GPT-Live-1 vs HeyGen Voice: สองบอร์ด สองงาน และ API หนึ่งตัวที่จับคู่ทั้งสองไว้แล้ว

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.

แต่ละอย่างจริงๆ แล้วคืออะไร

HeyGen Voice เป็นโมเดลแปลงข้อความเป็นเสียงพูดที่พัฒนาโดย HeyGen เอง ซึ่งอยู่ใน API v3 ที่ยังเปิดให้ใช้การเรนเดอร์วิดีโอและอวตารด้วย มีการเผยแพร่ ID โมเดลสองรายการ — heygen-voice-1 ซึ่งครอบคลุมการโคลนแบบอินสแตนต์และแบบมืออาชีพ และ heygen-voice-1-turbo ซึ่งเป็นเอ็นจินเดียวกันที่จำกัดเฉพาะการโคลนแบบอินสแตนต์โดยมีความหน่วงต่ำกว่า ภายในเอ็นจินนี้เรียกว่า orca ซึ่งเป็นค่าที่คุณใช้กรองในคำค้นหา voices โดยรับข้อความและส่งคืนเสียงเป็น WAV โมโน 44.1 kHz ไม่ว่าจะเป็นคำขอแบบครั้งเดียว (POST /v3/models/audio/tts) หรือเป็นสตรีมแบบ server-sent event ที่มีส่วน WAV แบบ base64 และเหตุการณ์จัดตำแหน่งตัวอักษรแบบเลือกได้ (POST /v3/models/audio/tts/stream) มันไม่ได้ยินอะไรเลย

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.

ผลลัพธ์ของลีดเดอร์บอร์ด และขอบเขตโดยรอบ

Artificial Analysis ดำเนินการบอร์ดเสียงพูดสองบอร์ด และทั้งสองบอร์ดตอบคำถามที่แตกต่างกัน สนาม Provider Voice เปิดให้ผู้ให้บริการแต่ละรายส่งเสียงที่ตนเลือกเอง — เสียงเดโมที่ขัดเกลาแล้วซึ่งบริษัทเลือกมาเป็นตัวแทนของตนเอง — และจัดอันดับตามคุณภาพเสียงที่ได้ยิน ส่วนสนาม Controlled Voice จะใช้เสียงอ้างอิงแบบโคลนชุดคงที่จำนวนแปดเสียง สี่เสียงจากสหรัฐฯ และสี่เสียงจากสหราชอาณาจักร แทนที่ ดังนั้นทุกเอนจินจึงพูดคำเดียวกันด้วยเสียงเดียวกันภายใต้เงื่อนไขเดียวกัน นี่คือสิ่งที่ใกล้เคียงที่สุดที่อุตสาหกรรมมีต่อการทดสอบเอนจินแบบเทียบเคียงกันตรง ๆ และเป็นบอร์ดที่มีความสำคัญหากคุณวางแผนจะโคลนเสียงและส่งให้โมเดล TTS

HeyGen Voice เป็นผู้นำในด้านนี้ จากข้อมูลที่เก็บรวบรวมเมื่อเดือนตุลาคม 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."

การที่มันไม่ปรากฏอยู่ในบอร์ดที่กว้างขึ้นนั้นไม่ใช่สัญญาณของคุณภาพ Artificial Analysis ระบุว่ารายการต่าง ๆ สามารถถูกระงับไว้ได้หากมีคะแนนโหวตไม่เพียงพอ และโมเดลที่อายุเพียงไม่กี่สัปดาห์ซึ่งมีเพียงสนามแข่งขันที่ให้คะแนนแตกต่างกันเพียงแห่งเดียวเบื้องหลัง ยังไม่ได้สะสมปริมาณผู้ฟังแบบไม่เห็นหน้าซึ่งเพียงพอต่อความต้องการของบอร์ดที่มีโมเดลมากกว่าเก้าสิบโมเดล การตีความที่ถูกต้องนั้นแคบและมีประโยชน์: HeyGen Voice ในขณะนี้เป็นเอนจินที่ได้คะแนนสูงสุดในการเปรียบเทียบเสียงโคลนที่ถูกควบคุม และเป็นปริมาณที่ไม่ทราบค่าเมื่อเทียบกับวงกว้าง ใครก็ตามที่อ้างอิง "โมเดล TTS ที่ดีที่สุดในโลก" จากตัวเลขนั้น กำลังอ้างอิงบอร์ดที่เล็กกว่าที่ประโยคสื่อ

สิ่งที่ HeyGen ให้คุณไว้ใช้สร้าง

เอนจินมีความยืดหยุ่นมากกว่าที่ป้ายกำกับ "TTS model" บ่งชี้ และมีรายละเอียดสามประการที่สำคัญสำหรับใครก็ตามที่กำลังเลือกระหว่างผลิตภัณฑ์สองตัวนี้

