HeyGen Voice so với Cartesia Sonic 3.6: Nhà vô địch giọng nói nhân bản đối đầu với đương kim vô địch dưới 90ms

HeyGen Voice và Cartesia Sonic 3.6 nắm giữ hai tuyên bố số một khác nhau trên Artificial Analysis, và toàn bộ sự so sánh nằm trong khoảng cách giữa chúng. HeyGen Voice đứng đầu Controlled Voice arena với 1.202 Elo — bảng đấu nơi mọi mô hình đều nói cùng tám giọng nói được nhân bản, bốn giọng Mỹ và bốn giọng Anh. Cartesia Sonic 3.6 đứng thứ tư trên Provider Voices arena với 1.280 Elo, nơi mỗi nhà cung cấp cung cấp giọng nói bản địa của riêng mình, và trang web của chính Cartesia mang một huy hiệu tuyên bố xếp hạng #1 trên cả Speech Arena và bảng xếp hạng Speech to Text, một tuyên bố do nhà cung cấp hiển thị mà bảng Artificial Analysis trực tiếp hiện tại không hỗ trợ ở vị trí dẫn đầu. Một engine thắng trong bài kiểm tra nơi giọng nói được giữ cố định, engine kia dẫn đầu trong bài kiểm tra nơi ngân sách sản xuất là thực tế.

Hãy bắt đầu với việc mỗi mô hình thực sự được tối ưu hóa để làm gì

Sonic 3.6 được xây dựng để được tiêu thụ theo luồng. Trang sản phẩm của chính Cartesia mở đầu bằng “âm thanh đầu tiên trong dưới 90ms” — do nhà cung cấp báo cáo, chưa được tái lập — và cùng trang đó mô tả một API TTS thời gian thực với khả năng streaming hạng nhất. Nó bao phủ 44 ngôn ngữ chỉ từ một mô hình duy nhất, mặc định diễn giải ẩn ý cảm xúc, chấp nhận các tín hiệu phi ngôn từ như tiếng cười được viết vào bản ghi, nhân bản giọng nói từ khoảng mười giây âm thanh, bản địa hóa âm thanh hiện có sang các ngôn ngữ khác, và nhận từ điển phát âm tùy chỉnh cho thuật ngữ chuyên ngành và danh từ riêng. Mỗi một trong những tính năng đó đều nhắm đến cùng một khách hàng: một thứ biết đáp lời, nhanh, bằng ngôn ngữ mà người gọi hiểu.

HeyGen Voice được xây dựng để được thưởng thức như một màn trình diễn. Đây là công cụ nội bộ của HeyGen, được cung cấp qua API v3 của công ty, với hơn 300 giọng nói dựng sẵn trên hàng chục ngôn ngữ và ba cách để tạo giọng nói tùy chỉnh — thiết kế giọng nói dựa trên mô tả trả về tối đa ba lựa chọn được xếp hạng từ một lời nhắc giới hạn 1.000 ký tự, bản sao tức thì từ một bản ghi âm, và bản sao chuyên nghiệp được huấn luyện trên hai mươi phút hoặc hơn. Tinh chỉnh theo từng yêu cầu bao gồm tốc độ từ 0.5 đến 1.5 và cao độ trong khoảng ±50 nửa cung. Không có tài liệu nào được HeyGen công bố hứa hẹn một con số độ trễ nào cả.

Sự bất đối xứng đó chính là toàn bộ bài viết. Một mô hình công bố con số tính bằng mili giây và không có giá theo từng ký tự; mô hình kia công bố giá và không có con số độ trễ.

Bảng tỷ số

• Elo Giọng nói được kiểm soát (cùng 8 giọng đã nhân bản) — HeyGen Voice: 1.202, #1 trong 42. Sonic 3.6: 1.143, #5.

• Elo giọng nói nhà cung cấp (giọng bản ngữ) — HeyGen Voice: không được xếp hạng, không đủ phiếu bầu. Sonic 3.6: 1.280, #4 trong số 96.

• Giá niêm yết — Sonic 3.6: $49.00 cho 1 triệu ký tự, theo bảng giá của nhà cung cấp. HeyGen Voice: $30.00 cho 1 triệu ký tự theo cách quy đổi của chính arena từ mức giá tín dụng của HeyGen; bản thân HeyGen không công bố đơn giá giọng nói.

