HeyGen Voice 与 Sesame Preview：你能购买的声音 vs 只能与之交谈的声音

这不是模型对比，而假装是，将是这里唯一真正会犯的错误。HeyGen Voice 是一个 API 引擎——在 Artificial Analysis 的 Controlled Voice 竞技场中以 1,202 Elo 排名第一，通过 HeyGen 的 v3 端点开放，按积分出售，可通过单次录音克隆。Sesame Preview 是一个免费的消费级语音助手，你只需打开一个网页并与四个具名角色之一对话即可使用，它没有公开端点、没有模型标识符，也没有可供租用的价格。其中一个你可以交付。另一个则是让你知道好的对话语音听起来是什么样的原因，而绝不是你会部署的东西。

每一个到底是什么

Sesame Preview 是对话式语音的一次演示。你可以通过该公司自己的网站访问它，与 Maya、Miles、Simone 或 Charlie 交谈，而这种体验刻意针对友好度和表现力进行了优化——公司在描述这些伙伴为何会有如此表现时也这么说过。它目前仅支持英语，团队指出，多语言能力是数据污染附带显现出来的，而且“目前表现不佳”，并称扩展到二十种以上语言是未来的计划。该公司自己的说法也仍在完善之中：“我们还没到那一步。”

演示之下是 Conversational Speech Model，一种多模态文本和语音架构，由两个自回归的 Llama 风格 transformer 构建而成。它有三种规模——Tiny 拥有 1B 主干和 100M 解码器，Small 为 3B 和 250M，Medium 为 8B 和 300M——每个都在 2,048 token 的序列长度上训练，大约两分钟音频，在约一百万小时、主要为英语语音的数据上训练了五个 epoch。关键研究组件在 Apache 2.0 下开源，并且有一个 GitHub 仓库。演示——人们实际称赞的东西——并不是那个。演示没有公共 API。

HeyGen Voice 是正好相反的情形。没有可供试用的免费消费者应用；有的是一套配有文档的 API，包含语音目录、语音端点、克隆路径，以及一张账单。而你无法做到的，是在浏览器里打开它，然后心血来潮地跟它聊上几句。

为什么这两个还是会被拿来比较呢

它们被拿来比较，是因为两者都被当作合成语音已经跨过某道门槛的证据。Sesame Preview 重新定义了人们对对话式音频能听起来怎样的预期——它问世时的反响，关注的是它听起来有多像真人，而不是像文本转语音引擎。HeyGen Voice 在受控榜单上的 1,202 分，是以数字形式表达的同一主张：当每个模型都用同样的八个克隆参考语音说话时，它在四十二个参赛条目中排名第一。

区别在于事后你能用这个说法做什么。一个榜单位置是可复现、可检验的，并且与某个端点相关联。而一次演示给人的印象则不具备其中任何一项——而且重要的是，Sesame Preview 根本没有出现在受控榜单上，因此没有 Elo 可以与 1,202 进行比较。人们想要进行的比较无法进行，不是因为 Sesame 输掉了它，而是因为该模型从未被录入。

记分牌

• 受控语音 Elo — HeyGen 语音：1,202，在 42 个中排名第 1。Sesame Preview：未列出。

• 访问方式——HeyGen Voice：有文档记录的 v3 API，POST /v3/voices/speech。Sesame Preview：面向消费者的网页应用和 iOS 应用；无公开端点。

• 价格 — HeyGen Voice：按该竞技场自身对积分定价的换算，每 100 万字符 30.00 美元；HeyGen 并未公布语音费率。Sesame Preview：免费，且无论出价多少都无法购买。

• 语音选择 — HeyGen Voice：300+ 款预置语音，支持文本描述式语音设计，即时克隆与专业级克隆。Sesame Preview：四种固定人设。

• 语言 — HeyGen Voice：“数十种语言”，数量未公布。Sesame Preview：仅支持英语，按该公司自己的说法，其多语言支持目前表现欠佳。

• 开放权重 — HeyGen Voice：无。Sesame Preview：CSM 以 Apache 2.0 许可发布，提供 1B、3B 和 8B 三种规模。

Apache 2.0 的细节才是关键

在“没有 API”这一结论之下，被掩盖的事实是：Sesame 以 Apache 2.0 开源了该研究模型——这是一种宽松许可证，提供三种规模，其中 1B 版本小到无需数据中心即可运行。这与演示有着本质上的不同，而且它是任何类似 Sesame Preview 声音的东西最终进入已发布产品的唯一途径。