• การเลือกเอนจินสำหรับแต่ละเสียง การเรียก GET /v3/voices จะรับตัวกรองเอนจินซึ่งมีค่าต่าง ๆ รวมถึง orca สำหรับ HeyGen Voice, starfish, และการส่งผ่านไปยังเสียงของ ElevenLabs HeyGen ไม่ได้บังคับให้คุณใช้โมเดลของตัวเอง — มันป้องกันความเสี่ยง ในความหมายที่ตรงตัวที่สุด โดยให้คุณกำหนดเส้นทางไปยังเอนจินของคู่แข่งผ่าน API ของตัวเอง ใครก็ตามที่อ่านค่า 1,198 Elo ว่า "เสียงของ HeyGen ดีที่สุด" ควรสังเกตว่าค่านั้นอธิบายเพียงหนึ่งในสามเส้นทางที่เอนด์พอยต์เดียวกันมีให้

• การโคลนในสองโหมด Instant Clone ใช้การบันทึกหนึ่งรายการ ใช้สามนาทีแรก ไม่สามารถฝึกใหม่ได้ และมีเอกสารระบุว่าฟรีในช่วงทดลองใช้ Professional Clone ฝึกจากหนึ่งถึงสิบการบันทึก รวมเวลามากกว่ายี่สิบนาที ส่งคืน 202 Accepted และโพลล์จนกว่าจะพร้อมใช้งาน สามารถฝึกใหม่ได้ และใช้สล็อตที่ซื้อไว้ การควบคุมความคล้ายคลึงมีค่าตั้งแต่หนึ่งถึงสี่ การเพิ่มความแสดงออกจาก 0.0 ถึง 1.0 ใช้กับเสียง Instant เท่านั้น และแท็กหยุดพักได้ถึงห้าวินาทีมีให้ใช้ในระดับ Professional

• การออกแบบเสียงที่ทำซ้ำได้POST /v3/voicesจะสร้างผู้สมัครที่ได้รับการจัดอันดับสูงสุดสามรายจากคำอธิบายที่จำกัดความยาวไม่เกิน 1,000 อักขระ พร้อมตัวกรองเพศแบบไม่บังคับ โลแคล BCP-47 แบบไม่บังคับ และซีด — และ HeyGen ระบุว่าพรอมต์เดียวกันบวกกับซีดเดียวกันจะคืนค่าเสียงเดียวกันเสมอ ข้อความเสียงจำกัดความยาวไม่เกิน 5,000 อักขระ และเอนด์พอยต์นี้ทำงานที่ 30 คำขอต่อนาทีสำหรับแบบจ่ายตามการใช้งานจริง และ 120 สำหรับ Enterprise

• ความครอบคลุมภาษาของ 39 รหัสฐานสำหรับทั้งการโคลนเสียงและการพูด โดยแท็กภูมิภาคจะถูกแปลงไปยังรหัสฐานของตนเองแทนที่จะสลับสำเนียง ตัวเลข "175+ ภาษาและภาษาถิ่น" ระดับแพลตฟอร์มที่เผยแพร่บนหน้าเพจการตลาดของ HeyGen ไม่ใช่ความครอบคลุมของโมเดลนี้

คำเตือนในทางปฏิบัติประการหนึ่งเกี่ยวกับรายการภาษานั้น: โลแคลระดับภูมิภาคหลายรายการที่เอ็นจินอวาตาร์ยอมรับนั้นไม่ได้เลือกสำเนียงภูมิภาคในเอ็นจินเสียง หากผลิตภัณฑ์ของคุณทำการโลคัลไลซ์ ให้ทดสอบโลแคลที่คุณต้องการแทนที่จะสันนิษฐานว่าแท็กนั้นให้ผลตามที่ต้องการ

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.

จุดที่สองระบบมาบรรจบกัน: การมอบหมาย และราคาที่ต้องจ่าย

ตอนนี้ทั้งสองฝั่งนำเสนอวงจรการสนทนาที่สมบูรณ์ และทั้งคู่ก็วางตัวให้เหตุผลไว้ในจุดที่คุณควบคุมได้

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.

จะตัดสินใจในสัปดาห์นี้ได้อย่างไร

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.

สิ่งที่ไม่ควรทำคือการอ้าง "อันดับหนึ่งบน Artificial Analysis" ราวกับว่ามันได้ตัดสินเรื่องผลิตภัณฑ์สำหรับการสนทนาแล้ว มันตัดสินคำถามเรื่องการเรนเดอร์บนเสียงโคลนแปดเสียง คำถามอีกข้อหนึ่งยังไม่ถูกถามบนบอร์ดนั้นเลย

ไม่มีสิ่งใดในนั้นที่เป็นเพียงข้อสันนิษฐาน: ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งได้รับการบันทึกไว้ ที่อยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง