HeyGen Voice Turbo giành ngôi vương giọng nói có kiểm soát từ HeyGen Voice — và giảm 87% giá tại Arena

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.

Đó là mức giảm 87% trong chi phí niêm yết gắn với một mô hình được xếp hạng cao hơn mô hình mà nó thay thế. Cả hai con số đều là kết quả quy đổi của Artificial Analysis từ mức giá tín dụng của HeyGen chứ không phải mức giá do HeyGen công bố, điều này quan trọng và đáng để ghi nhớ — nhưng hướng của khoảng cách quá lớn nên không thể chỉ là hệ quả của việc quy đổi.

Điều mà ban kiểm soát thực sự nói vào sáng nay

Controlled Voice Arena giữ cố định người nói: mọi thí sinh đều tổng hợp cùng tám giọng tham chiếu được nhân bản, bốn giọng Mỹ và bốn giọng Anh, và những người nghe trong thử nghiệm mù sẽ chọn bản thể hiện tốt hơn. Đây là bảng xếp hạng đo chính động cơ thay vì đo video demo của nhà cung cấp, và là bảng bạn nên đọc nếu bạn triển khai một giọng nói thương hiệu được nhân bản. Tính đến ngày 22 tháng 10 năm 2026, phần đầu bảng xếp hạng như sau.

• Hạng 1 — HeyGen Voice Turbo, 1.202 Elo, ±19 ở độ tin cậy 95% (khoảng 1.183 đến 1.221), 1.685 mẫu, phát hành tháng 10 năm 2026, $4,00 mỗi triệu ký tự.

• Hạng 2 — HeyGen Voice, 1.195 Elo, ±15 (khoảng 1.180 đến 1.210), 1.964 mẫu, phát hành tháng 10 năm 2026, 30,00 USD mỗi triệu ký tự.

• Hạng 3 — Qwen-Audio-3.1-TTS-Plus, 1.184 Elo, ±14 (khoảng 1.170 đến 1.198), 2.292 mẫu, 19,30 USD mỗi triệu ký tự.

Hạng 4 và 5 — Eleven v4 Turbo và Eleven v4, cả hai đều đạt 1.156 Elo, $40,00 và $80,00 mỗi triệu ký tự.

• Hạng 6 — Sonic 3.6, 1.151 Elo, 49,00 USD cho mỗi triệu ký tự, trên 3.193 mẫu — mô hình được bình chọn nhiều nhất trong top 10.

• Hạng 7 — Inworld Realtime TTS-2, 1.145 Elo, 20,80 USD mỗi triệu ký tự.

Hai chi tiết trong danh sách đó đáng được chú ý hơn cả thứ tự. Thứ nhất là cột khoảng: Artificial Analysis in hạng từ một đến ba thành một dải duy nhất, 1-3, nghĩa là số liệu thống kê của chính nó không tách biệt ba mô hình đứng đầu. Thứ hai là số lượng mẫu. HeyGen Voice Turbo có 1.685 phiếu; Eleven v4 Turbo, thấp hơn hai bậc, có 2.593 phiếu. Vị trí dẫn đầu của mô hình mới dựa trên lượng bằng chứng chỉ khoảng hai phần ba so với các mô hình mà nó đang vượt qua, và khoảng ±19 là rộng nhất trong top năm.

Elo bảy không phải là câu chuyện. Bốn đô-la mới là.

Hãy coi hai mục HeyGen là một cặp, vì chúng dùng chung endpoint, cùng nhà cung cấp và giờ đây nằm cạnh nhau trên bảng xếp hạng. Khoảng cách giữa chúng là bảy điểm Elo, và khoảng tin cậy của chúng chồng lấn gần như toàn bộ chiều rộng: 1.183 đến 1.221 so với 1.180 đến 1.210. Không ai nên chọn giữa hai mô hình này dựa trên chất lượng. Mọi khác biệt về độ tự nhiên của giọng nói được nhân bản đều nhỏ hơn độ bất định của phép đo.

