HeyGen Voice Turbo 從 HeyGen Voice 手中奪下可控語音霸主寶座——並將競技場價格調降 87%

在 HeyGen Voice 登上 Artificial Analysis 的 Controlled Voice Arena 榜首十二天後，HeyGen 已在該榜上以HeyGen Voice Turbo取而代之——這是一款更快、也便宜得多的語音模型，於 2026 年 10 月 21 日以模型 IDheygen-voice-1-turbo在該廠商的 API 上線。於 10 月 22 日上午查閱時，該榜單將 HeyGen Voice Turbo 以 1,202 Elo 排在首位，其前代HeyGen Voice以 1,195 居次，阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 則以 1,184 排名第三。這個標題本身就寫成了一個接班故事——廠商打败自己——這樣的框架並沒有錯，但它是整個頁面上最沒用的一項資訊。真正該改變採購決策的那個數字，就在往右兩欄的位置：同一份榜單列出新模型每百萬字元 4.00 美元，而被它取代的舊模型則是 30.00 美元。當像這樣的一次榜單翻轉，日後被發現是建立在過期或重新申報的分數上時，更正會連同日期與來源記錄在AI 事故檔案庫，與我們追蹤的其他模型與廠商失誤並列。

這代表與一個排名高於其所取代模型的模型相關的列出成本降低了 87%。這兩個數字都是 Artificial Analysis 對 HeyGen 點數定價的換算結果，而非 HeyGen 公布的費率，這一點很重要，值得記住——但這個差距實在太大，不可能是換算造成的誤差。

受控董事會今天早上究竟說了什麼

「受控語音競技場」將說話者固定不變：每位參賽者都合成同樣八個複製參考語音，四個美式、四個英式，再由盲測聽眾選出較佳的呈現版本。這個排行榜衡量的是引擎本身，而非供應商的展示影片，如果你要推出複製品牌語音，這正是你該看的榜單。截至 2026 年 10 月 22 日，榜單前列如下。

• 排名第 1 — HeyGen Voice Turbo，Elo 1,202，95% 信賴水準下 ±19（區間 1,183 至 1,221），1,685 個樣本，2026 年 10 月發布，每百萬字元 4.00 美元。

排名第 2 — HeyGen Voice，1,195 Elo，±15（區間 1,180 至 1,210），1,964 個樣本，於 2026 年 10 月發布，每百萬字元 30.00 美元。

• 第 3 名 — Qwen-Audio-3.1-TTS-Plus，1,184 Elo，±14（區間 1,170 至 1,198），2,292 個樣本，每百萬字元 19.30 美元。

• 第 4 名和第 5 名——Eleven v4 Turbo 與 Eleven v4，兩者皆為 1,156 Elo，每百萬字元分別為 $40.00 與 $80.00。

• 排名第 6 — Sonic 3.6，1,151 Elo，每百萬字元 $49.00，基於 3,193 個樣本 — 前十名中得票數最高的模型。

• 排名第 7 — Inworld Realtime TTS-2，1,145 Elo，每百萬字元 20.80 美元。

那份清單中有兩個細節比排序更值得注意。第一個是範圍欄：Artificial Analysis 將第一到第三名列為單一區間 1-3，意味著它自身的統計並未區分前三名模型。第二個是樣本數。HeyGen Voice Turbo 有 1,685 票；低兩個名次的 Eleven v4 Turbo 有 2,593 票。這款新模型位居榜首的依據，大約只有它所擊敗的模型的三分之二，而 ±19 的區間是前五名中最寬的。

Seven Elo 不是重點。四美元才是。

把 HeyGen 的兩個條目視為一組，因為它們共用同一個端點、同一個廠商，如今在排行榜上也處於鄰近位置。兩者相差七個 Elo 分，而它們的信賴區間幾乎在整個寬度上都重疊：1,183 到 1,221 對上 1,180 到 1,210。任何人都不應以品質為依據在這兩個模型之間做選擇。聲音克隆自然度上存在的任何差異，都小於測量本身的不確定性。

