GPT-Live-1 vs HeyGen Voice: Hai bo mạch, hai công việc, và một API vốn đã ghép chúng lại với nhau

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.

Thực tế mỗi thứ là gì

HeyGen Voice là mô hình chuyển văn bản thành giọng nói do chính HeyGen phát triển, nằm trong API v3 — API này cũng cung cấp khả năng kết xuất video và avatar. Có hai ID mô hình được công bố — heygen-voice-1, bao gồm cả bản sao tức thời và bản sao chuyên nghiệp, và heygen-voice-1-turbo, cùng một engine nhưng chỉ giới hạn ở bản sao tức thời với độ trễ thấp hơn. Trong nội bộ, engine này được gọi là orca, đây chính là giá trị bạn dùng để lọc trong truy vấn voices. Nó nhận văn bản và trả về âm thanh ở định dạng WAV mono 44,1 kHz, hoặc dưới dạng một yêu cầu một lần (POST /v3/models/audio/tts) hoặc dưới dạng luồng server-sent-event với các phần WAV mã hóa base64 và các sự kiện căn chỉnh ký tự tùy chọn (POST /v3/models/audio/tts/stream). Nó không hề nghe được gì cả.

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.

Kết quả bảng xếp hạng, và ranh giới xung quanh nó

Artificial Analysis vận hành hai bảng xếp hạng giọng nói và chúng trả lời những câu hỏi khác nhau. Đấu trường Provider Voice cho phép mỗi nhà cung cấp tự nộp những giọng nói do mình chọn — những giọng demo bóng bẩy mà một công ty chọn để đại diện cho chính mình — và xếp hạng chúng dựa trên mức độ hay của những giọng đó. Đấu trường Controlled Voice thay thế bằng một bộ cố định gồm tám giọng tham chiếu được nhân bản, bốn giọng Mỹ và bốn giọng Anh, để mọi engine nói cùng những từ bằng cùng một giọng trong cùng điều kiện. Đây là thứ gần nhất mà ngành này có được với một bài kiểm tra engine so sánh tương đương, và đây là bảng xếp hạng quan trọng nếu bạn định nhân bản một giọng nói rồi đưa nó cho một mô hình TTS.

HeyGen Voice dẫn đầu. Từ bản chụp tháng 10 năm 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."

Việc không xuất hiện trên bảng rộng hơn đó không phải là tín hiệu về chất lượng. Artificial Analysis lưu ý rằng các mục có thể bị giữ lại do không đủ phiếu bầu, và một mô hình mới chỉ vài tuần tuổi với một đấu trường được chấm điểm theo cách khác phía sau thì chưa tích lũy đủ lượng người nghe mù mà bảng gồm hơn chín mươi mô hình yêu cầu. Cách hiểu đúng là hẹp và hữu ích: HeyGen Voice hiện là engine đạt điểm cao nhất trên phép so sánh giọng nói được nhân bản, có kiểm soát, đồng thời là một ẩn số so với toàn bộ lĩnh vực rộng lớn hơn. Bất kỳ ai trích dẫn "mô hình TTS tốt nhất thế giới" từ con số đó đang trích dẫn một bảng nhỏ hơn so với hàm ý của câu nói.

HeyGen mang đến cho bạn những gì để xây dựng

Công cụ này linh hoạt hơn mức mà một nhãn “mô hình TTS” gợi ý, và có ba chi tiết quan trọng đối với bất kỳ ai đang cân nhắc giữa hai sản phẩm này.

• Lựa chọn engine cho từng giọng nói. Một GET /v3/voices sẽ nhận một bộ lọc engine với các giá trị bao gồm orca cho HeyGen Voice, starfish, và một đường truyền thẳng tới các giọng của ElevenLabs. HeyGen không bắt bạn phải dùng model của riêng họ — họ phòng hờ, theo đúng nghĩa đen, bằng cách cho phép bạn định tuyến tới engine của một đối thủ thông qua chính API của mình. Bất cứ ai đọc con số 1.198 Elo thành "giọng của HeyGen là hay nhất" nên lưu ý rằng nó chỉ mô tả một trong ba con đường mà cùng một endpoint đó cung cấp.

• Nhân bản trong hai chế độ. Instant Clone nhận một bản ghi âm, sử dụng ba phút đầu tiên, không thể huấn luyện lại, và được ghi trong tài liệu là miễn phí trong giai đoạn xem trước. Professional Clone huấn luyện trên một đến mười bản ghi âm, tổng cộng từ hai mươi phút trở lên, trả về 202 Accepted và thăm dò cho đến khi hoạt động, có thể huấn luyện lại, và chiếm một slot đã mua. Bộ điều chỉnh độ tương đồng nhận giá trị từ một đến bốn, mức tăng độ biểu cảm từ 0.0 đến 1.0 chỉ áp dụng cho giọng Instant, và các thẻ break tối đa năm giây có sẵn ở gói Professional.

• Thiết kế giọng nói có thể tái tạo. POST /v3/voices tạo tối đa ba ứng viên được xếp hạng từ một mô tả giới hạn ở 1.000 ký tự, với bộ lọc giới tính tùy chọn, một locale BCP-47 tùy chọn và một seed — và HeyGen ghi rõ rằng cùng một prompt cộng với cùng một seed luôn trả về cùng các giọng nói. Văn bản giọng nói giới hạn ở 5.000 ký tự và endpoint chạy ở 30 yêu cầu mỗi phút đối với gói trả theo mức sử dụng, 120 đối với Enterprise.

• Phạm vi ngôn ngữ gồm 39 mã cơ sở cho cả nhân bản và giọng nói, với các thẻ khu vực được phân giải về mã cơ sở của chúng thay vì chuyển đổi giọng. Con số "175+ ngôn ngữ và phương ngữ" ở cấp nền tảng đang lan truyền trên các trang tiếp thị của HeyGen không phải là phạm vi của mô hình này.

Một cảnh báo thực tế về danh sách ngôn ngữ đó: một số locale theo khu vực mà các engine avatar chấp nhận lại không chọn giọng vùng miền trong engine giọng nói. Nếu sản phẩm của bạn có bản địa hóa, hãy kiểm tra locale bạn cần thay vì cho rằng thẻ đó sẽ mang theo giọng vùng miền.

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.

Nơi hai hệ thống gặp nhau: ủy quyền, và cái giá phải trả

Cả hai phía giờ đều cung cấp một vòng hội thoại hoàn chỉnh, và cả hai đều đặt bộ suy luận ở nơi bạn có thể kiểm soát.

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.

Làm thế nào để quyết định trong tuần này

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.

Điều không nên làm là trích dẫn “vị trí đầu tiên trên Artificial Analysis” như thể nó đã giải quyết xong quyết định của một sản phẩm hội thoại. Nó chỉ giải quyết một câu hỏi về kết xuất trên tám giọng nói nhân bản. Câu hỏi còn lại thậm chí chưa hề được đặt ra trên bảng xếp hạng đó.

Không có gì trong số đó là giả thuyết: các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.