HeyGen Voice vs Cartesia Sonic 3.6: Mästaren på klonade röster mot den sittande under 90 ms-aktören

HeyGen Voice och Cartesia Sonic 3.6 har två olika anspråk på förstaplatsen på Artificial Analysis, och hela jämförelsen lever i gapet mellan dem. HeyGen Voice toppar Controlled Voice-arenan med 1 202 Elo — listan där varje modell talar samma åtta klonade röster, fyra amerikanska och fyra brittiska. Cartesia Sonic 3.6 är fyra på Provider Voices-arenan med 1 280 Elo, där varje leverantör tillhandahåller sina egna röster, och Cartesias egen webbplats har en badge som hävdar en #1-rankning i både Speech Arena och Speech to Text-topplistan, ett påstående som leverantören visar men som den aktuella Artificial Analysis-tabellen för närvarande inte stöder på topppositionen. En motor vinner testet där rösten hålls konstant, den andra leder testet där produktionsbudgeten är verklig.

Börja med vad varje modell faktiskt är optimerad för

Sonic 3.6 är byggt för att konsumeras i en ström. Cartesias egen produktsida inleder med "första ljudet på under 90 ms" – leverantörsrapporterat, ej reproducerat – och samma sida beskriver ett realtids-TTS-API med förstklassig strömning. Det täcker 44 språk från en enda modell, tolkar emotionell subtext som standard, accepterar icke-verbala signaler som skratt skrivet i transkriptionen, klonar en röst från ungefär tio sekunders ljud, lokaliserar befintligt ljud till andra språk och tar emot anpassade uttalsordböcker för domäntermer och egennamn. Var och en av dessa funktioner riktar sig till samma kund: något som svarar tillbaka, snabbt, på ett språk som den som ringer förstår.

HeyGen Voice är byggd för att konsumeras som ett framträdande. Det är HeyGens egenutvecklade motor, exponerad via företagets v3-API, med över 300 färdigbyggda röster på dussintals språk och tre vägar till en anpassad röst – beskrivningsstyrd röstdesign som returnerar upp till tre rangordnade alternativ från en prompt begränsad till 1 000 tecken, en omedelbar klon från en inspelning och en professionell klon tränad på tjugo minuter eller mer. Justering per begäran omfattar hastighet från 0,5 till 1,5 och tonhöjd inom ett spann på ±50 halvtoner. Inget i HeyGens publicerade material utlovar någon latenssiffra alls.

Den asymmetrin är hela artikeln. Den ena modellen publicerar en siffra i millisekunder och inget pris per tecken; den andra publicerar ett pris och ingen latenssiffra.

Resultattavlan

• Kontrollerat röst-Elo (samma 8 klonade röster) — HeyGen Voice: 1 202, #1 av 42. Sonic 3.6: 1 143, #5.

• Provider Voices Elo (inhemska röster) — HeyGen Voice: inte rankad, otillräckligt antal röster. Sonic 3.6: 1 280, #4 av 96.

• Publicerat pris — Sonic 3.6: 49,00 USD per 1 miljon tecken, leverantörens prislista. HeyGen Voice: 30,00 USD per 1 miljon tecken enligt arenans egen omräkning av HeyGens kreditprissättning; HeyGen publicerar inget eget röstpris.

• Latens — Sonic 3.6: under 90 ms till första ljudet (enligt leverantören, ej reproducerat). HeyGen Voice: ingen siffra publicerad av leverantören eller uppmätt av Artificial Analysis.

• Språk — Sonic 3.6: 44 från en enda modell. HeyGen Voice: 300+ röster över "dussintals språk", inte angivet som ett antal.

• Anpassad röstväg — Sonic 3.6: ~10-sekunders klon. HeyGen Voice: röstdesign från en textbeskrivning, direktklon eller en professionell klon tränad på 20+ minuter.

Elo-gapet, läst korrekt

En ledning på 59 punkter i den kontrollerade arenan inverteras till ett underskott på 137 punkter på leverantörstavlan, och inversionen är ingen motsägelse. Den kontrollerade tavlan tar bort leverantörens möjlighet att välja en smickrande röst och frågar hur motorn hanterar en röst som den inte har valt. HeyGen Voice vinner där. Leverantörstavlan frågar hur bra en leverantörs egna bästa röster låter, vilket ligger närmare vad en kund hör i en säljdemo – och Sonic 3.6 gör det bra där, på fjärde plats av nittiosex och 38 punkter efter den högst rankade Eleven v4 Turbo.

Ingen av siffrorna är den allmängiltiga sanningen. Om du klonar en specifik person och behöver att motorn återger den personen övertygande, är det kontrollerade resultatet den bättre prediktorn, och HeyGen Voice leder för närvarande där. Om du väljer en röst från ett bibliotek för en agent som måste låta särpräglad i stor skala, är leverantörsresultatet den bättre prediktorn, och Sonic 3.6 har en placering där HeyGen Voice inte har någon.

