HeyGen Voice Turbo คว้ามงกุฎเสียงที่ควบคุมได้จาก HeyGen Voice — พร้อมลดราคา Arena ลง 87%

Twelve days after HeyGen Voice reached number one on Artificial Analysis's Controlled Voice Arena, HeyGen has replaced it there with HeyGen Voice Turbo, a faster and far cheaper speech model that went live on the vendor's API on 21 October 2026 under the model ID heygen-voice-1-turbo. Read on the morning of 22 October, the board puts HeyGen Voice Turbo first at 1,202 Elo and its predecessor HeyGen Voice second at 1,195, with A​libaba's Qwen-Audio-3.1-TTS-Plus third at 1,184. The headline writes itself as a succession story — a vendor beating itself — and that framing is not wrong, but it is the least useful thing on the page. The number that should change a purchasing decision sits two columns to the right, where the same leaderboard lists the new model at $4.00 per million characters against $30.00 for the one it displaced. When a leaderboard reversal like this one later turns out to rest on a stale or restated score, the correction is logged with its dates and sources in the AI Incident Archive, alongside the rest of the model and vendor failures we track.

นั่นคือการลดลง 87% ของต้นทุนที่ระบุไว้ ซึ่งผูกกับโมเดลที่จัดอันดับสูงกว่าโมเดลที่มันเข้ามาแทนที่ ตัวเลขทั้งสองเป็นการแปลงราคาเครดิตของ HeyGen โดย Artificial Analysis ไม่ใช่อัตราที่ HeyGen ประกาศเอง ซึ่งเป็นเรื่องสำคัญและควรจดจำไว้ — แต่ทิศทางของช่องว่างนั้นใหญ่เกินกว่าจะเป็นเพียงอาร์ติแฟกต์จากการแปลงค่า

สิ่งที่บอร์ดที่ถูกควบคุมพูดไว้จริง ๆ เช้านี้

Controlled Voice Arena ตรึงตัวผู้พูดให้คงที่: ผู้เข้าทดสอบทุกรายจะสังเคราะห์เสียงอ้างอิงแบบโคลนชุดเดียวกันจำนวนแปดเสียง โดยเป็นเสียงจากสหรัฐสี่เสียงและจากสหราชอาณาจักรสี่เสียง และผู้ฟังแบบไม่รู้ที่มาจะเลือกฉบับที่ถ่ายทอดได้ดีกว่า นี่คือบอร์ดที่วัดตัวเอนจิน ไม่ใช่วิดีโอเดโมของผู้ขาย และเป็นบอร์ดที่ควรอ่านหากคุณเปิดตัวเสียงแบรนด์แบบโคลน ณ วันที่ 22 ตุลาคม 2026 อันดับต้น ๆ ของบอร์ดมีหน้าตาเช่นนี้

• อันดับ 1 — HeyGen Voice Turbo, 1,202 Elo, ±19 ที่ระดับความเชื่อมั่น 95% (ช่วง 1,183 ถึง 1,221), 1,685 ตัวอย่าง, เปิดตัวตุลาคม 2026, 4.00 ดอลลาร์ต่อล้านตัวอักษร

• อันดับ 2 — HeyGen Voice, 1,195 Elo, ±15 (ช่วง 1,180 ถึง 1,210), 1,964 ตัวอย่าง, เปิดตัวเดือนตุลาคม 2026, $30.00 ต่อล้านอักขระ

• อันดับ 3 — Qwen-Audio-3.1-TTS-Plus, 1,184 Elo, ±14 (ช่วง 1,170 ถึง 1,198), 2,292 ตัวอย่าง, $19.30 ต่อล้านตัวอักษร

• อันดับ 4 และ 5 — Eleven v4 Turbo และ Eleven v4 ทั้งคู่มี 1,156 Elo, $40.00 และ $80.00 ต่อล้านตัวอักษร

• อันดับ 6 — Sonic 3.6, 1,151 Elo, $49.00 ต่อหนึ่งล้านอักขระ จาก 3,193 ตัวอย่าง — โมเดลที่ได้รับโหวตมากที่สุดในสิบอันดับแรก

