HeyGen Voice vs Cartesia Sonic 3.6: แชมป์เสียงโคลน ปะทะเจ้าตลาดที่ความหน่วงต่ำกว่า 90 มิลลิวินาที
- openaiใหม่OpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicใหม่Anthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 112 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 51 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 423 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040ความฉลาด
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 62 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 404 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 ต่อ 1 ล้านโทเค็น · 230 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845ความฉลาด75การเขียนโค้ด
- obsidianQwen3.8 27B2026-08-1534ความฉลาด68การเขียนโค้ด
HeyGen Voice และ Cartesia Sonic 3.6 ต่างมีคำกล่าวอ้างอันดับหนึ่งที่แตกต่างกันสองแบบบน Artificial Analysis และการเปรียบเทียบทั้งหมดก็อยู่ตรงช่องว่างระหว่างสองสิ่งนี้ HeyGen Voice ครองอันดับหนึ่งใน Controlled Voice arena ด้วย 1,202 Elo — กระดานที่ทุกโมเดลพูดด้วยเสียงโคลนเดียวกันแปดเสียง สี่เสียงสหรัฐฯ และสี่เสียงสหราชอาณาจักร Cartesia Sonic 3.6 อยู่อันดับสี่ใน Provider Voices arena ด้วย 1,280 Elo ซึ่งผู้ให้บริการแต่ละรายจัดหาเสียงเนทีฟของตัวเอง และเว็บไซต์ของ Cartesia เองมีป้ายที่อ้างว่าติดอันดับ #1 ทั้งใน Speech Arena และ Speech to Text leaderboard ซึ่งเป็นคำกล่าวอ้างที่ผู้ขายแสดงเองที่ตาราง Artificial Analysis แบบเรียลไทม์ในปัจจุบันยังไม่สนับสนุนในตำแหน่งสูงสุด เอนจินหนึ่งชนะการทดสอบที่เสียงถูกทำให้คงที่ ส่วนอีกเอนจินนำในการทดสอบที่งบประมาณการผลิตเป็นของจริง
เริ่มจากสิ่งที่โมเดลแต่ละตัวถูกปรับให้เหมาะกับจริง ๆ
Sonic 3.6 ถูกสร้างมาเพื่อให้ใช้งานในรูปแบบสตรีม หน้าสินค้าของ Cartesia เองขึ้นต้นด้วยข้อความ "เสียงแรกภายในไม่ถึง 90ms" — ซึ่งเป็นข้อมูลที่ผู้ขายรายงานเอง ยังไม่มีการตรวจสอบซ้ำ — และหน้าเดียวกันยังกล่าวถึง API แปลงข้อความเป็นเสียงแบบเรียลไทม์ที่มีความสามารถด้านสตรีมมิ่งระดับแรก โดยรองรับ 44 ภาษาจากโมเดลเดียว ตีความนัยทางอารมณ์โดยค่าเริ่มต้น รับสัญญาณที่ไม่ใช่คำพูด เช่น เสียงหัวเราะที่เขียนไว้ในข้อความ โคลนเสียงจากเสียงประมาณสิบวินาที โลคัลไลซ์ออดิโอที่มีอยู่ให้เป็นภาษาอื่น และรับพจนานุกรมการออกเสียงแบบกำหนดเองสำหรับคำเฉพาะทางและคำวิสามานยนาม ลูกค้าเป้าหมายของทุกความสามารถเหล่านั้นคือคนเดียวกัน: สิ่งที่โต้ตอบกลับได้อย่างรวดเร็ว ในภาษาที่ผู้โทรเข้าใจ
HeyGen Voice ถูกสร้างมาเพื่อรับชมในฐานะการแสดง มันเป็นเอนจินภายในของ HeyGen ที่เปิดให้ใช้งานผ่าน API v3 ของบริษัท พร้อมเสียงสำเร็จรูปมากกว่า 300 เสียงในหลากหลายภาษา และมีสามเส้นทางสู่การสร้างเสียงแบบกำหนดเอง — การออกแบบเสียงจากคำบรรยายที่คืนค่าตัวเลือกที่จัดอันดับได้สูงสุดสามแบบจากพรอมป์ต์ที่จำกัดความยาวไม่เกิน 1,000 ตัวอักษร การโคลนแบบทันทีจากการบันทึกเพียงครั้งเดียว และการโคลนระดับมืออาชีพที่ฝึกจากข้อมูลยี่สิบนาทีขึ้นไป การปรับแต่งต่อคำขอครอบคลุมความเร็วตั้งแต่ 0.5 ถึง 1.5 และระดับเสียงในช่วง ±50 เซมิโทน ไม่มีสิ่งใดในเอกสารเผยแพร่ของ HeyGen ที่สัญญาเรื่องค่าความหน่วงไว้เลยแม้แต่นิดเดียว
ความไม่สมมาตรนั้นคือเนื้อหาทั้งหมดของบทความ โมเดลหนึ่งเผยแพร่ตัวเลขหน่วยมิลลิวินาทีและไม่มีราคาต่อตัวอักษร ส่วนอีกโมเดลเผยแพร่ราคาและไม่มีตัวเลขความหน่วง
กระดานคะแนน
• Elo เสียงแบบควบคุม (เสียงโคลน 8 เสียงชุดเดียวกัน) — HeyGen Voice: 1,202, #1 จาก 42. Sonic 3.6: 1,143, #5.