有两点告诫让它保持诚实。已发布的 CSM 组件属于研究性产物：公司指出，这些模型能处理语音内容，却不处理对话结构，并把全双工模型列为未来工作——因此，已发布的权重并不等同于那种可交互体验。而本地运行的 8B 主干网络，与托管推理每百万字符 19.30 美元是截然不同的成本结构，后者正是该竞技场上最便宜的一流竞争对手所收取的价格。自托管没有按字符计的账单，却有一份非常真实的按 GPU 小时计的账单。

对构建者来说，这重新框定了问题。如果你对 Sesame Preview 印象深刻之处在于对话，那么开放权重并不能把对话给你。如果你印象深刻之处在于语音模型本身的音质，那开放权重或许能给你——而这是可以检验的，demo 则做不到。

HeyGen Voice 的上线过程是怎样的

实际差异都是些寻常之处。HeyGen 的 API 接收一项音色选择、文本，以及可选的语速（介于 0.5 到 1.5 之间）和音高（±50 个半音范围），外加一个 BCP-47 语言区域提示。自定义音色有三种获取方式：一种由描述驱动的设计路径，可从不超过 1,000 个字符的提示词中返回最多三个排序后的候选；一种基于单段录音的即时克隆；以及一种用二十分钟或更长时间音频训练而成的专业克隆。引擎音色端点上的筛选器也接受非 HeyGen 引擎，因此该平台并未围绕自家模型筑起围墙花园。

Sesame 那边并不存在这些东西，而这并不是 Sesame Preview 的缺点——这就是它的本质。一个为展示可能性而优化的演示，不应附带 SLA。

不过，账单这一半则要温和一些。HeyGen 卖的是积分——600 积分每月 29 美元，1,000 积分 49 美元，1,500 积分 149 美元——并表示消耗量因模型、时长和复杂程度而异，却未公布语音费率。该竞技场列出的每百万字符 30.00 美元，是 Artificial Analysis 对这些积分所做的换算，并非 HeyGen 的报价。所以，你能上线的那个模型是有定价的，只不过建立在别人的算术之上——这恰恰是主张先做一次审慎试点的理由，而不是对引擎的批评。

对于你欣赏的 demo，实际该做什么

有用的做法是把 Sesame Preview 所展示的两件事分开。对话行为——轮流发言、记忆、与人交谈的感觉——是一个尚未发布、也没有终点的系统的产物。语音质量则是背后有 Apache 2.0 权重支持的那部分，也是你可以无需征得任何人许可、用自己的音频来评估的那部分。

对于介于两者之间的一切，迁移路径是那种平平无奇的路：先在一个有 API、也有排名的引擎上发布，并在设计上确保，如果 Sesame 的模型有朝一日商业化落地，采用它只是一次配置变更，而不是重写。这意味着从第一天起就要在语音提供商之上做一层抽象——一个接口、一个密钥，引擎由配置选择。OrcaRouter 的路由层正是为此而生：众多提供商汇聚在单一端点之后，按提供商标价提供、不加价；当某个供应商停滞时自动故障转移；还有一套路由 DSL，让你无需改动应用代码，就能替换某个语音背后的引擎。重点不在于它托管了 Sesame 模型——它并没有——而在于，当你欣赏的某个语音变得可以购买的那一天，尝试它的代价应该只是配置文件中的一行。

诚实的成交

Sesame Preview 不是 HeyGen Voice 的竞争对手，也不应被当作竞争对手来评估。它是一个免费的、仅支持英语的、包含四种角色的演示，恰好重新设定了对对话式音频的期望，并且恰好发布了三种规模的、采用宽松许可的研究权重。HeyGen Voice 是唯一一个保持语音恒定的语音排行榜上排名最高的引擎，通过一个你今天就可以调用的 API 进行销售，而价格却尚无法计算。

如果你需要一个能在本季度交付的语音，那么要决定的并不是这两者之间——而是 HeyGen Voice 与竞技场上其他有定价的引擎之间。如果你在等 Sesame，那就等权重，而不是等应用。