HeyGen Voice Turbo 与 HeyGen Voice 对比：价格降低 7.5 倍、Elo 相差七分，以及 Turbo 无法做到的一项功能

Pick a number: twelve million characters a month, roughly twenty-five hours of narration. At Artificial Analysis's listed rates for HeyGen's two speech models, that bill is $360 on HeyGen Voice and $48 on HeyGen Voice Turbo. The quality difference the same leaderboard quotes between them is seven Elo points, on a board where the top three models occupy a single statistical band and the two HeyGen entries' confidence intervals overlap almost completely. When a vendor later restates a price or a score that a comparison like this one leaned on, the correction is logged with its dates and sources in the AI Incident Archive, next to the rest of the model and vendor failures we track.

这种不对称正是整个对比的关键。HeyGen Voice Turbo 和 HeyGen Voice 并不是同一产品的两代、由较新版本取代较旧版本；它们是同一个产品沿着一条界线一分为二，这条界线划在声音类型上，而不是质量上。在两者之间做选择，并不是判断哪个听起来更好，而是要确定你的声音属于即时克隆还是专业克隆——而答案已经写在 API 里。

同一个端点，一个不同的字符串

HeyGen 的两个模型使用完全相同的请求体。POST /v3/models/audio/tts 在合成完成后返回一个 44.1 kHz 单声道 WAV 文件；POST /v3/models/audio/tts/stream 以服务器发送事件的形式返回有序的音频片段。唯一变化的是 model 字段：heygen-voice-1 是默认选项，heygen-voice-1-turbo 会选择更快的引擎，而 heygen-voice-1-turbo-free 是容量受限的免费层级，开放至 2026 年 11 月 30 日。

两个端点都将文本限制为最多 5,000 个字符的纯文本，且都默认每位工作区成员每分钟 30 次请求。两者都需要一个处于 ACTIVE 状态的语音——HeyGen 公共语音或你工作区中的克隆语音。分界点位于上一层级，即语音资格处。

Turbo 不会越过的界线

专业克隆只能在 heygen-voice-1 上运行。这句话出现在 HeyGen 的参考文档中，直白地道出了这一决定：基于二十分钟或更长的音频训练出的专业语音，无论出价多高，Turbo 都无法朗读。即时克隆——那种由一次录音创建、通常几秒内就会 激活、无需训练步骤或克隆名额的克隆——两者均可朗读。

其他所有内容都遵循相同的边界。

• 可用语音——Turbo：公共语音与即时克隆。HeyGen Voice：公共语音、即时克隆与专业克隆。

• 表现力 — expressiveness_boost在两者上均为 0.0 到 1.0，默认值为 1.0，且仅适用于即时语音。专业语音会拒绝该参数。

• 韵律控制项 — seed、speed（0.75 到 1.25）、pitch_shift（−4 到 +4 个半音）以及 pitch_variance（0.5 到 2.0）仅限专业版使用。无论哪种模型，Instant 声音都会接受这些参数并静默忽略它们，因此在发布一个其设置会悄悄失效的功能之前，这一点值得了解。

• 暂停 — <break time="0.5s"/>最长五秒的暂停在专业语音（professional voices）上有效。即时语音（instant voices，包括 Turbo）不支持这些暂停。两种模型均不支持其他 SSML。

• 文本和速率 — 每个请求 1 到 5,000 个字符，默认每个工作区成员每分钟 30 个请求，两者完全相同。

• 语言 — 用于克隆和语音的 42 个基础语言代码，区域标签例如en-US和fr-CA会归一化为基础语言。区域标签不会选择区域口音。

• 标价——Turbo 为每百万字符 4.00 美元，HeyGen Voice 为 30.00 美元；两者均由 Artificial Analysis 依据 HeyGen 的积分定价换算得出，而非由 HeyGen 公布。

七点 Elo 的价值是什么，以及它不是什么

在2026年10月22日读取的 Controlled Voice Arena 结果中，HeyGen Voice Turbo 以1,202 Elo（±19）位列第一，HeyGen Voice 以1,195（±15）位列第二。两者均在相同的八个克隆参考声音上评分——四个美国、四个英国——因此从构造上就是同类对同类比较，而且这是唯一一个可以将这两个模型置于完全相同条件下的竞技场结果。

在那份榜单上，七个点并不是一个有意义的差距。榜单把第一到第三名作为一个档位 1-3 印出，这意味着榜单自身的统计拒绝对前三名进行排序。Turbo 的区间为 1,183 到 1,221；HeyGen Voice 的区间为 1,180 到 1,210。它们各自的宽度为 39 点和 31 点，重叠达 27 点。而 Turbo 的 1,685 个样本是前五名中最单薄的证据，相比之下 HeyGen Voice 有 1,964 个，低两个名次的 Eleven v4 Turbo 有 2,593 个。

因此，对质量这一栏的诚实解读是：两者持平，Turbo 略占优势，而再多几千票就可能朝任一方向抹平这点差距。任何需要给这两个模型排个高下的人，拿到的都是一个承载不起这份分量的数字。