• อันดับ 7 — Inworld Realtime TTS-2, 1,145 Elo, $20.80 ต่อล้านอักขระ

สองรายละเอียดในรายการนั้นสมควรได้รับความสนใจมากกว่าการจัดลำดับ อันแรกคือคอลัมน์ช่วงอันดับ: Artificial Analysis แสดงอันดับหนึ่งถึงสามเป็นแถบเดียว คือ 1-3 ซึ่งหมายความว่าสถิติของมันเองไม่ได้แยกสามโมเดลอันดับแรกออกจากกัน อันที่สองคือจำนวนตัวอย่าง HeyGen Voice Turbo มี 1,685 โหวต; Eleven v4 Turbo ซึ่งต่ำกว่าสองอันดับ มี 2,593 โหวต ตำแหน่งอันดับหนึ่งของโมเดลใหม่ตั้งอยู่บนหลักฐานประมาณสองในสามของโมเดลที่มันเอาชนะ และช่วง ±19 นั้นกว้างที่สุดในห้าอันดับแรก

Elo เจ็ดแต้มไม่ใช่ประเด็นสำคัญ สี่ดอลลาร์ต่างหากคือเรื่องสำคัญ

ให้ถือสองรายการของ HeyGen เป็นคู่เดียวกัน เพราะทั้งคู่ใช้ endpoint เดียวกัน มีผู้จำหน่ายเดียวกัน และตอนนี้ยังอยู่ใกล้กันบนกระดานจัดอันดับ ช่องว่างระหว่างทั้งสองคือ 7 คะแนน Elo และช่วงความเชื่อมั่นของทั้งคู่ทับซ้อนกันเกือบเต็มช่วง: 1,183 ถึง 1,221 เทียบกับ 1,180 ถึง 1,210 ไม่มีใครควรเลือกจากคุณภาพระหว่างสองโมเดลนี้ ความแตกต่างใด ๆ ในความเป็นธรรมชาติของเสียงที่โคลนนั้นเล็กกว่าความไม่แน่นอนของการวัด

ความแตกต่างของราคาไม่ได้น้อยกว่าความไม่แน่นอน แต่มีขนาดเป็น 7.5 เท่า

ข้อแม้ก่อน เพราะเรื่องนี้เป็นเรื่องจริง: HeyGen ไม่ได้เผยแพร่อัตราค่าบริการสร้างเสียงต่อตัวอักษร หน้าเพจราคาสาธารณะของบริษัทขายเป็นเครดิต — 600 เครดิตในแพ็กเกจหนึ่ง และ 1,000 เครดิตในอีกแพ็กเกจหนึ่ง โดยแผนรายปีมีการจัดสรรเครดิตมากกว่า — และไม่เคยระบุว่าหนึ่งเครดิตซื้อได้กี่ตัวอักษร ตัวเลข $4.00 และ $30.00 เป็นการแปลงของ Artificial Analysis เอง ซึ่งใช้อย่างสม่ำเสมอกับผู้ให้บริการทุกรายในตาราง เพื่อให้สามารถเปรียบเทียบโมเดลได้จริง ตัวเลขเหล่านี้เป็นตัวเลขที่คำนวณขึ้นมา สิ่งที่ทำให้การเปรียบเทียบยังใช้ได้คือการแปลงชุดเดียวกันสร้างตัวเลขทั้งสองตัวนี้: หากการแปลงผิด ก็ผิดทั้งสองตัว และอัตราส่วน 7.5× ยังคงอยู่แม้มีความคลาดเคลื่อนคงที่

ยังมีระดับราคาที่สามที่ไม่ได้ปรากฏอยู่บนกระดานจัดอันดับเลยด้วยซ้ำ HeyGen เปิดให้ใช้โมเดลนี้ในระดับฟรี heygen-voice-1-turbo-freeไปจนถึงวันที่ 30 พฤศจิกายน 2026 โดยรองรับเสียงแบบสาธารณะและอินสแตนต์โคลน ไม่ต้องมีเครดิตคงเหลือ และมีเอกสารระบุไว้อย่างชัดเจนว่าใช้สำหรับการทดสอบ ต้นแบบ และการพูดในปริมาณเล็กน้อย ทั้งยังไม่มีการรับประกันอย่างชัดเจนเช่นกัน คือ ความพร้อมใช้งานของบริการ เวลาตอบสนอง และเวลากว่าจะได้ยินเสียงแรก ล้วนมีข้อปฏิเสธความรับผิดทั้งหมด อีกทั้งความจุถูกใช้ร่วมกันในผู้ใช้ฟรีทุกราย และคำขออาจส่งคืน HTTP 429 rate_limit_exceededได้ในขณะที่คุณยังอยู่ต่ำกว่าขีดจำกัด 30 คำขอต่อนาทีของคุณเองอย่างสบาย ๆ คำขอแบบฟรีจะไม่สลับไปใช้โมเดลแบบเสียเงินอย่างเงียบ ๆ — คุณต้องส่งคำขอใหม่พร้อม heygen-voice-1-turboและยอมรับค่าใช้จ่าย สำหรับเส้นทางการใช้งานจริง ควรตั้งงบไว้สำหรับโมเดลแบบเสียเงิน และมองว่าระดับฟรีเป็นวิธีที่จะได้ยินเอนจินนี้กับสคริปต์ของคุณเองในสัปดาห์นี้