• Độ trễ — Sonic 3.6: dưới 90ms để phát ra âm thanh đầu tiên (do nhà cung cấp báo cáo, chưa được kiểm chứng lại). HeyGen Voice: không có số liệu nào do nhà cung cấp công bố hoặc do Artificial Analysis đo lường.

• Ngôn ngữ — Sonic 3.6: 44 từ một mô hình duy nhất. HeyGen Voice: hơn 300 giọng nói trên "hàng chục ngôn ngữ", không được liệt kê thành một con số cụ thể.

• Đường dẫn giọng nói tùy chỉnh — Sonic 3.6: nhân bản ~10 giây. HeyGen Voice: thiết kế giọng nói từ mô tả văn bản, nhân bản tức thì, hoặc nhân bản chuyên nghiệp được huấn luyện trên hơn 20 phút.

Khoảng cách Elo, đọc đúng

Mức dẫn trước 59 điểm trong đấu trường có kiểm soát đảo ngược thành mức kém 137 điểm trên bảng nhà cung cấp, và sự đảo ngược này không phải là mâu thuẫn. Bảng có kiểm soát loại bỏ khả năng nhà cung cấp tự chọn một giọng nói tôn lên ưu điểm và hỏi xem engine xử lý một giọng nói mà nó không tự chọn như thế nào. HeyGen Voice thắng ở khía cạnh đó. Bảng nhà cung cấp xét xem những giọng nói tốt nhất của chính nhà cung cấp nghe hay đến mức nào, điều này gần hơn với những gì khách hàng nghe được trong một buổi demo bán hàng — và Sonic 3.6 thể hiện tốt ở đó, đứng thứ tư trong số 96 và kém 38 điểm so với Eleven v4 Turbo xếp hạng cao nhất.

Không con số nào là chân lý phổ quát. Nếu bạn đang nhân bản một người cụ thể và cần engine tái hiện người đó một cách thuyết phục, thì kết quả có kiểm soát là chỉ báo tốt hơn, và HeyGen Voice hiện đang dẫn đầu ở hạng mục đó. Nếu bạn đang chọn một giọng nói từ thư viện cho một agent cần nghe thật khác biệt ở quy mô lớn, thì kết quả từ nhà cung cấp là chỉ báo tốt hơn, và Sonic 3.6 có một thứ hạng mà HeyGen Voice không có.

Đáng lưu ý với bất kỳ ai còn giữ số liệu cũ: cả hai bảng này đều thay đổi khi các phiếu bầu tích lũy lại. Đầu năm 2026, Sonic 3.6 được báo cáo là dẫn đầu tuyệt đối bảng controlled-voice; bảng hiện tại xếp nó thứ năm ở đó với 1.143, với HeyGen Voice, Qwen-Audio-3.1-TTS-Plus và hai bậc Eleven v4 xếp trên nó. Một trích dẫn bảng xếp hạng là một dấu thời gian, không phải thuộc tính lâu dài của mô hình.

Nơi việc so sánh giá bị phá vỡ

Mức 49,00 USD cho mỗi triệu ký tự của Sonic 3.6 chính là giá chuẩn của đấu trường này, được lấy từ mức giá API đã công bố của nhà cung cấp ở cài đặt mặc định. Nhờ đó, bạn có thể tính được hóa đơn âm thanh hằng tháng ở mức năm chữ số trước cả khi viết dòng mã tích hợp đầu tiên.

Con số của HeyGen có phần mềm hơn, nhưng nó vẫn tồn tại. Bảng giá của arena liệt kê HeyGen Voice ở mức 30,00 USD mỗi triệu ký tự — thấp hơn Sonic 3.6 mười chín đô la — và con số đó là kết quả quy đổi của Artificial Analysis từ giá tín dụng của HeyGen, không phải mức giá do HeyGen công bố. Trang riêng của HeyGen bán tín dụng (Creator ở mức 29 USD/tháng cho 600 tín dụng, Pro ở mức 49 USD cho 1.000, Business ở mức 149 USD cho 1.500) và nói rõ rằng mức tiêu thụ thay đổi tùy theo mô hình, thời lượng và độ phức tạp khi tạo, mà không hề quy đổi những tín dụng đó thành ký tự. Vậy nên mô hình giành chiến thắng trên bảng xếp hạng giọng nói có kiểm soát có giá thấp hơn đáng kể so với mô hình xếp thứ năm, và khoảng cách đó là một con số phái sinh mà bạn sẽ muốn xác nhận dựa trên văn bản của chính mình thay vì một bảng giá mà bạn có thể kiểm chứng.