Värt att notera för alla som håller fast vid äldre siffror: båda dessa tavlor rör sig i takt med att röster samlas. Tidigare under 2026 rapporterades Sonic 3.6 leda tavlan för kontrollerad röst ohotat; den aktuella tabellen har den på femte plats där med 1 143, med HeyGen Voice, Qwen-Audio-3.1-TTS-Plus och två Eleven v4-nivåer ovanför sig. En citering på en resultattavla är en tidsstämpel, inte en permanent egenskap hos modellen.

Där prisjämförelsen brister

Sonic 3.6:s $49.00 per miljon tecken är arenans eget riktpris, hämtat från leverantörens publicerade API-taxa med standardinställningar. Det gör en femsiffrig månatlig ljudräkning beräkningsbar innan du skriver en enda rad integrationskod.

HeyGens siffra är mjukare, men den finns. Arenans prisdiagram listar HeyGen Voice till $30.00 per miljon tecken — nitton dollar under Sonic 3.6 — och den siffran är en omvandling som Artificial Analysis har gjort av HeyGens kreditprissättning, inte en taxa som HeyGen publicerar. HeyGens egen sida säljer krediter (Creator för $29/månad för 600 krediter, Pro för $49 för 1 000, Business för $149 för 1 500) och konstaterar tydligt att förbrukningen varierar beroende på modell, varaktighet och genereringskomplexitet, utan att någonsin omvandla dessa krediter till tecken. Så modellen som vinner tavlan för kontrollerad röst är prissatt långt under den som rankas femma, och gapet är en härledd siffra som du kommer att vilja bekräfta mot din egen text snarare än en prislista du kan granska.

Det är inte ett argument mot HeyGen Voice. Det är ett argument för att testa det på den trafik du har råd att mäta, eftersom det enda sättet att lära dig dess verkliga kostnad i din pipeline är att köra din egen text genom det.

Att välja mellan dem

Välj Sonic 3.6 när rösten måste svara. Ett påstående om första ljud på under 90 ms, ett strömningsnativt API, 44 språk från en och samma modell och – avgörande – en publicerad prislista gör det till det mindre riskfyllda produktionsvalet för konversationsagenter, IVR och allt där en paus är en bugg. Dess placering som #5 för kontrollerad röst är respektabel, inte en svaghet, och dess fjärdeplats på den bredare resultattavlan är den starkaste oberoende signalen som någon av modellerna bär.

Testa HeyGen Voice först när rösten måste prestera. Berättande, inläst varumärkesinnehåll, karaktärsarbete och alla projekt där du klonar en talare och behöver att den talarens klon är det bäst klingande som finns i sändningen — det är det jobb som den kontrollerade arenan konstruerades för att mäta, och det är det jobb som HeyGen Voice just vann. Den professionella kloningsvägen som tränats på tjugo plus minuter är en väsentligt annan produkt än en omedelbar klon på tio sekunder, och det är den som matchar de åtta klonade referensrösterna i arenan.

Välj ingen av dem enbart utifrån ett enda Elo-tal. De två tavlorna är oense om dessa modeller, vilket innebär att tavlorna säger dig något verkligt: kvaliteten beror på rösten och arbetsbelastningen, inte bara på motorn.

Kör båda utan att genomföra en commit

Den praktiska vägen genom en oenighet som den här är att sluta behandla den som ett inköpsbeslut. Sätt de två motorerna bakom ett gemensamt gränssnitt, dela upp trafiken och bedöm utifrån ditt eget ljud – en handfull rader berättarröst och en live-agentloop säger dig mer än femtio Elo-poäng gör. OrcaRouter routar båda genom en enda API-nyckel till leverantörens listpris utan påslag, så det är leverantörens egen prislista du betalar, och en prisändring för Sonic 3.6 syns samma dag i stället för vid förnyelsen. Automatisk failover är viktigare här än vid de flesta modellbyten, eftersom en röstleverantör som stannar mitt i en mening hörs av den som ringer, och routnings-DSL:en låter dig låsa en motor för latenskänsliga turer och den andra för förrenderad berättarröst utan att underhålla två integrationer.

Vad skulle avgöra det?

Två saker. Ett publicerat röstpris per tecken eller per kredit från HeyGen skulle göra kostnadsdelen av den här jämförelsen lika konkret som kvalitetsdelen, och att HeyGen Voice samlar tillräckligt många röster för att ta sig in i Provider Voices-arenan skulle visa oss om dess ledning inom kontrollerad röst överlever kontakten med nativa röster — testet som Sonic 3.6 redan har klarat på fjärde plats av nittiosex. Fram till dess är Sonic 3.6 den sittande med ett pris och en latenssiffra, och HeyGen Voice är utmanaren med bättre bevis för klonad röst och ingen kostnad att ställa bredvid.