Turbo ต้องแลกอะไรไปบ้างเพื่อให้ได้ตัวเลขนั้น

ส่วนลดนี้ไม่ใช่โปรโมชันด้านราคาที่ถูกแต่งองค์ทรงเครื่องให้ดูเหมือนการเปิดตัวโมเดล หากแต่เป็นผลิตภัณฑ์ที่ narrower ลง และการที่มันแคบลงนั้นก็ได้รับการบันทึกไว้อย่างตรงไปตรงมาในเอกสารอ้างอิงด้านคำพูดของ HeyGen

• ประเภทเสียง — heygen-voice-1-turbo รองรับเฉพาะเสียงสาธารณะและโคลนแบบทันทีเท่านั้น ไม่รองรับโคลนระดับมืออาชีพ ค่าเริ่มต้น heygen-voice-1 ยังคงเป็นโมเดลที่พูดด้วยเสียงระดับมืออาชีพ

• การควบคุมต่อคำขอ — Turbo ยอมรับ expressiveness_boost ตั้งแต่ 0.0 ถึง 1.0 และไม่มีสิ่งอื่นในชุด prosody seed, speed, pitch_shift และ pitch_variance จะได้รับการยอมรับและถูกละเว้นบนเสียงแบบ instant รวมถึง Turbo ส่วน Professional voices จะปฏิเสธ expressiveness_boost โดยสิ้นเชิง

• การหยุด — เสียงระดับมืออาชีพจะหยุด<break> ได้นานถึงห้าวินาที ส่วนเสียงแบบ Instant ซึ่งรวมถึง Turbo จะไม่หยุดเช่นนั้น SSML อื่น ๆ ไม่รองรับในทั้งสองแบบ

• ความยาวข้อความ — ข้อความร้อยแก้วธรรมดา 1 ถึง 5,000 ตัวอักษรต่อคำขอ สำหรับทั้งสองโมเดล

• Rate limit — โดยค่าเริ่มต้น 30 คำขอต่อนาทีต่อสมาชิกในเวิร์กสเปซ ใช้กับทั้งสองเอนด์พอยต์ และปรับได้ตามแต่ละบัญชี

• เอาต์พุต — ไฟล์ WAV PCM16 โมโนหนึ่งไฟล์ที่ 44.1 kHz สำหรับปลายทางแบบซิงโครนัส; ชิ้นส่วน WAV ที่เข้ารหัส base64 ตามลำดับผ่าน server-sent events บน /tts/stream โดยแต่ละชิ้นส่วนที่สตรีมมาเป็นคอนเทนเนอร์ WAV ที่สมบูรณ์ ดังนั้นจึงต้องถอดรหัสแยกทีละชิ้นแทนการนำมาต่อกัน

ให้อ่านรายการนั้นเป็นคำอธิบายของลูกค้าที่ Turbo มุ่งเจาะ: คนที่สร้างบทพูดสั้น ๆ ด้วยเสียงที่โคลนได้ในไม่กี่วินาที ในปริมาณมาก ซึ่งการไม่มีตัวควบคุมระดับเสียงไม่ใช่เรื่องสำคัญ แต่ความแตกต่างของอัตรา 7.5 เท่ากลับสำคัญ หากไปป์ไลน์ของคุณพึ่งพาการโคลนเสียงระดับมืออาชีพที่ใช้เวลายี่สิบนาทีและ seed ที่ทำซ้ำได้ Turbo ก็ไม่ใช่เวอร์ชันที่ถูกกว่าของโมเดลปัจจุบันของคุณ — แต่เป็นโมเดลคนละตัวที่ไม่สามารถทำงานของคุณได้

