HeyGen Voice debuterar som #1 på Controlled Voice TTS Arena — slår Qwen och ElevenLabs när det gäller klonade röster

Den 9 oktober 2026 lade Artificial Analysis till HeyGen Voice i sin Controlled Voice-arena och modellen gick rakt till toppen av den. HeyGen Voice – den första text-till-tal-modellen från HeyGen som har utvärderats på tavlan – fick 1 202 i Elo, före Qwen-Audio-3.1-TTS-Plus på 1 186 och ElevenLabs Eleven v4 Turbo på 1 167. Cartesia Sonic 3.6, som leder webbplatsens öppna Provider Voices-tavla, ligger femma här med 1 143. Det är ett äkta resultat på en resultattavla byggd för att ta bort den enskilt största störningsfaktorn inom röstutvärdering, och det är också ett resultat med en mycket specifik innebörd som är lätt att övertolka: HeyGen Voice är den bästa rösten i den här arenan utifrån åtta klonade referensröster, ännu inte en uppmätt segrare på tavlan med nittio sex modeller.

Vad Controlled Voice-styrelsen mäter och varför det spelar roll

Artificial Analysis driver två taltopplistor och de besvarar olika frågor. Arenan Provider Voices låter varje leverantör tillhandahålla sina egna inbyggda röster – de polerade demoröster ett företag väljer för att representera sig självt – och rangordnar modeller efter hur bra de låter. Dess topplista är bred och mogen: nittiosex poster, med Eleven v4 Turbo i topp på 1 328 Elo och Cartesia Sonic 3.6 på fjärde plats på 1 280.

Controlled Voice-arenan gör något snävare och, för alla som lanserar en produkt, mer användbart. Varje modell på den genererar tal från samma åtta klonade röster – fyra amerikanska, fyra brittiska – så jämförelsen handlar inte om ”vems marknadsföringsröst är trevligare” utan om ”hur hanterar varje motor samma röst, samma text och samma inspelningsförhållanden”. Det är det närmaste branschen kommer ett likvärdigt test av motorn snarare än demorullen, och det är resultattavlan som spelar roll om du planerar att klona en röst och lämna över den till en TTS-modell.

HeyGen Voice leder nu. Marginalen är 16 Elo över Qwen-Audio-3.1-TTS-Plus och 35 över Eleven v4 Turbo, med ett rapporterat 95-procentigt konfidensintervall på ungefär 1 185 till 1 219 för HeyGen-siffran. Sexton Elo är ett verkligt avstånd men inte en avgrund – på en så här tät resultattavla är det skillnaden mellan första och andra plats, inte mellan användbart och oanvändbart.

Där HeyGen Voice ännu inte är rankad

Det ärliga och skarpa i detta resultat är att HeyGen Voice inte alls förekommer på Provider Voices-tavlan, och att dess frånvaro inte är en signal om kvalitet. Artificial Analysis noterar att modeller kan utelämnas eftersom de ännu inte har tillräckligt många röster. En modell som är några dagar gammal, med en enda annorlunda poängsatt arena bakom sig, har helt enkelt inte samlat den volym av blinda lyssnare som den större tavlan kräver.

Så den korrekta tolkningen den 10 oktober 2026 är: HeyGen Voice är den högst rankade rösten i den kontrollerade jämförelsen av klonade röster, och en okänd faktor mot det bredare fältet. Den som citerar ”världens bästa TTS-modell” utifrån denna siffra citerar en mindre resultattavla än meningen antyder.

De två siffrorna bakom Elo

• Kontrollerat röst-Elo — HeyGen Voice: 1 202 (95 % KI ungefär 1 185–1 219). Qwen-Audio-3.1-TTS-Plus: 1 186. Eleven v4 Turbo: 1 167.

• Leverantörsröster Elo — HeyGen Voice: listas inte (för få röster). Eleven v4 Turbo: 1 328 på #1. Sonic 3.6: 1 280 på #4.

• Placering i det kontrollerade fältet — HeyGen Voice: #1 av 42 rangordnade poster (#42 är OpenVoice v2 på 812).

• Pris enligt arenans beräkningsgrund — HeyGen Voice: $30.00 per 1 miljon tecken, arenans egen omräkning av HeyGens kreditprissättning. Qwen-Audio-3.1-TTS-Plus: $19.30 per 1 miljon tecken. Eleven v4 Turbo: $40.00 per 1 miljon tecken.

• Elo-ankare — OpenAudio S1 är den fasta referenspunkten vid 1 000, så HeyGen Voice ligger 202 poäng över ankaret.

