HeyGen Voice Turbo vs Inworld Realtime TTS-2: Giọng nói được nhân bản tốt nhất không phải là giọng nhanh nhất

Hãy hỏi cả hai nhà cung cấp con số quyết định một sản phẩm thời gian thực và chỉ một trong hai bên trả lời. Inworld công bố chỉ số âm thanh đầu tiên cho Inworld Realtime TTS-2 — thấp nhất là 50 mili giây trên phiên bản Flash cùng dòng, được đo trên bảng của Coval, với việc nhà cung cấp tuyên bố âm thanh đầu tiên đến sớm hơn tới 3 lần so với ElevenLabs. HeyGen không công bố bất kỳ con số độ trễ nào cho HeyGen Voice Turbo; tài liệu của nó hứa hẹn "tạo nhanh hơn" so với mô hình mà nó đứng cạnh và chỉ có vậy. Điều HeyGen thực sự công bố là vị trí đầu tiên trên Artificial Analysis Controlled Voice Arena với 1.202 Elo và mức giá niêm yết 4,00 đô la Mỹ cho mỗi triệu ký tự, so với vị trí thứ bảy của Inworld Realtime TTS-2 ở 1.145 và 20,80 đô la Mỹ. Các vị trí trên đấu trường giọng nói và giá theo từng ký tự thay đổi sau khi công bố được ghi lại cùng ngày tháng và nguồn trong the AI Incident Archive, cùng với các sự cố khác về mô hình và nhà cung cấp mà chúng tôi theo dõi.

Vậy nên hai mô hình không cạnh tranh cho cùng một vị trí. Một bên là engine giọng nói nhân bản tốt nhất trên một bảng xếp hạng dựa trên đánh giá mù, với câu hỏi về độ trễ chưa có lời đáp. Bên còn lại là engine thời gian thực với tuyên bố độ trễ đã được công bố và điểm chất lượng thấp hơn năm hạng. Bạn muốn cái nào tùy thuộc vào việc liệu có một người đang chờ giữa câu hay không.

Hai ban, và vị thế thực tế của từng nhà cung cấp

Artificial Analysis vận hành cả hai bảng xếp hạng giọng nói, và cặp số quan trọng hơn từng con số riêng lẻ vì chúng đo những thứ khác nhau: Controlled Voice Arena giữ cố định tám giọng tham chiếu đã được nhân bản và chấm điểm engine; Provider Voice Arena cho phép mỗi nhà cung cấp nói bằng chính các giọng bản ngữ của mình và chấm điểm sản phẩm đang được phát hành.

• Elo giọng nói được kiểm soát — HeyGen Voice Turbo 1.202 (#1/46, ±19, 1.685 mẫu). Inworld Realtime TTS-2 1.145 (#7, ±13, 3.161 mẫu).

• Chỉ số Elo giọng nói của nhà cung cấp — HeyGen Voice Turbo không có trong danh sách. Inworld Realtime TTS-2 1.267 (#6/98).

Giá niêm yết trên 1 triệu ký tự, quy đổi theo arena — HeyGen Voice Turbo $4.00. Inworld Realtime TTS-2 $20.80, Flash $10.40.

• Bảng giá nhà cung cấp — HeyGen không công bố giá giọng nói theo ký tự; mức $4.00 được tính ra từ giá tín dụng. Inworld công bố $25.00 theo yêu cầu cho Realtime TTS-2 và $15.00 cho Flash, giảm xuống $20.00 và $10.00 trên gói Creator.

• Độ trễ được công bố — HeyGen: không công bố. Inworld: 50 ms đến âm thanh đầu tiên đối với Flash trên Coval; chỉ số của mẫu flagship không được nêu trên cùng cơ sở.

• Độ phủ ngôn ngữ — HeyGen: 42 mã ngôn ngữ cơ sở cho tính năng nhân bản và tổng hợp giọng nói. Inworld: khoảng 500 ngôn ngữ và phương ngữ cho một giọng Realtime TTS-2.

Điều bất đối xứng trong cột Provider là điều đáng chú ý. Inworld được xếp hạng trên cả hai bảng; HeyGen chỉ được xếp hạng trên một bảng. Artificial Analysis bỏ qua các mô hình không có đủ lượt bình chọn, vì vậy việc thiếu vắng đó không phải là tín hiệu về chất lượng — nhưng điều đó có nghĩa là sản phẩm của Inworld đã được chấm điểm trên toàn bộ phạm vi sản phẩm đang phát hành của nó và sản phẩm của HeyGen chỉ được chấm điểm trong điều kiện giọng nói nhân bản.

Chất lượng: khoảng cách 57 điểm vẫn đứng vững trước các thanh sai số

Năm mươi bảy Elo là khoảng cách lớn nhất trong so sánh này và ít mơ hồ nhất. Khoảng của HeyGen Voice Turbo trải từ 1.183 đến 1.221; khoảng của Inworld Realtime TTS-2 trải từ 1.132 đến 1.158. Chúng không chồng lấn. Không giống so sánh HeyGen với HeyGen bảy điểm, nơi hai mô hình ngang bằng nhau về mặt thống kê, so sánh này có sự tách biệt ở độ tin cậy 95%.