• Elo ของเสียงผู้ให้บริการ (เสียงเจ้าของภาษา) — HeyGen Voice: ไม่ถูกจัดอันดับ เนื่องจากคะแนนโหวตไม่เพียงพอ Sonic 3.6: 1,280, #4 จาก 96
• ราคาที่ประกาศ — Sora 3.6: 49.0 ดอลลาร์ต่อ 1 ล้านตัวอักษร ตามการ์ดอัตราค่าบริการของผู้ให้บริการ HeyGen Voice: 30.00 ดอลลาร์ต่อ 1 ล้านตัวอักษร โดยอิงจากการแปลงราคาเครดิตของ HeyGen ที่ทางอารีน่าคำนวณขึ้นเอง HeyGen ไม่ได้ประกาศราคาสำหรับเสียงเอง
• ความหน่วง — Sonic 3.6: ต่ำกว่า 90 มิลลิวินาทีถึงเสียงแรก (รายงานโดยผู้จำหน่าย ยังไม่ได้ทำซ้ำ) HeyGen Voice: ไม่มีตัวเลขที่เผยแพร่โดยผู้จำหน่ายหรือวัดโดย Artificial Analysis
• ภาษา — Sonic 3.6: 44 จากโมเดลเดียว HeyGen Voice: เสียงมากกว่า 300 เสียงใน "หลายสิบภาษา" โดยไม่ได้ระบุเป็นตัวเลขจำนวน
• เส้นทางเสียงแบบกำหนดเอง — Sonic 3.6: โคลนเสียงใน ~10 วินาที HeyGen Voice: ออกแบบเสียงจากคำอธิบายข้อความ โคลนทันที หรือโคลนระดับมืออาชีพที่ฝึกจากข้อมูล 20+ นาที
ช่องว่างของ Elo เมื่ออ่านอย่างถูกต้อง
การขึ้นนำ 59 คะแนนในอารีนาแบบควบคุมกลับกลายเป็นความตามหลัง 137 คะแนนบนบอร์ดผู้ให้บริการ และการกลับด้านนี้ไม่ใช่ข้อขัดแย้ง บอร์ดแบบควบคุมตัดความสามารถของผู้ขายในการเลือกเสียงที่ดูดีเข้าข้างตัวเอง และถามว่าเอนจินจัดการกับเสียงที่มันไม่ได้เลือกอย่างไร HeyGen Voice ชนะในจุดนั้น บอร์ดผู้ให้บริการถามว่าเสียงที่ดีที่สุดของผู้ขายเองฟังดูดีแค่ไหน ซึ่งใกล้เคียงกับสิ่งที่ลูกค้าได้ยินในการสาธิตการขายมากกว่า — และ Sonic 3.6 ทำได้ดีตรงนั้น เป็นอันดับสี่จากเก้าสิบหก และตามหลัง Eleven v4 Turbo ที่อยู่อันดับหนึ่ง 38 คะแนน
ไม่มีตัวเลขใดที่เป็นความจริงแบบใช้ได้ทั่วไปทั้งหมด หากคุณกำลังโคลนบุคคลเฉพาะเจาะจงและต้องการให้เอนจินเรนเดอร์บุคคลนั้นได้อย่างน่าเชื่อถือ ผลลัพธ์แบบควบคุมจะเป็นตัวทำนายที่ดีกว่า และปัจจุบัน HeyGen Voice นำอยู่ในด้านนี้ หากคุณกำลังเลือกเสียงจากไลบรารีสำหรับเอเจนต์ที่ต้องฟังดูโดดเด่นในระดับสเกล ผลลัพธ์จากผู้ให้บริการจะเป็นตัวทำนายที่ดีกว่า และ Sonic 3.6 มีอันดับในจุดที่ HeyGen Voice ไม่มี
