HeyGen Voice Turbo 从 HeyGen Voice 手中夺得可控语音桂冠——并将 Arena 价格下调 87%

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.

这相当于一个排名高于其所替代模型的模型，其标价成本降低了 87%。这两个数字都是 Artificial Analysis 对 HeyGen 积分定价的换算结果，而非 HeyGen 公布的费率——这一点很重要，值得记住——但差距的方向和幅度都太大，不可能是换算假象。

受控董事会今天早上到底说了什么

Controlled Voice Arena 保持说话人不变：每位参赛者都合成同样的八个克隆参考语音，四个美国、四个英国，再由盲听者选出更好的演绎。这个榜单衡量的是引擎本身，而不是厂商的演示样片；如果你要交付克隆品牌声音，它正是值得参考的那个榜单。截至 2026 年 10 月 22 日，其榜首如下。

第 1 名 — HeyGen Voice Turbo，1,202 Elo，95% 置信度下为 ±19（区间为 1,183 到 1,221），1,685 个样本，发布于 2026 年 10 月，每百万字符 4.00 美元。

• 排名第 2 — HeyGen Voice，Elo 1,195，±15（区间 1,180 至 1,210），1,964 个样本，发布于 2026 年 10 月，每百万字符 $30.00。

• 排名第 3 — Qwen-Audio-3.1-TTS-Plus，1,184 Elo，±14（区间 1,170 至 1,198），2,292 个样本，每百万字符 $19.30。

• 第 4 名和第 5 名——Eleven v4 Turbo 和 Eleven v4，两者均为 1,156 Elo，分别为每百万字符 40.00 美元和 80.00 美元。

• 第6名 — Sonic 3.6，1,151 Elo，每百万字符 $49.00，基于 3,193 个样本——前十名中得票最多的模型。

• 第7名 — Inworld Realtime TTS-2，1,145 Elo，每百万字符 20.80 美元。

那份列表中有两个细节比排序更值得关注。第一个是范围列：Artificial Analysis 将第一到第三名印成一个区间 1-3，这意味着它自己的统计数据并未区分开前三名模型。第二个是样本量。HeyGen Voice Turbo 有 1,685 票；低两个名次的 Eleven v4 Turbo 有 2,593 票。新模型位居榜首所依据的证据大约只有它正在击败的模型的三分之二，而且 ±19 区间是前五名中最宽的。

七个 Elo 不是重点，四美元才是。

把两个 HeyGen 条目当作一对来看，因为它们共享同一个端点、同一个供应商，而且现在在排行榜上也处于相邻位置。两者相差七分 Elo，且它们的置信区间几乎在整个宽度上重叠：1,183 到 1,221 对 1,180 到 1,210。不应有人基于质量在这两个模型之间做选择。克隆语音自然度上无论存在什么差异，都小于测量本身的不确定性。

价格差异并不小于不确定性。它是后者的7.5倍。

先说明一个前提，因为这一点确实存在：HeyGen 并不公布按字符计的语音费率。其公开定价页面出售的是积分——一个档位 600 积分，另一个档位 1,000 积分，年度套餐的配额更大——并且从未说明一个积分能购买多少字符。4.00 美元和 30.00 美元这两个数字是 Artificial Analysis 自行换算的，并在榜单上的所有供应商之间统一应用，以便模型之间至少能够进行比较。它们是推算出来的数字。不过，这一比较仍然可用的原因在于：两个数字都由同一套换算得出；如果换算有误，那么两者都错，而 7.5 倍的比率能在恒定误差下保持不变。

还有第三个价格档位，它完全没有出现在排行榜上。HeyGen 正在运行该模型的免费套餐，heygen-voice-1-turbo-free，有效期至 2026 年 11 月 30 日。它支持公开语音和即时克隆，无需账户余额，并且文档中明确说明其适用于测试、原型和少量语音。它也同样明确不提供任何保证：服务可用性、响应时间以及首段音频的生成时间均不作承诺，容量由所有免费用户共享，而且即使你远低于自己每分钟 30 次请求的上限，请求仍可能返回 HTTP 429 rate_limit_exceeded。免费请求绝不会自动切换到付费模型——你必须使用 heygen-voice-1-turbo 发送一个新请求，并接受相应费用。对于生产环境路径，请按付费模型做预算，并把免费套餐视为本周用你自己的脚本试听该引擎的一种方式。

Turbo 为了达到那个数字而放弃了什么

这个折扣并不是披着模型发布外衣的定价促销。它是一个功能更窄的产品，而这种收窄在 HeyGen 的语音参考文档中有平实的记载。

• 语音类型 — heygen-voice-1-turbo 仅支持公开语音和即时克隆。不支持专业克隆。默认的 heygen-voice-1 仍是用于播报专业语音的模型。

• 按请求控制 — Turbo 接受 expressiveness_boost 从 0.0 到 1.0，韵律参数集中不接受其他任何内容。seed、speed、pitch_shift 和 pitch_variance 在即时语音（包括 Turbo）上会被接受并忽略。专业语音则会直接拒绝 expressiveness_boost。