• Vilka ingår i topp fem – Eleven v4 med 1 160 och Sonic 3.6 med 1 143 kompletterar topp fem bakom ledarna.

Vad HeyGen faktiskt släppte

Motorn bakom posten är HeyGens egenutvecklade TTS, exponerad i företagets v3-API. Ett GET /v3/voicesanrop tar ett engine-filter vars värden inkluderar orca – HeyGens egen röstmotor – tillsammans med starfish och en vidarebefordran till ElevenLabs röster. Talrendering sker via POST /v3/voices/speech; per begäran kan man justera speed från 0,5 till 1,5 och pitch från −50 till +50 semitoner, med en BCP-47-localehint.

Katalogen listas som 300+ färdigbyggda röster på dussintals språk. Anpassade röster finns i tre varianter: text-till-röst-design som genererar upp till tre rangordnade alternativ från en beskrivning begränsad till 1 000 tecken, en direktklon från en enda inspelning, och en professionell klon tränad på tjugo minuter eller mer ljud. Den sista är den del som Controlled Voice-topplistan i praktiken stresstestar – dessa åtta referensröster är kloner, och klonkvalitet är där TTS-motorer skiljer sig åt.

Motorer anges också i dokumentationen som valbara per röst, vilket innebär att HeyGen inte tvingar dig att använda dess modell: du kan routa till en tredjeparts röstmotor via dess API när du föredrar en sådan. Det är en leverantör som garderar sig när det gäller sin egen modell, och det är värt att känna till när du läser ett "#1 voice"-påstående om HeyGen.

Vad detta förändrar för alla som väljer en röst

Tre praktiska konsekvenser följer av att ett resultat för kontrollerad röst landar, och ingen av dem är "byt ut allt".

För det första: om ditt användningsfall är en klonad varumärkesröst – en talare, många repliker – är det här nu resultattavlan att läsa, och HeyGen Voice är modellen att testa först. En resultattavla som håller rösten konstant mäter det du faktiskt kommer att göra.

För det andra: om ditt användningsfall är en bred uppsättning karaktärer som låter som modersmålstalare på språk som din klon inte täcker, är Provider Voices-tavlan och dess nittiosex poster fortfarande den relevanta referensen, och HeyGen Voice har ännu ingen placering där. Inget i ett resultat från en klonad röst berättar hur motorn hanterar hundra olika röster.

För det tredje har priset nu en siffra, men inte en som leverantören har publicerat. Arenan listar HeyGen Voice till $30.00 per 1 miljon tecken, en Artificial Analysis-omvandling av ett kreditsystem som HeyGens egen sida aldrig omvandlar till en rösttaxa. Det placerar den nya ledaren under Eleven v4 Turbos $40.00 och över Qwen-nivåns $19.30 — ett pris i mittenfältet kopplat till en förstaplats, och ett som är härlett snarare än angivet.

Routningsfrågan

Röstval har en egenskap som de flesta modellval inte har: felet är hörbart för slutanvändaren inom en stavelse. Det gör migreringen billig att testa och dyr att få fel i produktion. Att köra en ny motor bakom samma gränssnitt som den nuvarande — en API-yta, en nyckel, leverantörens listpris som förs vidare i stället för att beläggas med påslag, med automatisk failover till en andra röstleverantör när en begäran misslyckas — är hur du får ett verkligt svar om ditt eget ljud i stället för ett Elo-diagrams svar om åtta referensröster. OrcaRouters routningslager finns till för exakt den typen av beslut: sätt utmanaren på en bråkdel av trafiken, håll den nuvarande varm och låt failover täcka fönstret där den nya modellen är obeprövad. Topplistan säger var du ska titta. Den kan inte säga hur ditt manus låter.

Vad du ska titta på härnäst

Två siffror kommer att avgöra den här historien. Den första är huruvida HeyGen Voice samlar tillräckligt många röster för att ta sig in på Provider Voices-tavlan, och var HeyGen Voice hamnar gentemot Eleven v4 Turbos 1 328 – en modell som leder den tavlan men ändå ligger efter i den kontrollerade arenan, vilket är precis den klyfta som de två tavlorna finns för att synliggöra. Den andra är huruvida HeyGen publicerar en egen rösttaxa, så att de $30.00 som arenan har härlett kan stämmas av mot en siffra från leverantören i stället för att härledas från krediter. Tills båda finns är en #1-debut på den kontrollerade tavlan ett starkt påstående om kvaliteten på klonade röster och en öppen fråga om allt annat.