Chênh lệch giá không nhỏ hơn độ không đảm bảo. Nó gấp 7,5 lần.

Trước hết là lưu ý, vì đây là điều có thật: HeyGen không công bố mức giá giọng nói theo từng ký tự. Trang giá công khai của họ bán tín dụng — 600 tín dụng ở một gói, 1.000 ở một gói khác, và phân bổ lớn hơn ở các gói thanh toán hằng năm — và không bao giờ nêu rõ một tín dụng mua được bao nhiêu ký tự. Các con số $4.00 và $30.00 là quy đổi của chính Artificial Analysis, được áp dụng nhất quán trên mọi nhà cung cấp trong bảng để các mô hình có thể được so sánh với nhau. Chúng là những con số được suy ra. Điều khiến việc so sánh vẫn dùng được là cùng một phép quy đổi đã tạo ra cả hai con số: nếu phép quy đổi sai, thì nó sai với cả hai, và tỷ lệ 7,5× vẫn giữ nguyên qua một sai số hằng số.

Có một mức giá thứ ba hoàn toàn không xuất hiện trên bảng xếp hạng. HeyGen đang chạy gói miễn phí của mô hình này, heygen-voice-1-turbo-free, đến ngày 30 tháng 11 năm 2026. Nó nói được giọng công khai và bản sao tức thời, không cần số dư tín dụng, và được ghi rõ trong tài liệu là dành cho kiểm thử, nguyên mẫu và một lượng nhỏ giọng nói. Nó cũng được nêu rõ là không được bảo đảm: tính khả dụng của dịch vụ, thời gian phản hồi và thời gian đến âm thanh đầu tiên đều được miễn trừ trách nhiệm, năng lực được chia sẻ cho mọi người dùng miễn phí, và một yêu cầu có thể trả về HTTP 429 rate_limit_exceeded trong khi bạn vẫn đang thoải mái dưới giới hạn 30 yêu cầu mỗi phút của chính mình. Một yêu cầu miễn phí không bao giờ tự động chuyển sang mô hình trả phí — bạn phải gửi một yêu cầu mới với heygen-voice-1-turbo và chấp nhận khoản phí. Đối với lộ trình sản xuất, hãy dự trù ngân sách cho mô hình trả phí và coi gói miễn phí là cách để nghe thử công cụ với kịch bản của riêng bạn trong tuần này.

Turbo phải đánh đổi những gì để đạt được con số đó

Mức giảm giá đó không phải là một chương trình khuyến mãi giá được khoác áo ra mắt mô hình. Đó là một sản phẩm hẹp hơn, và việc thu hẹp này được ghi rõ ràng trong tài liệu tham chiếu giọng nói của HeyGen.

• Loại giọng — heygen-voice-1-turbo chỉ chấp nhận giọng công khai và bản sao tức thời. Bản sao chuyên nghiệp không được hỗ trợ. Mặc định heygen-voice-1 vẫn là model đọc giọng chuyên nghiệp.

• Điều khiển theo từng yêu cầu — Turbo chấp nhận expressiveness_boost từ 0.0 đến 1.0 và không có gì khác trong bộ prosody. seed, speed, pitch_shift và pitch_variance được chấp nhận và bị bỏ qua trên giọng instant, bao gồm cả Turbo. Giọng Professional từ chối expressiveness_boost hoàn toàn.

• Tạm dừng — giọng chuyên nghiệp có <break> khoảng tạm dừng kéo dài tới năm giây. Giọng tức thời, bao gồm cả Turbo, thì không. Các loại SSML khác không được hỗ trợ trên cả hai.

• Độ dài văn bản — từ 1 đến 5.000 ký tự văn xuôi thuần túy mỗi yêu cầu, trên cả hai mô hình.

Giới hạn tốc độ — mặc định 30 yêu cầu mỗi phút cho mỗi thành viên workspace, trên cả hai endpoint, có thể điều chỉnh theo tài khoản.

