Voxtral TTS 3 i HeyGen Voice: ile naprawdę kosztuje lektor
Porównaj nowe zewnętrzne API syntezy mowy z głosami dostępnymi w OmniArt. Oddziel ceny w dolarach od kredytów, sprawdź ograniczenia językowe i wybierz rozwiązanie dla agenta na żywo lub gotowego nagrania.
Voxtral TTS 3 i HeyGen Voice dają twórcom nowe stawki API naliczane za znak. Przy budżecie na nagranie lektorskie warto jednak zapytać, co jest potrzebne, aby uzyskać zaakceptowaną wersję: liczą się docelowy język, odpowiednia interpretacja, długość tekstu i kolejne podejścia. W tym porównaniu zestawiamy zewnętrzne API z modelami mowy, które możesz wybrać w trybie Audio OmniArt.
Sprawdzono 26.10.2026: ani Voxtral TTS 3, ani HeyGen Voice nie ma w publicznym katalogu OmniArt. Poniższe ceny w USD dotyczą odpowiednio Mistral i fal. Modele dostępne w OmniArt korzystają z kredytów; obie jednostki przedstawiamy osobno.
Voxtral TTS 3 i HeyGen Voice: co już udostępniono#
Mistral podaje 20.10.2026 jako datę Voxtral TTS 3 (Otwiera się w nowej karcie) i oznacza model jako publiczną wersję testową. W ogłoszeniu (Otwiera się w nowej karcie) opisuje generowanie mowy wsadowo i w czasie rzeczywistym. To możliwości deklarowane przez dostawcę, sprawdzone 26.10.2026, a nie wyniki testu odsłuchowego OmniArt.
fal ogłosiło HeyGen Voice (Otwiera się w nowej karcie) 21.10.2026. Aktualne strony Standard (Otwiera się w nowej karcie) i Turbo (Otwiera się w nowej karcie) oferują mowę z głosem z biblioteki lub nagrania referencyjnego. Podane tu ceny to stawki platformy fal sprawdzone 26.10.2026; nie określają ceny własnego, bezpośredniego API HeyGen.
Porównanie ceny za 1 000 znaków#
Tabela zewnętrznych API używa wyłącznie USD. Stawka Mistral oraz regularne i promocyjne stawki fal pochodzą ze stron dostawcy/platformy sprawdzonych 26.10.2026. Przeliczenie na tysiąc znaków ujednolica jednostkę rozliczenia; nie mierzy jakości głosu.
| Zewnętrzny model / platforma | Podana stawka rozliczeniowa | USD za 1 000 znaków | Limit tekstu na żądanie |
|---|---|---|---|
| Voxtral TTS 3 / Mistral (Otwiera się w nowej karcie) | 13 $ za milion znaków | 0,013 $ | Nie określono w analizowanej karcie modelu |
| HeyGen Voice / fal (Otwiera się w nowej karcie) | Regularnie 0,03 $ za 1 000 znaków | Regularnie 0,03 $; promocyjnie 0,015 $ | 5 000 znaków |
| HeyGen Voice Turbo / fal (Otwiera się w nowej karcie) | Regularnie 0,004 $ za 1 000 znaków | Regularnie 0,004 $; promocyjnie 0,002 $ | 5 000 znaków |
fal reklamuje promocję 50% do 31.10.2026 dla obu modeli Voice. Przed zaplanowaniem budżetu na późniejszy okres sprawdź te strony ponownie. Limity pochodzą ze schematu Standard (Otwiera się w nowej karcie) i schematu Turbo (Otwiera się w nowej karcie) fal, sprawdzonych 26.10.2026.
Poniższa tabela używa wyłącznie kredytów OmniArt, na podstawie katalogu modeli OmniArt i wspólnych zasad wyceny mowy sprawdzonych 26.10.2026. Publiczne linki otwierają strony odpowiednich modeli.
| Model dostępny w OmniArt | Kredyty za każdy rozpoczęty blok znaków | Kredyty za 1 000 znaków | Limit tekstu | Minimalny plan |
|---|---|---|---|---|
| Eleven v3 | 1 za 50 znaków | 20 | 5 000 znaków | Starter |
| Eleven Multilingual v2 | 1 za 50 znaków | 20 | 10 000 znaków | Starter |
| Eleven Turbo v2.5 | 1 za 100 znaków | 10 | 20 000 znaków | Starter |
| MiniMax Speech 2.8 HD | 1 za 50 znaków | 20 | 9 999 znaków | Free |
| MiniMax Speech 2.8 Turbo | 1 za 100 znaków | 10 | 9 999 znaków | Free |
Uwaga
USD i kredyty OmniArt to różne jednostki. Ten artykuł nie przelicza jednej na drugą ani nie wskazuje, która jest tańsza. Model w planie Free również zużywa kredyty.