Điều đó mua được gì, chính xác là: trên tám giọng tham chiếu đã được nhân bản, những người nghe mù thích các bản thể hiện của HeyGen Voice Turbo với mức chênh lệch mà bảng có thể phân định. Điều đó không nói rằng danh mục giọng nói riêng của HeyGen nghe hay hơn của Inworld — HeyGen không có mục nào trên bảng Provider để đưa ra tuyên bố đó — và cũng không nói rằng Turbo nhân bản tốt hơn, mà chỉ nói rằng nó thể hiện một bản nhân bản được cung cấp tốt hơn.

Con đường nhân bản giọng của Inworld là khía cạnh mà điểm chất lượng của nó mô tả kém nhất. Nhân bản tức thì hoạt động từ ba giây âm thanh tham chiếu, và thiết kế giọng nói hoạt động từ một mô tả bằng văn bản; cả hai đều có trong mọi gói. Đấu trường đo lường giọng nói đầu ra, chứ không phải độ trung thực của bản nhân bản đầu vào. Một mô hình đạt 1.145 điểm trên một bản nhân bản được giao cho nó vẫn có thể là lựa chọn tốt hơn để tạo ra bản nhân bản đó từ ba giây giọng nói của khách hàng.

Độ trễ: con số mà HeyGen sẽ không cung cấp cho bạn

Inworld's realtime positioning is specific and falsifiable. Realtime TTS-2 Flash returns first audio in as little as 50 ms on Coval's measurement, up to 3× sooner than ElevenLabs at 183 ms and up to 35× sooner than O​penAI's GPT-4o mini T​TS at 2,056 ms. Those are third-party measurements of a vendor's model, quoted by the vendor — better evidence than a marketing claim, weaker than an independent audit, and worth reproducing on your own network before you architect around them.

Tài liệu của HeyGen mô tả Turbo là nói giọng tức thời “với độ trễ thấp hơn” so với mặc định và chỉ dừng ở đó. Trang thông lượng của Artificial Analysis liệt kê thời gian tạo trung vị là 7,29 giây và 122 ký tự mỗi giây cho mô hình, với phân vị thứ 5 là 52,7 giây và phân vị thứ 95 là 150 giây — những con số mô tả việc tổng hợp toàn bộ yêu cầu trên thiết bị đo lường của họ, không phải thời gian đến âm thanh đầu tiên, và độ biến thiên đó rất rộng. Trung vị bảy giây thì ổn cho lời thuyết minh được kết xuất trước. Nó không phải là một cuộc trò chuyện.

So sánh đó không phải là một cuộc so tài công bằng, và nó cũng không nhằm mục đích đó. Turbo của HeyGen được định giá và ghi tài liệu cho việc tổng hợp khối lượng lớn: 5.000 ký tự mỗi yêu cầu, 30 yêu cầu mỗi phút, một endpoint WAV đồng bộ và một luồng SSE mà các phần của nó là các container WAV hoàn chỉnh. Sản phẩm của Inworld được ghi tài liệu cho việc luân phiên lượt lời: kiểm soát cách thể hiện dựa trên chỉ dẫn, 50 âm thanh phi ngôn ngữ được kết xuất thành âm thanh thật, và tuyên bố về âm thanh đầu tiên trong hàng chục mili giây. Nếu sản phẩm của bạn nói trong một cuộc hội thoại, HeyGen chưa công bố con số bạn cần, và việc thiếu một con số không phải là bằng chứng cho thấy mô hình chậm — đó là bằng chứng cho thấy đây không phải là sản phẩm họ đang bán cho bạn.

Giá: ba mức ở một bên, một con số suy ra ở bên kia

$4.00 so với $20.80 trông như một chiến thắng năm đối một cho HeyGen, và đó là con số kém đáng tin cậy nhất trong bài viết này. Đó là cách quy đổi giá tín dụng của HeyGen do Artificial Analysis thực hiện, được suy ra vì HeyGen không công bố một tín dụng mua được bao nhiêu ký tự. Mức $20.80 của Inworld là cách chuẩn hóa của cùng bảng đó đối với một mức giá mà Inworld có công bố.