• Đầu ra — một WAV PCM16 đơn kênh ở 44,1 kHz cho endpoint đồng bộ; các phần WAV được mã hóa base64 theo thứ tự qua server-sent events trên /tts/stream. Mỗi phần được truyền phát là một container WAV hoàn chỉnh, vì vậy phải được giải mã riêng lẻ thay vì ghép nối.

Hãy đọc danh sách đó như một mô tả về khách hàng mà Turbo hướng tới: người tạo ra những câu thoại ngắn bằng giọng nói họ đã clone trong vài giây, với số lượng lớn, nơi việc thiếu điều khiển cao độ không thành vấn đề, còn chênh lệch tốc độ 7,5× thì có. Nếu quy trình của bạn phụ thuộc vào một bản clone chuyên nghiệp mất hai mươi phút và các seed có thể tái lập, thì Turbo không phải là một phiên bản rẻ hơn của mô hình hiện tại của bạn — nó là một mô hình khác không thể làm công việc của bạn.

Tuyên bố mà HeyGen đưa ra trong tài liệu của chính họ

Tài liệu tham khảo Text to Speech của HeyGen nêu rằng các giá trị mặc định API của nó — similarity: "extra_high" dùng cho nhân bản giọng và expressiveness_boost: 1.0 dùng cho giọng nói — là cấu hình đã "giành vị trí đầu tiên trên bảng xếp hạng Artificial Analysis Controlled Voice." Đó là tuyên bố của nhà cung cấp về một bảng xếp hạng độc lập, và tình cờ là có thể kiểm chứng: bảng xếp hạng quả thực cho thấy một mô hình HeyGen ở vị trí đầu tiên. Tuyên bố này cũng hẹp hơn so với vẻ ngoài của nó. Nó mô tả một cấu hình của một mô hình trên một trong hai bảng xếp hạng giọng nói của Artificial Analysis, và không nói gì về vị trí trên bảng xếp hạng của toàn bộ danh mục giọng nói của nhà cung cấp.

Hãy lưu ý sự khác biệt đáng biết trước khi bạn sao chép các giá trị mặc định: HeyGen Studio đi kèm similarity: "max" và expressiveness_boost: 0.5, trong khi API mặc định dùng cặp có độ tương đồng cao hơn và độ biểu cảm tối đa. Kết quả trên bảng xếp hạng được tạo ra với các giá trị mặc định của API. Nếu bạn tinh chỉnh để có độ ấm giống Studio, bạn không còn chạy cấu hình mà điểm Elo đó tương ứng nữa.

Ba điều mà bảng xếp hạng này không đo lường

Đầu tiên, HeyGen hoàn toàn không có mục nào trên Provider Voice Arena — bảng đồng hành nơi mỗi nhà cung cấp sử dụng giọng nói gốc của riêng mình và 98 mô hình được xếp hạng. Bảng đó do Eleven v4 Turbo dẫn đầu với 1.335, còn Inworld Realtime TTS-2 đứng thứ sáu với 1.267. Artificial Analysis bỏ qua những mô hình không có đủ lượt bình chọn, nên việc vắng mặt không phải là phán quyết về chất lượng; điều đó có nghĩa là không tồn tại một con số độc lập nào về việc danh mục giọng nói của chính HeyGen nghe như thế nào đối với khán giả nói chung. Nếu bạn đang chọn trong số các giọng người kể chuyện có sẵn thay vì nhân bản giọng nói, con số trọng tâm của bài viết này không áp dụng cho bạn.