น่าสังเกตสำหรับใครก็ตามที่ยังยึดตัวเลขเก่าอยู่: บอร์ดทั้งสองนี้เปลี่ยนแปลงไปเมื่อคะแนนโหวตสะสมเพิ่มขึ้น ก่อนหน้านี้ในปี 2026 มีรายงานว่า Sonic 3.6 นำเป็นอันดับหนึ่งในบอร์ดเสียงควบคุมอย่างชัดเจน ส่วนตารางปัจจุบันจัดให้อยู่อันดับที่ห้า ณ ที่นั้นด้วยคะแนน 1,143 โดยมี HeyGen Voice, Qwen-Audio-3.1-TTS-Plus และ Eleven v4 สองระดับอยู่เหนือขึ้นไป การอ้างอิงจากลีดเดอร์บอร์ดเป็นเพียงภาพ ณ เวลาหนึ่ง ไม่ใช่คุณสมบัติถาวรของโมเดล
จุดที่การกำหนดราคาตั้งอยู่
ราคา $49.00 ต่อล้านอักขระของ Sonic 3.6 คือราคา benchmark ของ arena เอง ซึ่งดึงมาจากอัตรา API ที่ผู้ขายเผยแพร่ ณ การตั้งค่าเริ่มต้น นั่นทำให้บิลค่าเสียงรายเดือนระดับห้าหลักสามารถคำนวณได้ก่อนที่คุณจะเขียนโค้ดเชื่อมต่อแม้แต่บรรทัดเดียว
ตัวเลขของ HeyGen ไม่หนักแน่นเท่า แต่ก็มีอยู่ แผนภูมิราคาของอารีนาระบุ HeyGen Voice ไว้ที่ $30.00 ต่อล้านตัวอักษร — ต่ำกว่า Sonic 3.6 อยู่สิบเก้าดอลลาร์ — และตัวเลขนั้นคือการแปลงราคาเครดิตของ HeyGen โดย Artificial Analysis ไม่ใช่อัตราที่ HeyGen ประกาศเอง หน้าเว็บของ HeyGen เองขายเครดิต (Creator ราคา $29/เดือน สำหรับ 600 เครดิต, Pro ราคา $49 สำหรับ 1,000, Business ราคา $149 สำหรับ 1,500) และระบุชัดเจนว่าการใช้เครดิตแตกต่างกันไปตามโมเดล ระยะเวลา และความซับซ้อนของการสร้าง โดยไม่เคยแปลงเครดิตเหล่านั้นเป็นจำนวนตัวอักษร ดังนั้นโมเดลที่ชนะบอร์ดเสียงแบบควบคุมจึงมีราคาต่ำกว่าโมเดลที่อยู่อันดับห้าอย่างมาก และช่องว่างนั้นเป็นตัวเลขที่ได้มาจากการคำนวณ ซึ่งคุณจะอยากนำไปยืนยันกับข้อความของคุณเอง มากกว่าจะเป็นตารางราคาที่คุณตรวจสอบได้
นั่นไม่ใช่ข้อโต้แย้งต่อต้าน HeyGen Voice แต่เป็นข้อโต้แย้งให้ทดสอบมันกับทราฟฟิกที่คุณสามารถรับต้นทุนในการวัดได้ เพราะวิธีเดียวที่จะรู้ต้นทุนที่แท้จริงของมันในไปป์ไลน์ของคุณ คือการนำข้อความของคุณเองรันผ่านมัน
การเลือกระหว่างพวกมัน
เลือก Sonic 3.6 เมื่อเสียงต้องตอบ คำกล่าวอ้างเรื่องเสียงแรกที่ต่ำกว่า 90ms, API แบบสตรีมมิ่งเนทีฟ, 44 ภาษาจากโมเดลเดียว และ — ที่สำคัญ — ตารางราคาที่เผยแพร่ ทำให้มันเป็นตัวเลือกในการผลิตที่มีความเสี่ยงต่ำกว่าสำหรับเอเจนต์สนทนา, IVR และทุกอย่างที่การหยุดชั่วคราวถือเป็นบั๊ก อันดับที่ 5 ในหมวดเสียงควบคุมของมันนั้นน่าพอใจ ไม่ใช่จุดอ่อน และอันดับที่สี่บนบอร์ดที่กว้างขึ้นคือสัญญาณอิสระที่แข็งแกร่งที่สุดที่โมเดลใดโมเดลหนึ่งมี