Đó không phải là một lập luận chống lại HeyGen Voice. Đó là một lập luận để thử nghiệm nó trên lưu lượng mà bạn có thể chi trả để đo lường, vì cách duy nhất để biết chi phí thực sự của nó trong quy trình của bạn là chạy văn bản của chính bạn qua nó.

Lựa chọn giữa chúng

Chọn Sonic 3.6 khi giọng nói phải đưa ra câu trả lời. Tuyên bố âm thanh đầu tiên dưới 90ms, API gốc streaming, 44 ngôn ngữ từ một mô hình, và — đặc biệt quan trọng — bảng giá được công bố khiến nó trở thành lựa chọn sản xuất ít rủi ro hơn cho tác nhân hội thoại, IVR, và bất kỳ thứ gì mà một khoảng dừng là lỗi. Vị trí #5 của nó trong xếp hạng giọng nói có kiểm soát là đáng nể, không phải điểm yếu, và vị trí thứ tư trên bảng xếp hạng tổng thể là tín hiệu độc lập mạnh nhất mà một trong hai mô hình sở hữu.

Hãy kiểm tra HeyGen Voice trước tiên khi giọng nói cần phải thể hiện. Lời dẫn, nội dung đọc cho thương hiệu, phần diễn giọng nhân vật và bất kỳ dự án nào mà bạn đang nhân bản một người nói và cần bản sao giọng của người đó trở thành thứ nghe hay nhất trên sóng — đó chính là công việc mà đấu trường có kiểm soát được dựng lên để đo lường, và đó là công việc mà HeyGen Voice vừa giành chiến thắng. Lộ trình nhân bản chuyên nghiệp được huấn luyện trên hơn hai mươi phút là một sản phẩm khác biệt về bản chất so với bản sao tức thì mười giây, và đây chính là lộ trình khớp với tám giọng tham chiếu đã nhân bản trong đấu trường.

Đừng chọn bên nào chỉ dựa vào một con số Elo duy nhất. Hai bảng xếp hạng không đồng tình về các mô hình này, nghĩa là các bảng đang nói với bạn một điều có thật: chất lượng phụ thuộc vào giọng nói và khối lượng công việc, chứ không chỉ vào bản thân engine.

Chạy cả hai mà không commit

Cách làm thực tế để xử lý một bất đồng như thế này là ngừng coi nó như một quyết định mua sắm. Hãy đặt hai engine sau cùng một interface, chia tách lưu lượng, và đánh giá bằng chính âm thanh của bạn — vài dòng lời dẫn và một vòng lặp agent trực tiếp sẽ cho bạn biết nhiều hơn năm mươi điểm Elo. OrcaRouter định tuyến cả hai qua một API key duy nhất với giá niêm yết của nhà cung cấp, không cộng thêm, nên bạn chỉ trả đúng theo bảng giá của chính nhà cung cấp, và một thay đổi giá của Sonic 3.6 sẽ hiện ra ngay trong ngày chứ không phải đợi đến lúc gia hạn. Tự động chuyển đổi dự phòng ở đây quan trọng hơn so với phần lớn các lần hoán đổi model, bởi vì một nhà cung cấp giọng nói bị khựng giữa câu thì người gọi sẽ nghe thấy, và routing DSL cho phép bạn ghim một engine cho những lượt nhạy cảm về độ trễ và engine kia cho phần lời dẫn được dựng sẵn, mà không phải duy trì hai tích hợp.

Điều gì sẽ giải quyết được nó?

Hai điều. Một mức giá giọng nói được công bố theo ký tự hoặc theo credit từ HeyGen sẽ khiến nửa chi phí của so sánh này trở nên cụ thể như nửa chất lượng, và việc HeyGen Voice tích lũy đủ phiếu để bước vào đấu trường Provider Voices sẽ cho chúng ta biết liệu lợi thế giọng nói được kiểm soát của nó có trụ vững khi tiếp xúc với các giọng nói bản ngữ hay không — phép thử mà Sonic 3.6 đã vượt qua ở vị trí thứ tư trong số chín mươi sáu. Cho đến lúc đó, Sonic 3.6 là đương kim vô địch với một mức giá và một chỉ số độ trễ, còn HeyGen Voice là kẻ thách thức với bằng chứng giọng nói nhân bản tốt hơn và không có chi phí nào để đặt bên cạnh.