相比之下，价格列在方向上毫不含糊，尽管其绝对值是推导出来的。Artificial Analysis 对榜单上的每个厂商都采用同一种换算方法；如果该方法对 HeyGen 的积分体系定价有误，那么它会以相同系数对两个 HeyGen 条目都定价有误，而 7.5× 在恒定误差下仍然成立。但如果误差因模型层级而异，它就无法成立——已发布的信息中没有任何内容表明两个层级对积分的计费方式不同——不过，这个假设应当对照你自己的发票进行核实，而不是直接相信。

当“更便宜”不再是正确问题时

有三种情况会让七 Elo 的平局变得无关紧要，价格差距也随之变得无关紧要。

你拥有专业级克隆声音。Turbo 无法让它们发声。还没比到成本，比较就已经结束。HeyGen 之所以将 heygen-voice-1 保留为默认选项，正是因为专业声音需要它；而且，无论重新录制多少次，若不重建声音，都无法把训练了二十分钟的克隆变成即时可用的克隆。

你需要可复现的输出。种子是专业语音的一项控制手段，而 Turbo 完全不支持专业语音。如果你的流水线会重新生成某句台词，并期望得到相同的演绎效果，那么两条即时语音路径都无法为你提供这一手段。

你需要即时语音的时间精度。两个模型都接受 with_timestamps，并返回每个字符的开始和结束时间——在同步端点上作为 original_characters（在响应中），在流式端点上则作为 character_alignment 事件，同时包含提交的文本和实际说出的规范化文本。时间戳在两个模型上都不产生额外费用，因此这不是一个差异化因素；它只是字幕生成流水线能够使用 Turbo 而不损失任何内容的原因。

对于其余场景——从一段简短录音克隆出的品牌声线、一个客服代理、一批短句——Turbo 属于同一档引擎，费率却只是很小一部分，而那 7 个 Elo 的差距不过是噪声。

迁移不过是一个字符串，而这正是陷阱所在。

由于请求体不会改变，切换只涉及一个字段。这也是为什么团队会在没有衡量的情况下就切换。失败模式不是 400；而是一个悄然无法使用的音色。把专业voice_id发送给 Turbo，请求就会失败——这种失败很响亮，也没问题。发送一个即时音色并带上speed: 1.1，你会得到默认速度的音频，而且没有报错，因为即时音色会接受并忽略该参数。一个一直在即时音色上调校韵律的流水线，本来就没有得到它想要的结果；迁移到 Turbo 只是让这个问题更容易被发现。

有一个迁移细节确实很容易被忽略，而且已有文档说明：在 HeyGen Voice 1 之前创建的即时语音必须重新克隆，才能通过这一代模型发声。一个满是旧版即时克隆的较旧工作区，并不能只改一个模型字符串就能正常工作。

在做基准测试之前，值得先看看 HeyGen 自己的默认设置，因为厂商有两套配置。HeyGen Studio 在克隆时提供 similarity: "max"，并配合 expressiveness_boost: 0.5进行合成。API 默认值是 similarity: "extra_high" 和 expressiveness_boost: 1.0，而 HeyGen 表示，正是这套 API 配置在受控榜单上拿了第一。如果你在迁移时照搬 Studio 设置，就不再复现排行榜所评分的配置——如果你是有意为之，那没问题；如果不是，就会得到令人困惑的基准测试结果。

在做出任一决定之前都值得进行的一项测试

免费层级让成本低到完全没有理由根据排行榜来做决定。heygen-voice-1-turbo-free在 2026 年 11 月 30 日之前免费提供公共语音和即时克隆，无需信用余额，并且将 HeyGen 公共语音 Nadine（83548de556df48ba8c09c42a57c51d85）发布为一行即可上手的起点。这是一个共享容量层级：无论你自己的请求速率如何，在负载下都可能出现 429 rate_limit_exceeded，首段音频的生成时间不做保证，而且免费请求永远不会转为付费请求。

在 Turbo Free 和你当前的模型上，用相同的即时克隆渲染同样的二十句台词，并留意那些被竞技场平均掉的东西：产品名称、数字、日期，以及你的品牌独有、别人不会说的内容。如果两者在你听来无法区分——7 分的 Elo 差距表明它们会如此——那么决定就归结为账单，而账单是 48 美元对 360 美元。

如果你的技术栈还会调用其他语音或语言模型，将非 HeyGen 的部分放在同一个支持故障转移的密钥之后，就能让这项对比不落在你的生产路径上；HeyGen Voice Turbo 本身不在 OrcaRouter 的目录中，因此测试中的 HeyGen 一侧需针对 HeyGen 自己的 API 运行。路由器在这里能为你带来的好处，是可以同时运行两个 HeyGen 模型和一个备用语音，且只需同一套集成，这样新模型遇到速率限制或故障时，就不会变成用户面对的静默。

这一切最终得出的规则可以用一句话概括：即时克隆默认选 Turbo，除非你有实测数据表明不该这么做；专业克隆选 HeyGen Voice，因为没有别的引擎能说它们；而任何人都不该根据 Elo 在这两者之间做选择。