ทดสอบ HeyGen Voice ก่อนเมื่อเสียงต้องทำผลงาน การบรรยาย เนื้อหาที่อ่านโดยแบรนด์ งานพากย์ตัวละคร และโปรเจกต์ใดก็ตามที่คุณกำลังโคลนเสียงผู้พูดหนึ่งคนและต้องการให้เสียงโคลนของผู้พูดคนนั้นเป็นเสียงที่ดีที่สุดในระบบ — นั่นคืองานที่สนามประลองแบบควบคุมถูกสร้างขึ้นมาเพื่อวัด และมันคืองานที่ HeyGen Voice เพิ่งชนะไป เส้นทางการโคลนระดับมืออาชีพที่ฝึกด้วยข้อมูลมากกว่ายี่สิบนาทีเป็นผลิตภัณฑ์ที่แตกต่างอย่างมีนัยสำคัญจากการโคลนทันทีในสิบวินาที และมันคือเส้นทางที่สอดคล้องกับเสียงอ้างอิงโคลนแปดเสียงในสนามประลอง
อย่าเลือกอันใดอันหนึ่งเพียงเพราะตัวเลข Elo ตัวเดียว สองบอร์ดนี้ไม่เห็นตรงกันเกี่ยวกับโมเดลเหล่านี้ ซึ่งหมายความว่าบอร์ดกำลังบอกสิ่งที่เป็นจริงกับคุณ: คุณภาพขึ้นอยู่กับเสียงและภาระงาน ไม่ใช่ที่ตัวเอนจินเพียงอย่างเดียว
รันทั้งคู่โดยไม่คอมมิต
แนวทางปฏิบัติสำหรับความขัดแย้งเช่นนี้คือหยุดมองว่าเป็นการตัดสินใจจัดซื้อจัดจ้าง วางเอ็นจิ้นทั้งสองไว้หลังอินเทอร์เฟซเดียว แยกทราฟฟิก และตัดสินจากเสียงของคุณเอง — คำบรรยายไม่กี่บรรทัดและลูปเอเจนต์แบบสดจะบอกคุณได้มากกว่าห้าสิบคะแนน Elo OrcaRouter ส่งเส้นทางทั้งสองผ่านคีย์ API เดียวในราคาตามรายการของผู้ให้บริการโดยไม่มีค่าบวกเพิ่ม ดังนั้นราคาที่คุณจ่ายคือตามอัตราที่ผู้ขายกำหนดเอง และการเปลี่ยนแปลงราคาของ Sonic 3.6 จะปรากฏในวันเดียวกันแทนที่จะเป็นตอนต่ออายุ การสลับสำรองอัตโนมัติมีความสำคัญที่นี่มากกว่าการสลับโมเดลส่วนใหญ่ เพราะผู้ให้บริการเสียงที่หยุดชะงักกลางประโยคจะได้ยินได้จากผู้โทร และ DSL การกำหนดเส้นทางช่วยให้คุณกำหนดเอ็นจิ้นหนึ่งสำหรับเทิร์นที่ไวต่อความหน่วงและอีกเอ็นจิ้นสำหรับคำบรรยายที่เรนเดอร์ล่วงหน้าได้ โดยไม่ต้องดูแลการผสานรวมสองอย่าง
อะไรจะยุติเรื่องนี้ได้
สองเรื่อง อัตราค่าเสียงแบบต่อตัวอักษรหรือต่อเครดิตที่ HeyGen เผยแพร่ จะทำให้ครึ่งที่เป็นต้นทุนของการเปรียบเทียบนี้เป็นรูปธรรมพอ ๆ กับครึ่งที่เป็นคุณภาพ และการที่ HeyGen Voice สะสมคะแนนโหวตได้มากพอจะเข้าสู่เวที Provider Voices จะบอกเราว่าความได้เปรียบด้านเสียงควบคุมของมันจะยังคงอยู่เมื่อเจอกับเสียงจากเจ้าของภาษาหรือไม่ — การทดสอบที่ Sonic 3.6 ผ่านมาแล้วในอันดับสี่จากเก้าสิบหก จนกว่าจะถึงตอนนั้น Sonic 3.6 คือผู้ครองตำแหน่งที่มีทั้งราคาและตัวเลขความหน่วง และ HeyGen Voice คือผู้ท้าชิงที่มีหลักฐานด้านเสียงโคลนที่ดีกว่า แต่ไม่มีค่าใช้จ่ายให้วางเทียบข้าง ๆ