So sánh tương đương với tương đương thì bức tranh sẽ thu hẹp lại. Thang giá của chính Inworld là 25,00 đô la ở gói theo nhu cầu, 20,00 đô la ở gói Creator, 17,50 đô la ở gói Pro, 15,00 đô la ở gói Business và 12,50 đô la ở gói Enterprise, với Flash ở mức 15,00 đô la giảm xuống 7,00 đô la qua cùng các gói đó, và nhà cung cấp quảng cáo mức dưới 5 đô la ở mức cao nhất. Ở mức giá mà một khách hàng cam kết thực sự trả, Realtime TTS-2 nằm trong khoảng từ 12,50 đến 20,00 đô la, còn Flash từ 7,00 đến 15,00 đô la. So với mức quy đổi 4,00 đô la, HeyGen vẫn rẻ hơn trên giấy tờ — nhưng khoảng cách này gần mức hai-một khi so với một gói Inworld đã được chiết khấu hơn là năm-một khi so với giá niêm yết.

There is a second rung that costs nothing. HeyGen's heygen-voice-1-turbo-free tier speaks public voices and instant clones without a credit balance through 30 November 2026, on shared capacity with no guarantees and a documented tendency to return 429 under load. Inworld offers up to 70 minutes of free T​TS on its On-Demand plan. Both are enough to run a real comparison; neither is enough to run a product.

Nơi mỗi mô hình không còn là câu trả lời

Hãy chọn HeyGen Voice Turbo khi âm thanh được kết xuất trước hoặc gần thời gian thực thay vì mang tính hội thoại: tường thuật, chương sách nói, mô-đun học trực tuyến, phần lời nói trong quy trình video, hoặc một tác nhân thoại có các lượt đủ dài để bảy giây tổng hợp bị che khuất sau chỉ báo đang suy nghĩ. Trường hợp sử dụng của nó là điểm giọng nói sao chép đứng đầu bảng với mức giá quy đổi thấp nhất trên bảng, cùng 42 ngôn ngữ và đầu ra WAV 44,1 kHz.

Hãy chọn Inworld Realtime TTS-2 khi có người đang chờ. Tuyên bố về độ trễ, khả năng điều hướng bằng chỉ dẫn — gửi hướng dẫn thể hiện dưới dạng tham số yêu cầu hoặc trong ngoặc ngay giữa câu — 50 yếu tố phi ngôn từ, khoảng 500 ngôn ngữ và bản nhân bản ba giây đều là các tính năng của một engine được xây dựng cho hội thoại, và không mức Elo nào bù đắp được khoảng cách cấu trúc đó. Hồ sơ của nó còn bao gồm thứ hạng trên bảng Provider mà HeyGen không có, điều này quan trọng nếu sản phẩm của bạn cung cấp giọng có sẵn thay vì giọng nhân bản.

Cả hai mô hình đều không phải là câu trả lời nếu bạn cần một bản sao chuyên nghiệp với các seed có thể tái tạo: HeyGen giới hạn Turbo cho giọng công khai và tức thời, và các điều khiển ngữ điệu như seed, speed và pitch_shift chỉ dành cho gói chuyên nghiệp trên API đó. Các điều khiển tương đương của Inworld là lớp chỉ dẫn và điều hướng riêng của nó, một cơ chế khác với những đảm bảo khác.

Chạy cả hai mà không đặt cược vào bên nào

Phần khó xử của quyết định này là hai ứng viên tối ưu cho những điều kiện mà bạn không thể mô hình hóa đầy đủ từ bảng xếp hạng: thời gian tới âm thanh đầu tiên của mạng, tên và con số trong văn bản của bạn, khả năng chịu đựng khoảng dừng của người nghe. Cách rẻ để trả lời là đặt cả hai sau một giao diện và chia lưu lượng — một phần nhỏ cho ứng viên thách thức, tự động chuyển dự phòng về ứng viên hiện tại khi một yêu cầu thất bại hoặc giới hạn tần suất bị kích hoạt.

Đó chính là hình thái mà lớp định tuyến của OrcaRouter được xây dựng để xử lý, và đây là lý do chính đáng để nhắc đến nó ở đây: một khóa cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn mà không cộng thêm phụ phí, và cơ chế chuyển đổi dự phòng biến lỗi 429 từ một gói miễn phí dùng chung dung lượng thành một lần thử lại thay vì rơi vào khoảng lặng không phản hồi. HeyGen Voice Turbo hiện chưa có trong danh mục đó, nên một sự tách biệt thực sự giữa HeyGen và Inworld vẫn đồng nghĩa với hai tích hợp — nhưng nửa phần lập luận về chuyển đổi dự phòng vẫn đúng bất kể cuối cùng bạn chọn chuẩn hóa trên mô hình nào.

Điều mà các bảng xếp hạng chốt lại thì hẹp hơn vẻ ngoài của chúng. HeyGen Voice Turbo là công cụ nhân bản giọng nói tốt hơn, với khoảng cách mà số liệu thống kê ủng hộ, ở mức giá có lẽ thấp nhất trong nhóm dẫn đầu. Inworld Realtime TTS-2 là sản phẩm duy nhất trong hai sản phẩm đã cho bạn biết nó bắt đầu nói nhanh đến mức nào, và với một sản phẩm hội thoại, câu hỏi chưa có lời đáp duy nhất đó quan trọng hơn năm mươi bảy Elo.