HeyGen laiž Voice — pašu TTS modeli, kas Artificial Analysis rangā debitē pirmajā vietā

Videoavataru uzņēmums HeyGen 9. oktobrī paziņoja par HeyGen Voice — savu pirmo iekšējo teksta-runas (TTS) modeli. Tas pieejams HeyGen platformā un API. Neatkarīgais vērtētājs Artificial Analysis Controlled Voice arena tabulā modelim ieraksta aptuveni 1201 Elo punktus un pirmo vietu starp salīdzinātajiem TTS modeļiem.

Controlled Voice arena salīdzina modeļus ar vieniem un tiem pašiem astoņiem klonētajiem balsiem (četras ASV un četras Apvienotās Karalistes angļu balsis), lai samazinātu balsu izvēles ietekmi uz rezultātu. Pēc Artificial Analysis datiem HeyGen Voice apsteidz Alibaba Qwen-Audio-3.1-TTS-Plus (aptuveni 1187 Elo) un ElevenLabs Eleven v4 Turbo (aptuveni 1168 Elo). API cena tabulā norādīta kā 30 dolāri par miljonu rakstzīmju — starp Qwen un ElevenLabs v4 Turbo cenām.

HeyGen tehnoloģiju vadītājs Rons Jaņs paziņojumā uzsvēra, ka modelis veidots, lai saglabātu uzsvara, emociju, tempa un rakstura nianses, nevis tikai «sintētisku» kopiju. Uzņēmums norāda, ka Voice iekļauts Avatar V stekā, tāpēc identitāte un balss nāk no vienas sistēmas. Profesionālai balss klonēšanai piedāvāts papildu abonements ar skaidru īpašnieka piekrišanu un apmācību uz ilgāka ieraksta.

AlphaSignal un citi nozares apskati atgādina, ka Controlled Voice tāfele mēra kvalitāti šaurākā salīdzinājumā — ar fiksētiem klonētajiem balsiem —, nevis visā Provider Voices rangā, kur balsu bibliotēkas atšķiras. Tāpēc «pasaules labākais TTS» interpretācija ir jāsaista ar konkrēto tabulu, nevis ar visu tirgu bez atrunas. Modelis vēl var uzkrāt balsis arī plašākajā rangā.

HeyGen Voice debija notiek brīdī, kad TTS konkurence starp ElevenLabs, Alibaba Qwen, Cartesia un citiem piegādātājiem ir īpaši saspringta. Neatkarīga ranga līderpozīcija dod HeyGen mārketinga argumentu, taču ilgtermiņa rezultāts būs atkarīgs no tā, vai modelis noturēs kvalitāti produkcijā un cik ātri konkurenti atjauninās savas versijas. Lietotājiem praktiskā nozīme ir arī cena, ātrums un pieejamība API.