HeyGen Voice Turbo vs Inworld Realtime TTS-2: Den bästa klonade rösten är inte den snabbaste

Fråga båda leverantörerna efter siffran som avgör en realtidsprodukt, och bara en av dem svarar. Inworld publicerar en siffra för första ljudet för Inworld Realtime TTS-2 — så lågt som 50 millisekunder på Flash-syskonet, mätt på Covals mätbräda, där leverantören hävdar upp till 3× tidigare första ljud än ElevenLabs. HeyGen publicerar ingen latenssiffra alls för HeyGen Voice Turbo; dess dokumentation lovar ”snabbare generering” än modellen den står bredvid och lämnar det därvid. Vad HeyGen däremot publicerar är en förstaplats i Artificial Analysis Controlled Voice Arena med 1 202 Elo och ett listat pris på 4,00 USD per miljon tecken, mot Inworld Realtime TTS-2:s sjundeplats på 1 145 och 20,80 USD. Placeringar i voice-arena och priser per tecken som förändras efter publicering registreras med sina datum och källor i the AI Incident Archive, tillsammans med de övriga modell- och leverantörsincidenter vi följer.

Så de två modellerna konkurrerar inte om samma plats. Den ena är den bästa motorn för klonad röst på en blindpreferensranking med en obesvarad latensfråga. Den andra är en realtidsmotor med ett publicerat latenspåstående och en kvalitetspoäng fem placeringar längre ned. Vilken du vill ha beror på om en människa väntar mitt i en mening.

De två styrelserna, och var varje leverantör faktiskt står

Artificial Analysis driver båda talpanelerna, och de två siffrorna spelar större roll tillsammans än var för sig, eftersom de mäter olika saker: Controlled Voice Arena håller åtta klonade referensröster konstanta och betygsätter motorn; Provider Voice Arena låter varje leverantör tala med sina egna inbyggda röster och betygsätter den levererade produkten.

• Kontrollerat röst-Elo — HeyGen Voice Turbo 1 202 (#1 av 46, ±19, 1 685 prover). Inworld Realtime TTS-2 1 145 (#7, ±13, 3 161 prover).

Leverantörsröst-Elo — HeyGen Voice Turbo är inte listad. Inworld Realtime TTS-2 1 267 (#6 av 98).

• Listpris per 1 miljon tecken, arena-konvertering – HeyGen Voice Turbo 4,00 $. Inworld Realtime TTS-2 20,80 $, Flash 10,40 $.

• Leverantörsprislista – HeyGen publicerar inget pris per tecken för röst; priset på 4,00 USD härleds från kreditprissättningen. Inworld publicerar 25,00 USD vid behov för Realtime TTS-2 och 15,00 USD för Flash, vilket sjunker till 20,00 USD och 10,00 USD med Creator-planen.

• Angiven latens – HeyGen: ingen publicerad. Inworld: 50 ms till första ljudet för Flash på Coval; flaggskeppets siffra anges inte på samma grund.

• Språktäckning — HeyGen: 42 grundläggande språkkoder för kloning och tal. Inworld: cirka 500 språk och dialekter för en Realtime TTS-2-röst.

Asymmetrin i Provider-kolumnen är värd att lägga märke till. Inworld finns med på båda listorna; HeyGen finns med på en. Artificial Analysis utelämnar modeller som saknar tillräckligt många röster, så frånvaron är inte en kvalitetssignal – men det innebär att Inworlds produkt har betygsatts över hela sin levererade yta, medan HeyGens endast har betygsatts i villkoret med klonad röst.

Kvalitet: en skillnad på 57 punkter som överlever felstaplarna

Femtiosju Elo är den största skillnaden i den här jämförelsen och den minst tvetydiga. HeyGen Voice Turbos intervall sträcker sig från 1 183 till 1 221; Inworld Realtime TTS-2:s sträcker sig från 1 132 till 1 158. De överlappar inte. Till skillnad från jämförelsen på sju punkter mellan HeyGen och HeyGen, där de två modellerna är statistiskt jämspelta, har denna en separation vid 95 % konfidens.