• 停顿 — 专业音色会<break>停顿最长可达五秒。即时音色（包括 Turbo）则不会。两者均不支持其他 SSML。

• 文本长度 — 两种模型每次请求均支持 1 到 5,000 个字符的纯文本。

• 速率限制 — 默认情况下，每位工作区成员每分钟 30 次请求，两个端点均适用，可按账户调整。

• 输出 — 用于同步端点的一个 44.1 kHz 单声道 PCM16 WAV；在 /tts/stream 上通过服务器发送事件按顺序传输 base64 编码的 WAV 分片。每个流式分片都是完整的 WAV 容器，因此必须单独解码，而不能拼接。

把那份清单读作对 Turbo 所瞄准的客户的描述：这类人以批量方式、用几秒钟就克隆出的声音生成短句，对他们来说，缺少音高控制无关紧要，而 7.5 倍的费率差异却并非无关紧要。如果你的流水线依赖耗时二十分钟的专业级克隆和可复现的种子，那么 Turbo 并不是你当前模型的廉价版本——它是另一种模型，干不了你的活。

HeyGen 在其自己的文档中所提出的主张

HeyGen 的文本转语音参考文档指出，其 API 默认值—— similarity: "extra_high"用于克隆，以及 expressiveness_boost: 1.0用于语音——正是“在 Artificial Analysis Controlled Voice 排行榜上夺得第一名”的配置。这是厂商关于一个独立榜单的说法，而且恰好可以核实：该榜单确实显示有一款 HeyGen 模型位列第一。这一说法也比听起来更狭窄。它描述的只是 Artificial Analysis 两个语音榜单中某一个榜单上的某一个模型的一种配置，并未说明该厂商整个语音目录在排行榜上的位置。

在你照搬默认值之前，有一个值得留意的差异：HeyGen Studio 出厂时使用的是 similarity: "max" 和 expressiveness_boost: 0.5，而 API 默认采用的是相似度更高、表现力最强的那一组。排行榜结果是在 API 默认配置下产生的。如果你为了调出类似 Studio 的温暖感而进行调整，那你运行的就不再是那个 Elo 分数所对应的配置了。

这个排行榜没有衡量的三件事

首先，HeyGen 在 Provider Voice Arena 上完全没有条目——这是配套榜单，各厂商使用自己的原生语音，共有 98 个模型参与排名。该榜单由 Eleven v4 Turbo 以 1,335 分领跑，Inworld Realtime TTS-2 以 1,267 分位列第六。Artificial Analysis 会省略票数不足的模型，因此缺席并不代表对其质量的判定；但这确实意味着，对于 HeyGen 自家语音目录在普通受众听来效果如何，并不存在独立的数字。如果你是在挑选预置旁白语音，而不是进行克隆，那么本文的核心数字并不适用于你。

其次，受控榜单按语言分别运行，{{1}}HeyGen Voice Turbo{{/1}} 会出现在英语榜单顶部以及德语榜单上——但在日语、中文、法语、西班牙语、葡萄牙语、越南语、阿拉伯语和印地语标签页中却不见踪影。鉴于 HeyGen 记录了 42 种用于克隆和语音的基础语言代码，最可能的解释是投票量，而非能力。不过，英语区的榜首就是英语区的榜首，任何要发布多语言旁白的人，都应先查看相关标签页，再假定结果可以通用。

第三，竞技场评分的是音频，而不是生成该声音的克隆步骤。从几秒钟的参考音频进行即时克隆能否保留特定说话人，是一个单独的问题，这里没有人对此进行测量。

12月1日会发生什么

最具体的未解问题并不是 Turbo 是否保住第一——在重叠区间内，七分的领先优势可能在下一轮评分中反转，而 HeyGen 那边没有任何变化。真正的问题是，在 2026 年 11 月 30 日免费层结束后，这个模型的成本是多少。

有两条路径都说得通。$4.00 的换算价格可能是一款刻意定价低廉的即时语音模型的稳态价格；若果真如此，那么这个受控榜单现在就有了一个排名靠前的条目，其价格是该领域市场中位数的五分之一。或者，Turbo Free 可能是一个获客渠道，一旦它结束，付费费率就可能发生变化。HeyGen 表示，在优惠发生变化之前会通知用户，而这是唯一有记录的承诺。在供应商价目表出现之前，这里的每一个价格都只是一种推断——一种合理、始终如一地应用、但仍然只是推断的推断。

对于已经在运行语音流水线的团队来说，本周实际可行的一步很小、成本也低：用即时克隆把你自己二十句台词通过 heygen-voice-1-turbo-free 生成出来，再把同样的二十句通过你目前使用的任何方案生成一遍。竞技场已经告诉你，在八个参考音色上，这些引擎的表现不相上下。它无法告诉你 Turbo 是否能处理好你的产品名称、数字和停顿。如果你还会调用语言模型，或 OrcaRouter 目录中的某一款托管语音模型，这些都可以统一置于 单一密钥之后，并支持自动故障转移，从而让这项实验不进入你的生产路径——不过 HeyGen Voice Turbo 本身并未路由到那里，因此对比运行必须走 HeyGen 自己的 API。

归根结底，“接班”这个说法是最没意思的一种解读。一家厂商在十二天里把自家模型提升了七个 Elo，这不过是寻常的进步。而一家厂商以大约上一代产品标价七分之一的成本，推出其最好的克隆语音引擎，这改变的是语音层“被允许花多少钱”这件事——而这才是该带进预算讨论里的那句话。