HeyGen Voice Turbo 對上 Inworld Realtime TTS-2：最佳的克隆語音並非最快的那一個

Ask both vendors for the number that decides a realtime product and only one of them answers. Inworld publishes a first-audio figure for Inworld Realtime TTS-2 — as low as 50 milliseconds on the Flash sibling, measured on Coval's board, with the vendor claiming up to 3× sooner first audio than ElevenLabs. HeyGen publishes no latency figure at all for HeyGen Voice Turbo; its documentation promises "faster generation" than the model it sits beside and leaves it there. What HeyGen does publish is a first place on the Artificial Analysis Controlled Voice Arena at 1,202 Elo and a listed $4.00 per million characters, against Inworld Realtime TTS-2's seventh place at 1,145 and $20.80. Voice-arena placings and per-character prices that move after publication are recorded with their dates and sources in the AI Incident Archive, alongside the other model and vendor incidents we follow.

所以這兩個模型並不是在爭同一個位置。一個是盲測偏好排行榜上最強的克隆語音引擎，但延遲問題仍未解答。另一個是即時引擎，有已公布的延遲數據，但品質分數低了五名。你想要哪一個，取決於是否有人正等著句子說到一半。

這兩塊板子，以及各家廠商實際所處的位置

Artificial Analysis 同時經營這兩個語音排行榜，而這兩個數字合起來看，比單看其中任何一個都更有意義，因為它們衡量的東西並不相同：Controlled Voice Arena 將八個複製的參考語音固定不變，據此為引擎評分；Provider Voice Arena 則讓各家廠商以自家原生的語音發聲，並為實際出貨的產品評分。

• 受控語音 Elo — HeyGen Voice Turbo 1,202（46 個中排名第 1，±19，1,685 個樣本）。Inworld Realtime TTS-2 1,145（排名第 7，±13，3,161 個樣本）。

• 供應商語音 Elo — 未列出 HeyGen Voice Turbo。Inworld Realtime TTS-2 1,267（98 個中第 6）。

每 100 萬字元的標價，arena 換算 — HeyGen Voice Turbo $4.00。Inworld Realtime TTS-2 $20.80，Flash $10.40。

• 供應商費率表 — HeyGen 並未公布逐字元語音費率；$4.00 是從點數定價推算而來。Inworld 公布 Realtime TTS-2 的隨需價格為 $25.00、Flash 為 $15.00，在 Creator 方案上則降至 $20.00 與 $10.00。

• 標稱延遲 — HeyGen：未公布。Inworld：在 Coval 上，Flash 的首個音訊延遲為 50 毫秒；旗艦版本的數據並非以相同基準說明。

• 語言涵蓋範圍 — HeyGen：42 個基礎語言代碼，用於聲音複製與語音。Inworld：僅需一個 Realtime TTS-2 聲音，即可支援約 500 種語言與方言。

供應商欄位中的不對稱才是值得注意的地方。Inworld 在兩個榜單上都有排名；HeyGen 只在其中一個榜單上有排名。Artificial Analysis 會略過票數不足的模型，因此這種缺席並不代表品質不佳——但這確實意味著，Inworld 的產品是在其整個已推出的產品範圍內接受評分，而 HeyGen 的產品則僅在複製聲音的情境下接受評分。

品質：即使計入誤差範圍仍存在的 57 分差距

五十七點 Elo 是這項比較中最大的差距，也是最不含糊的。HeyGen Voice Turbo 的區間為 1,183 到 1,221；Inworld Realtime TTS-2 的區間為 1,132 到 1,158。兩者並不重疊。不同於 HeyGen 對 HeyGen 的七點比較中兩個模型在統計上不相上下，這次在 95% 信心水準下具有區隔。

這具體換來的是什麼：在八個複製的參考語音上，盲測聽眾偏好 HeyGen Voice Turbo 的演繹版本，其偏好幅度是排行榜能夠解析出來的。這並不表示 HeyGen 自家的語音型錄聽起來比 Inworld 的更好——HeyGen 在供應商排行榜上根本沒有條目，無從提出這種主張——也不表示 Turbo 複製得更好，只表示它在演繹所提供之複製語音時表現更好。

Inworld 的複製路徑，是其品質分數最難以描述的一環。即時複製可從三秒參考音訊運作，語音設計則可從文字描述運作；兩者都包含在每個方案中。競技場衡量的是輸出語音，而不是輸入複製的保真度。一個在交給它的複製音上得分 1,145 的模型，可能仍是從顧客聲音的三秒素材製作該複製音時更好的選擇。

延遲：HeyGen 不會給你的數字

Inworld's realtime positioning is specific and falsifiable. Realtime TTS-2 Flash returns first audio in as little as 50 ms on Coval's measurement, up to 3× sooner than ElevenLabs at 183 ms and up to 35× sooner than O​penAI's GPT-4o mini T​TS at 2,056 ms. Those are third-party measurements of a vendor's model, quoted by the vendor — better evidence than a marketing claim, weaker than an independent audit, and worth reproducing on your own network before you architect around them.

