HeyGen Voice 登顶 Artificial Analysis TTS：场景感知语音克隆，App 免费内置、API 约 30 美元/百万字符

10 月 14 日，HeyGen 在官网与 X 宣布推出自研语音模型 HeyGen Voice，并发布研究长文《Scene-Aware Voice Cloning for Talking Videos》。核心卖点是把「谁在说」和「在哪说」拆开：用日常录音锁定说话人音色，再用目标画面与场景描述驱动语速、重音与房间声学（混响、麦克距离、环境噪声），避免「棚录音配街头画面」的违和感。模型为多模态自回归 Transformer，配合 flow-matching 与波形解码输出 44.1 kHz 音频；提供 Voice Clone（贴合场景）与 Full Clone（更贴近原录音）两种策略，以及可选的 Expressiveness Boost。

评测方面：Artificial Analysis 可控语音（Controlled Voice）榜 10 月 9 日快照中，HeyGen Voice Elo 1201 排名第一，高于 Qwen-Audio-3.1-TTS-Plus、ElevenLabs v4 等；站内盲测中，用户在与 ElevenLabs v4、Cartesia Sonic 3.6 的三方对比里有约 41.7% 选它作为「自己的声音」（6153 票）。场景贴合盲测中，相对 Cartesia / ElevenLabs / Seedance 2.5 的「声音是否像在画面里录的」偏好分别约 73%/70%/65%。安全上，平台要求本人同意克隆、可申请删除，并使用 AI 音频水印。

谁能用：HeyGen App 端——官方写明 HeyGen Voice 包含在每条视频生成里、不另收费（仍受 App 免费/Creator/Pro 等套餐额度约束）。API 端——REST/流式 TTS（默认模型 heygen-voice-1），公开标价约 30 美元/百万字符，按量付费、无套餐门槛；即时克隆预览期创建免费，专业克隆需购买 voice-clone 槽位。无开源权重，Enterprise 可谈更高速率。

解读：语音赛道正从「像不像真人」卷到「像不像在这个空间里说话」——与 Grok Voice 3.0、Fish Audio Drama 3 同一周密集放量，说明实时对话与视频配音两条线同时加速。HeyGen 把视觉条件塞进 TTS，等于把 Avatar 视频的最后一公里（声画同场）产品化；短板是闭源与 API 单价不低，创作者会在「App 内免费额度」和「ElevenLabs/开源 TTS」之间算账。 讨论：1. 场景感知会不会成为视频 TTS 的标配，还是只在数字人场景才有刚需？2. 闭源 + 按字符计费，能否挡住 Qwen-Audio 等开源/低价选手在 API 侧抢份额？