คำกล่าวอ้างที่ HeyGen กำลังสร้างขึ้นในเอกสารของตนเอง

เอกสารอ้างอิง Text to Speech ของ HeyGen ระบุว่าค่าเริ่มต้น API ของบริษัท — similarity: "extra_high" สำหรับการโคลนเสียง และ expressiveness_boost: 1.0 สำหรับเสียงพูด — คือการกำหนดค่าที่ "ได้อันดับหนึ่งบนกระดานผู้นำ Controlled Voice ของ Artificial Analysis" นั่นเป็นคำกล่าวอ้างของผู้จำหน่ายเกี่ยวกับกระดานจัดอันดับอิสระ และบังเอิญว่าสามารถตรวจสอบได้: กระดานดังกล่าวแสดงให้เห็นจริงว่าโมเดลของ HeyGen อยู่ในอันดับหนึ่ง คำกล่าวอ้างนี้ยังแคบกว่าที่ฟังดูอีกด้วย โดยอธิบายถึงการกำหนดค่าหนึ่งของโมเดลหนึ่งบนหนึ่งในสองกระดานเสียงพูดของ Artificial Analysis และไม่ได้กล่าวถึงตำแหน่งบนกระดานผู้นำของแค็ตตาล็อกเสียงของผู้จำหน่ายโดยรวมเลย

โปรดทราบถึงความไม่สอดคล้องที่ควรรู้ไว้ก่อนที่คุณจะคัดลอกค่าเริ่มต้น: HeyGen Studio มาพร้อมกับsimilarity: "max" และ expressiveness_boost: 0.5 ในขณะที่ API ใช้ค่าเริ่มต้นเป็นคู่ที่มีความคล้ายคลึงสูงกว่าและมีการแสดงออกสูงสุด ผลลัพธ์บนลีดเดอร์บอร์ดนั้นสร้างขึ้นจากค่าเริ่มต้นของ API หากคุณปรับแต่งเพื่อให้ได้ความอบอุ่นแบบที่ Studio ให้ คุณก็ไม่ได้ใช้การกำหนดค่าที่คะแนน Elo นั้นอ้างอิงถึงอีกต่อไป

สามสิ่งที่ลีดเดอร์บอร์ดนี้ไม่ได้วัด

ประการแรก HeyGen ไม่มีรายการอยู่บน Provider Voice Arena เลย — บอร์ดคู่ที่ผู้ให้บริการแต่ละรายใช้เสียงดั้งเดิมของตนเองและมี 98 โมเดลได้รับการจัดอันดับ บอร์ดนั้นมี Eleven v4 Turbo นำอยู่ที่ 1,335 โดยมี Inworld Realtime TTS-2 อยู่อันดับที่ 6 ที่ 1,267 Artificial Analysis ละเว้นโมเดลที่มีคะแนนโหวตไม่เพียงพอ ดังนั้นการไม่มีรายชื่อจึงไม่ใช่คำตัดสินเรื่องคุณภาพ แต่หมายความว่าไม่มีตัวเลขอิสระสำหรับเสียงจากแคตตาล็อกของ HeyGen เองว่าฟังดูเป็นอย่างไรต่อผู้ฟังทั่วไป หากคุณกำลังเลือกจากเสียงผู้บรรยายสำเร็จรูปแทนการโคลน ตัวเลขหลักของบทความนี้ไม่ใช้กับคุณ

ประการที่สอง บอร์ดที่ควบคุมจะทำงานแยกตามภาษา และ HeyGen Voice Turbo ปรากฏอยู่ด้านบนของบอร์ดภาษาอังกฤษและบนบอร์ดภาษาเยอรมัน — แต่ไม่ปรากฏในแท็บภาษาญี่ปุ่น จีน ฝรั่งเศส สเปน โปรตุเกส เวียดนาม อาหรับ และฮินดี เมื่อพิจารณาว่า HeyGen ระบุรหัสภาษาฐาน 42 รหัสสำหรับการโคลนเสียงและการพูด คำอธิบายที่น่าจะเป็นไปได้มากที่สุดคือปริมาณการโหวตมากกว่าความสามารถ ถึงกระนั้น มงกุฎภาษาอังกฤษก็คือมงกุฎภาษาอังกฤษ และใครก็ตามที่เปิดตัวงานบรรยายหลายภาษาควรอ่านแท็บที่เกี่ยวข้องก่อนสรุปว่าผลลัพธ์จะใช้ได้ในภาษานั้น

ประการที่สาม arena ให้คะแนนเสียง ไม่ใช่ขั้นตอนการโคลนที่สร้างเสียงนั้นขึ้นมา การที่โคลนแบบทันทีจากเสียงอ้างอิงเพียงไม่กี่วินาทีจะคงเอกลักษณ์ของผู้พูดเฉพาะรายไว้ได้หรือไม่นั้นเป็นคำถามแยกต่างหาก ซึ่งไม่มีใครที่นี่วัดสิ่งนั้น