價格差距並不小於不確定性。它是 7.5 倍。

先說但書，因為這點很重要：HeyGen 並未公布每個字元的語音費率。其公開定價頁面販售的是點數——某個方案 600 點，另一個方案 1,000 點，年繳方案則配置更多點數——且從未說明一點能買到多少字元。4.00 美元與 30.00 美元這兩個數字，是 Artificial Analysis 自行換算的結果，並一致套用於榜單上的每家廠商，以便模型至少能互相比較。它們是推導出來數字。讓這項比較仍堪用的是，兩個數字都出自同一套換算：如果換算有誤，兩者都會錯，而 7.5× 的比例仍能在固定誤差下成立。

還有第三個價格層級，完全沒有出現在排行榜上。HeyGen 正在提供此模型的免費方案，heygen-voice-1-turbo-free，期限至 2026 年 11 月 30 日。它可朗讀公開語音與即時複製語音，無需額度餘額，且文件明確載明適用於測試、原型與少量語音。它同時也明確不提供任何保證：服務可用性、回應時間與首次音訊延遲全都在免責範圍內，容量由所有免費使用者共用，而且即使你遠低於自己每分鐘 30 次請求的上限，請求仍可能回傳 HTTP 429 rate_limit_exceeded。免費請求絕不會悄悄改用付費模型——你必須以 heygen-voice-1-turbo 重新送出請求，並接受相應費用。若要走上正式生產環境，請編列付費模型的預算，並把免費方案當成本週用你自己的腳本聽聽這套引擎表現的途徑。

Turbo 為了達到那個數字放棄了什麼

這項折扣並不是假借模型發布之名行定價促銷之實。它是一個功能較為受限的產品，而這種受限明確記錄在 HeyGen 的語音參考資料中。

• 語音類型 — heygen-voice-1-turbo 僅接受公開語音與即時克隆。不支援專業克隆。預設的 heygen-voice-1 仍是負責說專業語音的模型。

• 每次請求的控制項——Turbo 接受 expressiveness_boost（範圍從 0.0 到 1.0），且韻律設定中不接受其他項目。seed、speed、pitch_shift 與 pitch_variance 在即時語音（包括 Turbo）上會被接受但忽略。專業語音則會直接拒絕 expressiveness_boost。

• 停頓 — 專業語音會使用<break> 最多五秒的停頓。即時語音（包括 Turbo）則不會。其他 SSML 在兩者上皆不支援。

• 文字長度 — 每次請求可為 1 至 5,000 個字元的純文字，兩個模型皆適用。

• 速率限制 — 預設每位工作區成員每分鐘可發出 30 次請求，兩個端點皆適用，並可依帳號調整。

• 輸出 — 同步端點使用一個 44.1 kHz 的單聲道 PCM16 WAV；在 /tts/stream 上透過伺服器傳送事件提供依序排列的 base64 編碼 WAV 部分。每個串流部分都是完整的 WAV 容器，因此必須個別解碼，而非串接在一起。

把那份清單解讀成對 Turbo 所瞄準客戶的描述：這種人會用自己在幾秒內克隆出的聲音，大量生成短句；在這種情況下，缺少音高控制無關緊要，而 7.5 倍的速度差異則並非無關緊要。如果你的流程依賴耗時二十分鐘的專業克隆與可重現的隨機種子，那麼 Turbo 並不是你目前模型的便宜版本——它是一個無法勝任你工作的不同模型。

HeyGen 在其自家文件中提出的主張

HeyGen 的 Text to Speech 參考資料指出，其 API 預設值——similarity: "extra_high"用於聲音複製，以及 expressiveness_boost: 1.0用於語音——正是「在 Artificial Analysis Controlled Voice 排行榜上拿下第一名」的配置。這是供應商對一個獨立排行榜所做的宣稱，而且恰好可以查證：該排行榜確實顯示某個 HeyGen 模型位居第一。這項宣稱也比聽起來更狹窄。它描述的只是 Artificial Analysis 兩個語音排行榜之一上的某個模型的一種配置，並未說明該供應商整個語音目錄在排行榜上的位置。

