar ihop dem

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.

Vad var och en faktiskt är

HeyGen Voice är HeyGens egna text-till-tal-modell, som ingår i ett v3-API som även exponerar video- och avatarrendering. Två modell-ID:n publiceras – heygen-voice-1, som täcker instant- och professionella kloner, och heygen-voice-1-turbo, samma motor men begränsad till instant-kloner med lägre latens. Internt kallas motorn orca, vilket är värdet du filtrerar på i en voices-förfrågan. Den tar text och returnerar ljud i 44,1 kHz mono WAV, antingen som en engångsförfrågan (POST /v3/models/audio/tts) eller som en server-sent-event-ström med base64-kodade WAV-delar och valfria teckenjusteringshändelser (POST /v3/models/audio/tts/stream). Den hör ingenting.

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.

Topplistans resultat, och gränsen runt det.

Artificial Analysis driver två resultattavlor för tal och de svarar på olika frågor. Provider Voice-arenan låter varje leverantör skicka in sina egna valda röster – de polerade demoröster ett företag väljer för att representera sig – och rangordnar dem efter hur bra de låter. I Controlled Voice-arenan används i stället en fast uppsättning på åtta klonade referensröster, fyra amerikanska och fyra brittiska, så att varje motor säger samma ord med samma röst under samma förutsättningar. Det är det närmaste branschen har ett motortest på lika villkor, och det är resultattavlan som spelar roll om du planerar att klona en röst och ge den till en TTS-modell.

HeyGen Voice leder. Från fångsten i oktober 2026:

• 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."

Den där frånvaron från den bredare resultattavlan är inte en kvalitetssignal. Artificial Analysis noterar att poster kan hållas tillbaka på grund av otillräckliga röster, och en modell som är några veckor gammal med en annorlunda poängsatt arena bakom sig har inte samlat den volym blindlyssnare som resultattavlan med över nittio modeller kräver. Den korrekta tolkningen är snäv och användbar: HeyGen Voice är för närvarande den högst poängsatta motorn i den kontrollerade jämförelsen av klonade röster, och en okänd kvantitet mot det bredare fältet. Den som citerar ”världens bästa TTS-modell” utifrån den siffran citerar en mindre resultattavla än meningen antyder.

Vad HeyGen ger dig att bygga med

Motorn är mer flexibel än vad beteckningen ”TTS-modell” antyder, och tre detaljer spelar roll för den som väljer mellan dessa två produkter.

• Val av motor per röst. Ett GET /v3/voices-anrop tar ett motorfilter vars värden inkluderar orca för HeyGen Voice, starfish och en vidarebefordran till ElevenLabs röster. HeyGen tvingar dig inte att använda sin egen modell – företaget garderar sig, i ordets mest bokstavliga bemärkelse, genom att låta dig dirigera trafik till en konkurrents motor via sitt eget API. Den som tolkar 1 198 Elo som "HeyGens röst är bäst" bör notera att det beskriver en av tre vägar som samma slutpunkt erbjuder.

• Kloning i två lägen. Instant Clone tar en inspelning, använder de första tre minuterna, kan inte tränas om och dokumenteras som gratis under förhandsvisningen. Professional Clone tränas på en till tio inspelningar med en sammanlagd längd på över tjugo minuter, returnerar 202 Accepted och pollas tills den är aktiv, kan tränas om och upptar en köpt plats. Ett likhetsreglage sträcker sig från ett till fyra, en uttrycksfullhetsförstärkning från 0,0 till 1,0 gäller endast röster från Instant Clone, och break-taggar på upp till fem sekunder finns på professional-nivån.

• Röstdesign som är reproducerbar. POST /v3/voicesgenererar upp till tre rangordnade kandidater från en beskrivning som är begränsad till 1 000 tecken, med ett valfritt könsfilter, en valfri BCP-47-språkkod och ett frö – och HeyGen dokumenterar att samma prompt plus samma frö alltid returnerar samma röster. Taltext begränsas till 5 000 tecken och slutpunkten körs med 30 förfrågningar per minut på pay-as-you-go, 120 på Enterprise.

• Språktäckning på 39 baskoder för både kloning och tal, där regionala taggar mappas till sin bas i stället för att byta accent. Siffran ”175+ språk och dialekter” på plattformsnivå som cirkulerar på HeyGens marknadsföringssidor är inte den här modellens täckning.

En praktisk varning om den språklistan: flera regionala språkvarianter som avatar-motorerna accepterar väljer inte en regional accent i röstmotorn. Om din produkt lokaliseras bör du testa den språkvariant du behöver i stället för att anta att taggen räcker.

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.

Där de två systemen möts: delegering, och vad det kostar

Båda sidorna erbjuder nu en fullständig konversationsloop, och båda placerar resonemangsmotorn någonstans där du kan styra den.

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.

Hur man fattar beslut den här veckan

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.

Det man inte ska göra är att citera "första plats på Artificial Analysis" som om det avgjorde beslutet om en samtalsprodukt. Det avgjorde en renderingsfråga för åtta klonade röster. Den andra frågan har inte ställts på den resultattavlan alls.

Inget av detta är hypotetiskt: de dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och omtvistad flagga.