HeyGen Voice – HeyGen 推出的自研语音模型

HeyGen Voice是一款由HeyGen于 2026 年 10 月推出的自研语音合成模型，官方称其上线时即在 Artificial Analysis 的 Controlled Voice 语音榜排名第一。该模型支持文本转语音与声音克隆两类能力，在保留说话人语气、情感与节奏的前提下生成音频，并在 HeyGen 平台与官方接口内开放使用，适用于数字人配音、口播视频与多语言本地化等场景。

HeyGen Voice 的核心能力

HeyGen Voice 是 HeyGen 自研的语音生成模型，与平台此前的语音方案相比，它把优化重心放在「像本人」这件事上：合成的音频保留说话人原有的语气、情感起伏与停顿节奏。对 AIGC 内容生产而言，这意味着配音环节可以不另请配音员就得到接近本人音色的成品，数字人视频的画面与声音也能在同一套素材里保持一致。

在第三方语音榜上排名第一

模型发布时，Artificial Analysis 的 Controlled Voice 榜单把 HeyGen Voice 列为第 1 名，Elo 评分 1201，参与对照的样本数为 1531 次，95% 置信区间为正负 16。该榜的口径是让不同模型朗读同一组克隆音色与文本，再由盲测投票得出排序，衡量的是语音自然度与说话人相似度。

语气、情感与节奏的还原

官方把这项能力描述为「真实表达」：模型会跟随文本内容调整语调与情绪，在陈述、提问与感叹之间保持自然的起伏，长句与短句的停顿按语义切分。对于需要连续口播的内容，跨句、跨段落的声音一致性比单个句子的音质更关键，这一版把优化重点放在该处。

与 Avatar V 属于同一条技术栈

HeyGen 官方说明，Avatar V 是平台的核心模型，HeyGen Voice 则是同一套端到端技术栈里新增的音频格式。这意味着数字人视频中的画面与声音来自同一体系，人物形象与音色可以在同一次生成里对齐，省去把视频与音频分开制作再拼接的环节。

文本转语音与声音克隆两类能力

模型提供两条使用路径。文本转语音直接接收文本并输出音频；声音克隆则先用说话人本人的录音建立专属音色，再用该音色朗读新文本。官方为克隆设定了授权要求，需要本人明确同意后才能用于语音合成。两类能力通过同一套官方接口调用，非流式接口返回音频文件，流式接口以事件流逐段返回。

HeyGen Voice 与同类语音合成模型的对比

上表 HeyGen Voice 一列取自 HeyGen 官方发布材料与官方接口文档，Qwen-Audio-3.1-TTS-Plus 一列取自阿里通义官方说明与公开榜单标注，Eleven v4 Turbo 一列取自 ElevenLabs 官方产品信息与公开榜单标注，MAI-Voice-2 一列取自微软官方说明。四款模型的差异集中在三处：声音克隆上，HeyGen Voice 与 MAI-Voice-2 都把专属音色作为主线能力；语言覆盖上，Qwen-Audio-3.1-TTS-Plus 在中文与方言上给出了更细的清单；接入方式上，四款都只提供云端接口，权重均未开放，本地部署需要另找开源方案。

如果更看重开箱即用，而不打算自行接入接口，也可以直接使用 HeyGen 平台本身：它提供数字人视频与语音生成的一体化服务。

HeyGen

专业的AI数字人视频生成工具

HeyGen Voice 的应用场景与适用人群

该模型面向需要自然人声的视频与音频任务，常见场景包括：

• 数字人视频配音：与 Avatar V 驱动的画面对应，人物形象与音色来自同一套素材，适合批量生产口播与讲解视频。
• 多语言本地化：同一段脚本可以按目标语言重新生成音频，用于把国内内容推向海外市场。
• 有声内容制作：课程、播客与有声读物的初稿先用模型合成，再按听感决定是否重录。
• 企业培训与内部播报：以固定音色统一讲解内容的听感，减少多人录制的协调成本。
• 产品演示与广告口播：用较低成本试听多版文案的语气与节奏，再确定最终脚本。

适用人群：以数字人视频为主要载体的内容团队、需要多语言配音的出海业务方，以及希望用统一音色批量生产音频的企业内容部门。只做单次文本朗读的用户，平台内的基础语音功能已经够用。

HeyGen Voice 的使用方法

该模型在 HeyGen 平台与官方接口中提供，按以下顺序接入：

1. 确认能力范围：在 HeyGen 官方语音合成接口文档 查看支持的参数与输出格式。
2. 准备音色：直接使用平台内置音色，或先用本人的录音建立克隆音色；即时克隆取一段录音的前 3 分钟，数秒即可完成建立。
3. 发起文本转语音请求：调用 POST /v3/models/audio/tts 直接返回一段 44.1 千赫兹的 WAV 音频，或调用 POST /v3/models/audio/tts/stream 以事件流逐段接收；模型标识固定填写 heygen-voice-1，单次文本长度在 1 到 5000 字符之间。
4. 调整表达参数：用 expressiveness_boost 控制表现力强度，专属音色还可以额外设定 speed、pitch_shift 与 pitch_variance。
5. 按上限排队批量任务：每个工作区成员每分钟最多 30 次请求，批量生成需要按该上限安排节奏。

接入初期建议先用一小段文本验证音色与停顿是否符合预期，再扩展到完整脚本。即时克隆的录音只需 3 分钟即可建立，但建立之后不能再重训，需要调整时只能重新建立；专属音色克隆则需要本人 1 至 10 段、合计不少于 20 分钟的录音，之后可以反复重训。

HeyGen Voice 的价格与开源情况

HeyGen 官方说明，HeyGen Voice 在平台与官方接口内免费开放，文本转语音与即时声音克隆都不额外计费。需要更稳定的专属音色时，可以在平台内开通专属音色克隆，官方为其单独定价，训练素材要求为本人 1 至 10 段、合计不少于 20 分钟的录音。语音接口按字符计费，公开榜单标注的每百万字符价格为 30 美元。完整的套餐与额度以 HeyGen 官方公布为准。

HeyGen Voice 未提供模型权重下载，也不支持本地部署，只能通过 HeyGen 平台与官方接口调用。需要私有化部署或二次训练的团队，需要另寻开源方案。

HeyGen Voice 的常见问题