在你照抄預設值之前，有個值得知道的不一致：HeyGen Studio 搭載的是 similarity: "max" 和 expressiveness_boost: 0.5，而 API 預設採用相似度更高、表達力最大的組合。排行榜結果是在 API 預設值下產生的。若你為了調出類似 Studio 的溫暖感而調整，你跑的就不再是 Elo 所對應的設定。

這個排行榜沒有衡量的三件事

首先，HeyGen 在 Provider Voice Arena 上完全沒有列入——那是個配套榜單，各家廠商使用自家原生語音，共有 98 個模型參與排名。該榜單由 Eleven v4 Turbo 以 1,335 分居首，Inworld Realtime TTS-2 以 1,267 分排名第六。Artificial Analysis 會略過票數不足的模型，因此未上榜並不代表品質不佳；但這確實意味著，對於 HeyGen 自家語音型錄在大眾聽感中的表現，並不存在任何獨立評分。如果你是在現成旁白語音中做選擇，而不是進行語音複製，那麼本文的核心數字並不適用於你。

其次，受控榜單是按語言分別運行的，而 HeyGen Voice Turbo 會出現在英文榜單的頂端以及德文榜單上——但在日文、中文、法文、西班牙文、葡萄牙文、越南文、阿拉伯文與印地文分頁中卻付之闕如。鑑於 HeyGen 記載了 42 個用於聲音克隆與語音的基礎語言代碼，最可能的解釋是投票量而非能力。話雖如此，英語榜首就是英語榜首，任何要推出多語言旁白的人，都應先閱讀相關分頁，再假定結果能通行。

第三，這個競技場評分的是音訊，而不是產生該聲音的複製步驟。從幾秒鐘的參考音訊進行即時複製，是否能保留特定講者，這是另一個問題，這裡沒有人測量。

12月1日會發生什麼事？

最具體的未解問題，不是 Turbo 是否穩居第一——在重疊區間內七個百分點的領先，可能在下一輪評分就逆轉，而 HeyGen 內部毫無變化。真正的問題是，2026年11月30日免費方案結束後，這個模型的成本是多少。

有兩條路徑看似合理。4.00 美元的換算結果，可能是一款刻意壓低價格的即時語音模型的穩態價格；若是如此，受控排行榜上現在就有了一個排名頂尖的項目，價格只有全場中位數的五分之一。或者，Turbo Free 可能只是獲客管道，一旦結束，付費費率就可能變動。HeyGen 表示會在優惠變更前通知使用者，這是目前唯一有紀錄的承諾。在供應商價目表出現之前，這裡的每個價格都是推論——一個套用得一致的好推論，但仍然是推論。

對於已經在運行語音管線的團隊，本週務實且成本低廉的做法是：用heygen-voice-1-turbo-free 搭配即時克隆，生成你自己的二十句台詞，再用你目前使用的任何方案生成同樣的二十句。這個競技場已經告訴你，這些引擎在八個參考語音上表現接近。它無法告訴你 Turbo 是否能處理你的產品名稱、你的數字和你的停頓。如果你也會呼叫語言模型，或OrcaRouter 目錄中的其中一個託管語音模型，這些可以放在單一金鑰之後，並具備自動容錯移轉，讓這項實驗不會進入你的正式環境路徑——不過 HeyGen Voice Turbo 本身並未路由到那裡，因此比較測試必須透過 HeyGen 自家的 API 進行。

到頭來，接班的故事是最不有趣的解讀。一家供應商在十二天內把自己的模型提升七個 Elo，這只是普通進展。一家供應商以約為前一款標價七分之一的價格推出其最佳克隆語音引擎，這改變了語音層被允許花費的成本——而這就是該帶進預算討論的那句話。