HeyGen 的文件將 Turbo 描述為能以「較低的延遲」說出即時語音，比預設延遲更低，文件就只講到這裡。Artificial Analysis 的吞吐量頁面列出該模型的中位數生成時間為 7.29 秒、每秒 122 個字元，第 5 百分位為 52.7 秒、第 95 百分位為 150 秒；這些數字描述的是在其測量設備上進行整段請求合成的情況，並非首個音訊出現的時間，而且變異幅度很大。7 秒的中位數對於預先渲染的旁白來說沒問題。但這不是對話。

那個比較並不是一場公平的較量，而且它本來就不是要公平。HeyGen 的 Turbo 在定價與文件說明上，都是針對大量語音合成：每次請求 5,000 個字元、每分鐘 30 次請求、同步 WAV 端點，以及一個 SSE 串流，其中每個部分都是完整的 WAV 容器。Inworld 的產品文件則是針對輪流發話：以指令為基礎的表達方式控制、50 種非語音聲音以真實音訊呈現，以及宣稱能在數十毫秒內輸出第一個音訊。如果你的產品是在對話中發聲，HeyGen 尚未公布你需要的那個數字，而缺少一個數字並不是模型很慢的證據——而是證據，說明這不是他們要賣給你的產品。

價格：一邊是三個級距，另一邊是一個推算出的數字

HeyGen 的 $4.00 對上 $20.80，看起來像是五比一的勝利，但這卻是本文中最不可靠的數字。這個數字是 Artificial Analysis 依 HeyGen 的點數定價換算而來，之所以需要換算，是因為 HeyGen 並未公布一個點數能兌換多少字元。Inworld 的 $20.80 則是同一份榜單對 Inworld 實際公布費率的標準化結果。

同類相比，差距就縮小了。Inworld 自家的階梯價為：隨選 $25.00、Creator 方案 $20.00、Pro $17.50、Business $15.00、Enterprise $12.50；Flash 則在相同方案層級中從 $15.00 降至 $7.00，而廠商宣稱最高階方案低於 $5。以長期承諾客戶實際支付的費率計算，Realtime TTS-2 落在 $12.50 至 $20.00 之間，Flash 則落在 $7.00 至 $15.00 之間。相較於 $4.00 的轉換，HeyGen 在帳面上仍較便宜——但與打折後的 Inworld 方案層級相比，差距更接近 2 比 1，而非與牌價相比的 5 比 1。

There is a second rung that costs nothing. HeyGen's heygen-voice-1-turbo-free tier speaks public voices and instant clones without a credit balance through 30 November 2026, on shared capacity with no guarantees and a documented tendency to return 429 under load. Inworld offers up to 70 minutes of free T​TS on its On-Demand plan. Both are enough to run a real comparison; neither is enough to run a product.

每個模型不再成為答案的分界

當音訊是預先渲染或近即時，而非對話式時，就選用 HeyGen Voice Turbo：旁白、有聲書章節、e-learning 模組、影片管線中的語音部分，或語音代理的回應長到足以讓七秒的合成時間藏在思考指示器背後。它的優勢在於以榜上最低的換算費率取得第一名的克隆語音分數，支援 42 種語言，並輸出 44.1 kHz WAV。

當有人在等待時，請選用 Inworld Realtime TTS-2。低延遲的宣稱、指令引導——可將表達指示作為請求參數傳送，或在句子中間以括號標註——50 種非語言表達、約 500 種語言，以及三秒克隆，全都是這款為對話而打造的引擎功能，而再高的 Elo 也無法彌補這個結構性差距。它的優勢還包括 HeyGen 沒有的 Provider 排行榜名次；如果你的產品推出的是內建語音而非克隆語音，這一點就很重要。

如果你需要具備可重現種子的專業克隆，這兩個模型都不是答案：HeyGen 將 Turbo 限制為公開與即時語音，而諸如 seed、speed 與 pitch_shift 等韻律控制項在該 API 上僅限專業版使用。Inworld 的對應控制項則是其自身的指令與引導層，這是具有不同保證的不同機制。

兩者同時運行，但不押注於任何一方

這個決定棘手的地方在於，這兩個候選方案各自最佳化的條件，是你無法單憑排行榜完整模擬的：你網路的首次音訊時間、你文本中的人名與數字、你聽眾對停頓的容忍度。成本最低的解答方式，是把兩者放在同一個介面後面並分流流量：將一小部分流量分給挑戰者，並在請求失敗或觸發速率限制時，自動容錯切換到現有方案。

那正是 OrcaRouter 路由層所針對的形態，也是在此提及它的誠實理由：一把金鑰即可存取 200+ 個模型，供應商定價原價轉嫁、不收取任何加價，以及容錯切換機制，能把共用容量免費方案回傳的 429 化為一次重試，而非一段空等無回應的時刻。HeyGen Voice Turbo 目前尚未收錄於該目錄中，因此若真要區分 HeyGen 與 Inworld，仍意味著兩套整合——但不論你最終選擇以哪個模型作為標準，這套論點中關於容錯切換的那一半依然成立。

排行榜能定奪的範圍，比乍看之下更窄。HeyGen Voice Turbo 是更好的克隆語音引擎，領先幅度有統計數據支持，而且價格很可能是頂尖梯隊中最低的。Inworld Realtime TTS-2 是兩者中唯一有說明它多快開始說話的，而對對話式產品而言，這個尚未解答的單一問題比五十七點 Elo 更重要。