HeyGen Voice vs Sesame Preview：你能購買的語音，對比只能與之對話的語音

這不是一場模型比較，而假裝它是，會是這裡唯一真正可能犯下的錯誤。HeyGen Voice 是一套 API 引擎——在 Artificial Analysis 的 Controlled Voice 競技場以 1,202 Elo 排名第一，透過 HeyGen 的 v3 端點對外提供，以點數計價販售，只要一段錄音就能複製聲線。Sesame Preview 則是免費的消費級語音助理，你只要打開網頁，對四個具名角色之一說話就能使用；它沒有公開端點、沒有模型識別碼，也沒有任何可以租用的價格。其中一個你能出貨上線。另一個則是你之所以知道好的對話語音聽起來該是什麼樣子，卻永遠不會是你實際部署的東西。

每一個實際上是什麼

Sesame Preview 是對話式語音的示範。你可以透過該公司自家的網站使用它，與 Maya、Miles、Simone 或 Charlie 交談，而這段體驗刻意針對親切感與表達力進行最佳化——公司在說明這些夥伴為何會有這樣的行為時，也表達了這一點。目前它僅支援英文，團隊指出，多語言能力是因為資料污染而偶然出現，且「目前表現還不好」，而擴展到二十種以上語言則是未來計畫。公司自身的說法仍在發展中：「我們還沒做到那一步。」

在示範之下的是 Conversational Speech Model，一種多模態的文字與語音架構，由兩個自迴歸的 Llama 風格 transformer 組成。它推出三種規模——Tiny 具備 1B 主幹與 100M 解碼器，Small 為 3B 與 250M，Medium 為 8B 與 300M——各自以 2,048 個 token 的序列長度（約兩分鐘音訊）訓練五個 epoch，資料涵蓋約一百萬小時、以英語為主的語音。關鍵研究元件以 Apache 2.0 開源，並有對應的 GitHub 儲存庫。而示範——人們真正讚賞的那個東西——並非如此。示範沒有公開 API。

HeyGen Voice 是反向的安排。沒有免費的消費者應用程式可供試用；而是有一套附文件說明的 API，內含語音目錄、語音端點、複製路徑與帳單。你辦不到的是，在瀏覽器裡打開它，然後一時興起就和它對話。

為什麼這兩者還是會被拿來比較呢？

它們之所以被拿來比較，是因為兩者都被舉為合成語音已跨越某道門檻的證據。Sesame Preview 重新定義了人們對對話式音訊聽起來可以多自然的期待——它推出時引發的反應，談的是它聽起來多像真人，而不是文字轉語音引擎。HeyGen Voice 在受控排行榜上的 1,202 分，則是以數字形式傳達同樣的主張：當每個模型都說著同樣八個複製的參考人聲時，它在四十二個參賽項目中拿下第一名。

差別在於之後你能拿這個說法來做什麼。排行榜上的名次是可重現、可測試的，而且附有一個端點。展示所帶來的印象則完全不是如此——而且重要的是，Sesame Preview 根本沒有出現在受控排行榜上，因此沒有 Elo 可以拿來與 1,202 相比。大家想做的比較無法進行，不是因為 Sesame 輸掉了它，而是因為這個模型從未被登錄。

計分板

• 受控語音 Elo — HeyGen Voice：1,202，42 個中排名第 1。Sesame Preview：未列出。

• 存取 — HeyGen Voice：具備官方文件的 v3 API，POST /v3/voices/speech。Sesame Preview：消費端網頁應用程式與 iOS App；沒有公開端點。

• 價格 — HeyGen Voice：依競技場本身對點數定價的換算，每 100 萬字元為 30.00 美元；HeyGen 並未公布語音費率。Sesame Preview：免費，且無論出價多高都無法購買。

• 語音選擇 — HeyGen 語音：300+ 種預建語音、以文字描述設計語音、即時且專業的克隆。Sesame 預覽：四種固定角色。

• 語言 — HeyGen Voice：「數十種語言」，數量未公開。Sesame Preview：僅支援英文，且依該公司自己的說法，目前多語言支援表現不佳。

• 開放權重—— HeyGen Voice：無。Sesame Preview：CSM 以 Apache 2.0 授權釋出，提供 1B、3B 與 8B 三種規模。

Apache 2.0 的細節才是關鍵

在「沒有 API」這個結論之下，其實還藏著一件事：Sesame 以 Apache 2.0 開源了這個研究模型——那是一種寬鬆授權，共有三種尺寸，其中 1B 變體小到不需要資料中心就能運行。這與那個示範是截然不同的提案，而且這是唯一能讓任何近似 Sesame Preview 聲音的東西，最終進入已出貨產品的途徑。