เกิดอะไรขึ้นในวันที่ 1 ธันวาคม

คำถามเปิดที่เป็นรูปธรรมที่สุดไม่ใช่เรื่องที่ว่า Turbo จะยังครองอันดับหนึ่งหรือไม่ — ส่วนต่างเจ็ดคะแนนที่อยู่ภายในช่วงที่ทับซ้อนกันอาจพลิกกลับได้ในการให้คะแนนรอบถัดไป โดยที่ไม่มีอะไรเปลี่ยนแปลงเลยที่ HeyGen หากแต่เป็นเรื่องที่ว่าโมเดลนี้จะมีค่าใช้จ่ายเท่าใดหลังจากที่ระดับใช้งานฟรีสิ้นสุดลงในวันที่ 30 พฤศจิกายน 2026

มีความเป็นไปได้สองเส้นทาง อัตราแปลงที่ $4.00 อาจเป็นราคาในสภาวะคงที่ของโมเดลเสียงทันทีที่ตั้งใจให้ราคาถูก ซึ่งในกรณีนั้นกระดานจัดอันดับที่ควบคุมอยู่ตอนนี้มีรายการที่ติดอันดับสูงสุดอยู่ที่หนึ่งในห้าของค่ามัธยฐานของกลุ่มทั้งหมด หรือ Turbo Free อาจเป็นช่องทางหาลูกค้า และอัตราที่ต้องจ่ายอาจเปลี่ยนไปเมื่อข้อเสนอนั้นสิ้นสุด HeyGen กล่าวว่าจะแจ้งผู้ใช้ก่อนที่ข้อเสนอจะเปลี่ยน ซึ่งเป็นคำมั่นสัญญาเดียวที่บันทึกไว้ จนกว่าจะมีตารางอัตราค่าบริการของผู้ให้บริการ ราคาทุกจุดในที่นี้เป็นการอนุมาน — เป็นการอนุมานที่ดี ใช้อย่างสม่ำเสมอ และยังคงเป็นการอนุมาน

สำหรับทีมที่ใช้งานไปป์ไลน์เสียงอยู่แล้ว ก้าวที่ปฏิบัติได้จริงในสัปดาห์นี้คือเรื่องเล็กและประหยัด: เรนเดอร์บทพูดของคุณเองยี่สิบบรรทัดผ่าน heygen-voice-1-turbo-freeด้วยโคลนแบบทันที และเรนเดอร์ยี่สิบบรรทัดเดียวกันผ่านสิ่งที่คุณใช้อยู่ในปัจจุบัน อารีนาได้บอกคุณว่าเอนจินต่าง ๆ ใกล้เคียงกันบนเสียงอ้างอิงแปดเสียง มันบอกไม่ได้ว่า Turbo จัดการชื่อผลิตภัณฑ์ ตัวเลข และการหยุดเว้นจังหวะของคุณได้หรือไม่ หากคุณเรียกใช้โมเดลภาษาหรือ หนึ่งในโมเดลเสียงแบบโฮสต์ในแคตตาล็อกของ OrcaRouter โมเดลเหล่านั้นสามารถอยู่ ภายใต้คีย์เดียวพร้อมการสลับระบบสำรองอัตโนมัติ ซึ่งช่วยให้การทดลองอยู่นอกเส้นทางโปรดักชันของคุณ — แม้ว่า HeyGen Voice Turbo เองไม่ได้ถูกกำหนดเส้นทางไปที่นั่น ดังนั้นการรันเปรียบเทียบจึงต้องผ่าน API ของ HeyGen เอง

เรื่องราวการสืบทอดตำแหน่ง สุดท้ายแล้วคือการตีความที่น่าสนใจน้อยที่สุด ผู้จำหน่ายรายหนึ่งที่พัฒนาโมเดลของตนเองขึ้นเจ็ด Elo ในสิบสองวันเป็นความก้าวหน้าธรรมดา ผู้จำหน่ายที่ปล่อยเอนจินเสียงโคลนที่ดีที่สุดของตนในต้นทุนประมาณหนึ่งในเจ็ดของราคาที่ประกาศไว้ของรุ่นก่อนหน้า คือการเปลี่ยนแปลงกรอบว่าชั้นเสียงหนึ่งชั้นได้รับอนุญาตให้มีต้นทุนเท่าใด — และนั่นคือประโยคที่ควรหยิบติดตัวไปในการสนทนาเรื่องงบประมาณ