Vad det ger, mer exakt: på åtta klonade referensröster föredrog blindlyssnare HeyGen Voice Turbos återgivningar med en marginal som panelen kan urskilja. Det säger inte att HeyGens egen röstkatalog låter bättre än Inworlds – HeyGen har ingen Provider board-post att göra det påståendet med – och det säger inte att Turbo klonar bättre, bara att den framför en tillhandahållen klon bättre.

Inworlds kloningsväg är den som dess kvalitetspoäng är minst kapabel att beskriva. Omedelbar kloning fungerar från tre sekunder av referensljud, och röstdesign fungerar från en skriven beskrivning; båda ingår i alla planer. Arenan mäter talet som kommer ut, inte troheten hos klonen som matades in. En modell som får 1,145 på en klon den har fått kan fortfarande vara det bättre valet för att skapa den klonen från tre sekunder av en kunds röst.

Latens: siffran som HeyGen inte ger dig

Inworlds realtidspositionering är specifik och falsifierbar. Realtime TTS-2 Flash returnerar första ljudet på så lite som 50 ms enligt Covals mätning, upp till 3× snabbare än ElevenLabs på 183 ms och upp till 35× snabbare än OpenAIs GPT-4o mini TTS på 2 056 ms. Det är tredjepartsmätningar av en leverantörs modell, citerade av leverantören – bättre bevis än ett marknadsföringspåstående, svagare än en oberoende granskning, och värda att reproducera i ditt eget nätverk innan du bygger arkitekturen kring dem.

HeyGens dokumentation beskriver Turbo som att den talar omedelbara röster "vid lägre latens" än standardinställningen och slutar där. Genomströmningssidan hos Artificial Analysis listar en median genereringstid på 7,29 sekunder och 122 tecken per sekund för modellen, med en 5:e percentil på 52,7 sekunder och en 95:e percentil på 150 sekunder – siffror som beskriver syntes av hela förfrågan i deras mätuppställning, inte tid till första ljudet, och variansen är stor. En median på sju sekunder är okej för förrenderad uppläsning. Det är inte ett samtal.

Den jämförelsen är inte rättvis, och det är inte meningen att den ska vara det. HeyGens Turbo är prissatt och dokumenterad för volymsyntes: 5 000 tecken per begäran, 30 begäranden per minut, en synkron WAV-endpoint och en SSE-ström vars delar är kompletta WAV-behållare. Inworlds är dokumenterad för turtagning: instruktionsbaserad styrning av framförandet, 50 icke-verbala ljud återgivna som riktigt ljud, och ett påstående om första ljud inom tiotals millisekunder. Om din produkt talar i en konversation har HeyGen inte publicerat siffran du behöver, och avsaknaden av en siffra är inte bevis på en långsam modell – det är bevis på att det inte är den produkt de säljer till dig.

Pris: tre steg på ena sidan, en härledd siffra på den andra

$4,00 mot $20,80 ser ut som en fem-mot-ett-vinst för HeyGen, och det är den minst tillförlitliga siffran i den här artikeln. Det är omvandlingen från Artificial Analysis av Heygens kreditprissättning, framräknad eftersom HeyGen inte publicerar vad en kredit ger i tecken. Inworlds $20,80 är samma tabells normalisering av en taxa som Inworld faktiskt publicerar.

Jämför man likvärdigt med likvärdigt blir bilden tydligare. Inworlds egen prisstege ligger på 25,00 USD vid behov, 20,00 USD på Creator-planen, 17,50 USD på Pro, 15,00 USD på Business och 12,50 USD på Enterprise, med Flash på 15,00 USD ned till 7,00 USD över samma nivåer, och leverantören annonserar under 5 USD i toppen. Till de priser en återkommande kund faktiskt betalar hamnar Realtime TTS-2 mellan 12,50 och 20,00 USD, och Flash mellan 7,00 och 15,00 USD. Jämfört med en konvertering på 4,00 USD är HeyGen fortfarande billigare på papperet – men gapet är närmare två mot ett mot en rabatterad Inworld-nivå än fem mot ett mot listpriset.

Det finns ett andra steg som inte kostar något. HeyGen:s heygen-voice-1-turbo-freenivå erbjuder offentliga röster och omedelbara kloner utan kreditbalans fram till den 30 november 2026, på delad kapacitet utan garantier och med en dokumenterad benägenhet att returnera 429 vid hög belastning. Inworld erbjuder upp till 70 minuters gratis TTS i sin On-Demand-plan. Båda räcker för att göra en riktig jämförelse; ingen av dem räcker för att driva en produkt.

Där varje modell slutar vara svaret

Välj HeyGen Voice Turbo när ljudet är förrenderat eller nära realtid snarare än konversationellt: berättarröst, ljudbokskapitel, e-learningmoduler, den talade halvan av en videopipeline, eller en röstagent vars turer är tillräckligt långa för att sju sekunders syntes ska döljas bakom en tänkandeindikator. Det som talar för den är en förstaplats för klonad röst till den lägsta härledda taxan på resultattavlan, med 42 språk och WAV-utdata på 44,1 kHz.

Välj Inworld Realtime TTS-2 när en person väntar. Latenspåståendet, instruktionsstyrningen – skicka framförandeinriktning som en request-parameter eller inom hakparenteser mitt i raden – de 50 icke-verbala ljuden, de ~500 språken och klonen på tre sekunder är alla funktioner hos en motor byggd för dialog, och ingen mängd Elo stänger det strukturella gapet. Dess argument omfattar också en placering på Provider-tavlan som HeyGen inte har, vilket spelar roll om din produkt levererar standardröster i stället för kloner.

Ingen av modellerna är svaret om du behöver en professionell klon med reproducerbara seeds: HeyGen begränsar Turbo till offentliga och instant-röster, och prosodikontroller som seed, speed och pitch_shift är endast tillgängliga för proffsanvändare i det API:et. Inworlds motsvarande kontroller är dess egen instruktions- och styrningsnivå, vilket är en annan mekanism med andra garantier.

Att köra båda utan att satsa på endera

Det besvärliga med det här beslutet är att de två kandidaterna optimerar för förhållanden som du inte fullt ut kan modellera från en resultattavla: nätverkets tid till första ljud, namnen och siffrorna i din text, dina lyssnares tolerans för en paus. Det billiga sättet att besvara det är att lägga båda bakom ett gemensamt gränssnitt och dela trafiken – en liten andel till utmanaren, automatisk failover till den befintliga lösningen när en begäran misslyckas eller en hastighetsbegränsning slår till.

Det är den form som OrcaRouters routinglager är byggt för, och det är det ärliga skälet att nämna det här: en nyckel för 200+ modeller, leverantörens listpris vidarebefordrat utan påslag, och failover som gör en 429 från en gratisnivå med delad kapacitet till ett nytt försök i stället för en stunds död tystnad. HeyGen Voice Turbo finns inte i den katalogen i dag, så en genuin uppdelning mellan HeyGen och Inworld innebär fortfarande två integrationer – men halvan av argumentet som handlar om failover håller oavsett vilken modell du till slut standardiserar på.

Det som topplistorna slår fast är snävare än de verkar. HeyGen Voice Turbo är den bättre röstkloningsmotorn, med en marginal som statistiken stöder, till ett pris som förmodligen är det lägsta i toppskiktet. Inworld Realtime TTS-2 är den enda av de två som har talat om hur snabbt den börjar tala, och för en konversationsprodukt väger den enda obesvarade frågan tyngre än femtiosju Elo.