有兩點但書讓這一切說得誠實。已發布的 CSM 元件是研究產物：該公司指出，這些模型能處理語音內容，卻不處理對話結構，並表示全雙工模型是未來的工作——因此，已發布的權重並不是那種互動體驗。而且，在本機執行的 8B 主幹模型，與託管推論每百萬字元 19.30 美元是截然不同的成本結構；後者是競技場上最便宜的頂尖競爭對手所收取的價格。自行託管沒有按字元計費的帳單，卻有非常真實的按 GPU 小時計費的帳單。

對開發者而言，這會重新定義問題。如果 Sesame Preview 讓你印象深刻的是那段對話，開放權重並不會給你這個。如果讓你印象深刻的是語音模型本身的音質，那他們或許能給——而這件事可以用不同於展示的方式來驗證。

HeyGen Voice 上的發布流程是什麼樣子

實際上的差異就是那些常見的差異。HeyGen 的 API 接受語音選擇、文字，以及選用的 語速（介於 0.5 到 1.5 之間）與 音高（±50 個半音），並附上 BCP-47 地區設定提示。自訂語音有三種取得方式：由描述驅動的設計途徑，可從上限 1,000 字元的提示詞回傳最多三個排序選項；從單一錄音進行即時複製；以及以二十分鐘以上錄音訓練而成的專業複製。語音端點上的引擎篩選條件也接受非 HeyGen 引擎，因此這個平台並非只圍繞自家模型的封閉花園。

那些在 Sesame 這一側都不存在，而這並不是 Sesame Preview 的缺點——這就是它本來的樣子。一個為了展示可能性而最佳化的 demo，不應該附帶 SLA。

不過，帳單才是較不牢靠的那一半。HeyGen 販售點數——600 點每月 29 美元、1,000 點 49 美元、1,500 點 149 美元——並表示用量會因模型、時長與複雜度而異，卻未公布語音費率。競技場所列出的每百萬字元 30.00 美元，是 Artificial Analysis 對那些點數的換算，並非 HeyGen 的報價。因此，你能夠正式推出的模型是有定價的，只不過是建立在別人的算術上——這點支持的是先做一場有節制的試行，而不是對這具引擎的批評。

對於你欣賞的 demo，實際上該怎麼處理

有用的做法，是把 Sesame Preview 所展示的兩件事分開。對話行為——輪流發言、記憶、與某人交談的感覺——是一個尚未發布、也沒有端點的系統所產生的。語音品質則是有 Apache 2.0 權重支持的部分，也是你能用自己的音訊評估、無需徵求任何人許可的部分。

至於介於其間的一切，遷移路徑是最平凡的那一種：先在有 API 與排名的引擎上推出，並且在設計上做到——若 Sesame 的模型真有商業化推出的一天，採用它只是變更組態，而不是改寫。這意味著從第一天起就對語音供應商建立抽象層——單一介面、單一金鑰，引擎由組態選擇。OrcaRouter 的路由層正是為此打造：眾多供應商藏在單一端點之後，以供應商定價提供、不加價；當供應商停滯時自動容錯移轉；還有一套路由 DSL，讓你能替換語音背後的引擎，而不必碰應用程式碼。重點不在於它代管了 Sesame 模型——它並沒有——而在於當你欣賞的語音有一天可以購買時，嘗試它的成本應該只是組態檔案裡的一行。

誠實的成交

Sesame Preview 不是 HeyGen Voice 的競爭對手，也不該被當作競爭對手來評估。它是一個免費、僅支援英文、四人設的示範，卻恰好重新定義了人們對對話式音訊的期待，也恰好釋出了三種尺寸、採用寬鬆授權的研究權重。HeyGen Voice 是唯一一個在固定語音變因的語音排行榜上排名第一的引擎，透過你今天就能呼叫的 API 販售，而價格是你目前還算不出來的。

如果你需要一個能在本季度推出的語音，那麼抉擇並不在這兩者之間——而是在 HeyGen Voice 與競技場上其他有定價的引擎之間。如果你在等 Sesame，那就等權重，而不是等應用程式。