OmniArt zaokrągla każdy rozpoczęty blok znaków w górę, zgodnie z zasadami katalogu z tego samego dnia. Każde kolejne podejście to nowe generowanie. Wklej właściwy tekst wraz z tagami interpretacji do trybu Audio i przed generowaniem sprawdź wyświetlaną wycenę. Niska stawka jednostkowa może nadal oznaczać większy budżet roboczy, jeśli poprawki wymowy lub czasu trwania wymagają wielu podejść.
Języki i klonowanie: przeczytaj zastrzeżenia#
Na 26.10.2026 karta modelu (Otwiera się w nowej karcie) Mistral podaje 9 języków. Ogłoszenie (Otwiera się w nowej karcie) mówi o 35+ językach i 50+ dialektach, a dokumentacja języków (Otwiera się w nowej karcie) o 35 językach i 50+ dialektach. Te źródła dostawcy są rozbieżne; pozostawiamy rzeczywisty zasięg językowy całego API bez rozstrzygnięcia. Sprawdź potrzebne połączenie języka i głosu, zanim zobowiążesz się do realizacji projektu lokalizacyjnego.
Poniższe możliwości to deklaracje dostawcy/platformy, sprawdzone 26.10.2026 w przeglądzie TTS (Otwiera się w nowej karcie), dokumentacji języków (Otwiera się w nowej karcie) i poradniku klonowania (Otwiera się w nowej karcie) Mistral oraz dokumentacji Voice API (Otwiera się w nowej karcie) fal.
| Szczegół | Voxtral TTS 3 | HeyGen Voice na fal |
|---|---|---|
| Języki | Karta modelu: 9; ogłoszenie: 35+; dokumentacja języków: 35, z 50+ dialektami | 39 kodów języków do wyboru; wykrywanie po pominięciu kodu |
| Gotowe głosy | Tabela języków: 22 pozycje, łącznie 35 gotowych głosów; dla języków bez nich użyj klonowania | 24 publiczne głosy |
| Materiał do klonowania | Krótkie nagranie do klonowania bez dodatkowego treningu; zapisz głos i używaj go ponownie przez ID | Nagranie jednego mówcy; używane są tylko pierwsze 3 minuty |
| Ustawienia interpretacji | 34 tagi emocji, tagi tempa slow / fast, wymowa fonemiczna i kontekstowy TTS | expressiveness_boost |
| Format nagrania | MP3, WAV, PCM, FLAC, Opus | WAV 44,1 kHz |
Przegląd Mistral oznacza instrukcje stylu w języku naturalnym jako niedostępne na premierę, choć ogłoszenie wspomina o wykonywaniu instrukcji. Nie planuj procesu pracy w oparciu o dostępność tej funkcji. Nie uznajemy też dostępności ani cen Pro Voice za potwierdzone. Klonuj tylko głosy, na których używanie masz zgodę.
Agenci w czasie rzeczywistym a gotowe nagranie#
Przegląd TTS (Otwiera się w nowej karcie) Mistral rozróżnia voxtral-mini-tts-3-0 do pełnego tekstu oraz voxtral-mini-tts-realtime-3-0 do pracy w czasie rzeczywistym. Karta modelu (Otwiera się w nowej karcie), sprawdzona 26.10.2026, podaje około 90 ms do pierwszego fragmentu audio. To deklarowany przez dostawcę parametr transmisji strumieniowej, a nie zmierzone opóźnienie całej rozmowy ani obietnica opóźnienia ze strony OmniArt.
Jeśli budujesz agenta działającego na żywo, integracja zewnętrznego API wymaga przetestowania całej interakcji: wykrycia końca wypowiedzi, przygotowania odpowiedzi, przesłania audio i rozpoczęcia odtwarzania. Sam krótki czas do pierwszego fragmentu audio nie dowodzi, że rozmówcy odczują płynną konwersację.
Przy gotowym nagraniu zacznij od wymowy, interpretacji i możliwości montażu. Posłuchaj nazw własnych oraz końcówek zdań, a potem dopasuj nagranie do wideo. Tryb Audio OmniArt tworzy gotowe pliki dźwiękowe do takiego montażu. Tabela stawek pomaga oszacować koszt tekstu; nie decyduje, które wykonanie powinno trafić do ostatecznej wersji.
Wybór głosu w OmniArt dzisiaj#
Potraktuj poniższe zestawienie według zadań jako punkt wyjścia, oparty na katalogu OmniArt sprawdzonym 26.10.2026. To opcje do wypróbowania, a nie oceny z porównawczego odsłuchu.
| Twoje zadanie | Model do wypróbowania | Co sprawdzić |
|---|---|---|
| Krótkie nagranie z tagami emocji | Eleven v3 | Czy tag zmienia interpretację we właściwym momencie |
| Dłuższa narracja wielojęzyczna | Eleven Multilingual v2 | Docelowy język i wymowę; 29 kodów języków oraz auto |
| Długi tekst z niższym kosztem kredytów za znak | Eleven Turbo v2.5 | Docelowy język; 32 kody języków oraz auto |
| Gotowa narracja w planie Free | MiniMax Speech 2.8 HD | Interpretację na tle końcowego montażu |
| Wersje robocze w planie Free | MiniMax Speech 2.8 Turbo | Czas trwania tekstu przed kolejnymi podejściami |
Powyższe liczby kodów języków pochodzą z katalogu OmniArt z tego samego dnia, a nie z szerszych deklaracji marketingowych dostawców. Potwierdź docelowy język w aktualnym selektorze. Zacznij od fragmentu zawierającego nazwy, pauzy i zmiany tonu potrzebne w twoim projekcie.
Nie zmieniaj głosu i przetestuj ten tekst z tagami oraz bez nich. Potem zmieniaj po jednym sygnale. Poradnik tagów audio Eleven v3 wyjaśnia ich umieszczanie; Eleven v4 a Eleven v3 oddziela nowszą zewnętrzną premierę od modelu w OmniArt. O montażu od wersji roboczej do finalnej przeczytasz w poradniku nagrań lektorskich MiniMax Speech; jeśli starszy poradnik podaje inne limity, stosuj aktualne wartości z tego artykułu.
Częste pytania#
Ile kosztuje Voxtral TTS 3?
Mistral podaje 13 $ za milion znaków, czyli 0,013 $ za 1 000 znaków, w karcie modelu (Otwiera się w nowej karcie) sprawdzonej 26.10.2026. To deklarowana przez dostawcę cena API modelu w publicznej wersji testowej. Nie jest stawką kredytową OmniArt i sama w sobie nie określa kosztu całej rozmowy z agentem głosowym.
Ile kosztuje HeyGen Voice?
Na 26.10.2026 fal podaje regularne stawki 0,03 $ za 1 000 znaków dla HeyGen Voice (Otwiera się w nowej karcie) i 0,004 $ dla Turbo (Otwiera się w nowej karcie). Reklamowana promocja do 31 października obniża je do 0,015 $ i 0,002 $. Oba schematy ograniczają tekst do 5 000 znaków na żądanie. To warunki platformy fal; przed zakupem sprawdź strony ponownie.
Ile języków obsługuje Voxtral TTS 3?
Na 26.10.2026 źródła dostawcy są rozbieżne: karta modelu (Otwiera się w nowej karcie) Mistral podaje 9 języków, ogłoszenie (Otwiera się w nowej karcie) 35+, a dokumentacja języków (Otwiera się w nowej karcie) 35 i 50+ dialektów. Dokumentacja wymienia gotowe głosy w 22 pozycjach językowych. Nie rozstrzygamy tej różnicy; przed wdrożeniem API zweryfikuj docelowy język i głos.
Czy mogę używać Voxtral TTS 3 lub HeyGen Voice w OmniArt?
Nie. Żaden z nich nie figuruje w publicznym katalogu OmniArt sprawdzonym 26.10.2026. W trybie Audio dostępne alternatywy opisane tutaj to Eleven v3, Eleven Multilingual v2, Eleven Turbo v2.5, MiniMax Speech 2.8 HD i MiniMax Speech 2.8 Turbo. Wybieraj według tekstu, języka, wyceny w kredytach oraz wymaganego planu; premiera u zewnętrznego dostawcy nie określa daty udostępnienia w OmniArt.
Stwórz nagranie lektorskie w OmniArt#
Otwórz tryb Audio, wybierz dostępny model mowy i wypróbuj krótki fragment własnego tekstu, zanim wygenerujesz całe nagranie.