{{1}}Thứ hai, bảng xếp hạng có kiểm soát chạy theo từng ngôn ngữ, và HeyGen Voice Turbo xuất hiện ở đầu các bảng tiếng Anh và trên bảng tiếng Đức — nhưng lại vắng mặt khỏi các tab tiếng Nhật, tiếng Trung, tiếng Pháp, tiếng Tây Ban Nha, tiếng Bồ Đào Nha, tiếng Việt, tiếng Ả Rập và tiếng Hindi. Xét việc HeyGen công bố 42 mã ngôn ngữ cơ sở cho nhân bản giọng nói và giọng đọc, lời giải thích khả dĩ nhất là lượng bình chọn chứ không phải năng lực. Dẫu vậy, ngôi vương tiếng Anh vẫn là ngôi vương tiếng Anh, và bất kỳ ai triển khai thuyết minh đa ngôn ngữ cũng nên đọc tab liên quan trước khi cho rằng kết quả sẽ đi xa.{{/1}}

Thứ ba, đấu trường chấm điểm âm thanh, không phải bước nhân bản đã tạo ra giọng nói. Việc một bản sao tức thời từ vài giây âm thanh tham chiếu có giữ được một người nói cụ thể hay không là một câu hỏi riêng, không ai ở đây đo lường cả.

Điều gì xảy ra vào ngày 1 tháng 12?

Câu hỏi mở cụ thể nhất không phải là liệu Turbo có giữ được vị trí đầu tiên hay không — mức dẫn trước bảy điểm nằm trong các khoảng chồng lấn có thể đảo ngược ở lượt chấm điểm tiếp theo mà không có gì thay đổi tại HeyGen. Mà là mô hình sẽ tốn bao nhiêu sau khi gói miễn phí kết thúc vào ngày 30 tháng 11 năm 2026.

Có hai hướng đi đều khả thi. Mức quy đổi $4.00 có thể là giá ở trạng thái ổn định của một mô hình giọng nói tức thì được chủ ý định giá rẻ, và khi đó bảng xếp hạng có kiểm soát hiện có một mục xếp hạng hàng đầu với mức giá chỉ bằng một phần năm mức trung vị của cả nhóm. Hoặc Turbo Free có thể là một kênh thu hút người dùng, và mức giá trả phí có thể thay đổi khi kênh này kết thúc. HeyGen nói rằng họ sẽ thông báo cho người dùng trước khi ưu đãi thay đổi, và đây là cam kết duy nhất được ghi nhận. Cho đến khi có bảng giá của nhà cung cấp, mọi mức giá ở đây đều là suy luận — một suy luận tốt, được áp dụng nhất quán, và vẫn chỉ là suy luận.

Với các nhóm đã vận hành pipeline giọng nói, bước đi thực tế trong tuần này rất nhỏ và rẻ: kết xuất hai mươi dòng của chính bạn qua heygen-voice-1-turbo-free với bản sao tức thì, rồi kết xuất đúng hai mươi dòng đó qua bất cứ thứ gì bạn đang dùng hôm nay. Arena đã cho bạn biết các engine gần nhau trên tám giọng tham chiếu. Nó không thể cho bạn biết liệu Turbo có xử lý đúng tên sản phẩm, số liệu và khoảng dừng của bạn hay không. Nếu bạn cũng gọi mô hình ngôn ngữ hoặc một trong các mô hình giọng nói được lưu trữ trong danh mục của OrcaRouter, những mô hình đó có thể nằm sau một khóa duy nhất với chuyển đổi dự phòng tự động, giúp thử nghiệm không đi vào đường sản xuất của bạn — tuy nhiên bản thân HeyGen Voice Turbo không được định tuyến ở đó, nên lần chạy so sánh phải đi qua API riêng của HeyGen.

Câu chuyện kế nhiệm, xét cho cùng, là cách lý giải kém thú vị nhất. Một nhà cung cấp cải thiện mô hình của mình thêm bảy Elo trong mười hai ngày là tiến bộ bình thường. Một nhà cung cấp tung ra công cụ giọng nói nhân bản tốt nhất của mình với chi phí chỉ bằng khoảng một phần bảy giá niêm yết của phiên bản trước là sự thay đổi về mức chi phí mà một lớp giọng nói được phép có — và đó chính là câu cần mang vào một cuộc trao đổi về ngân sách.