Cómo HeyGen migró de ElevenLabs a Fish Audio para resolver problemas de similitud de voz con acentos de inglés no estadounidense, y vio que los usuarios elegían Fish tres a uno en comparaciones lado a lado.
Tasa de selección de Fish Audio frente a proveedores TTS alternativos en comparaciones de usuarios lado a lado en HeyGen.
John Wu
Gerente de ingeniería de audio de HeyGen
"Fish es un modelo de voz fantástico para maximizar la similitud de voz en voces muy únicas."
CEO de Fish Audio
Rissa Cao
"HeyGen es donde más importa la calidad de la clonación de voz. Los creadores de conocimiento no necesitan una voz que suene parecida a ellos: necesitan una voz que suene como ellos, con acento y todo. Ese listón, el que aplana a la mayoría de los modelos TTS cuando salen del inglés estadounidense, es exactamente el que creamos S2 Pro para superar. Ver a los usuarios de HeyGen elegir Fish tres a uno en pruebas lado a lado es la validación para la que construimos el modelo."
HeyGen es la plataforma líder de video con AI para creadores basados en conocimiento: educadores, creadores de cursos, comunicadores empresariales y creadores de contenido que convierten experiencia en video a escala. La plataforma permite producir video profesional generado por AI sin equipo de estudio, talento de voz profesional ni semanas de producción.
La voz está en el centro de cada video que produce HeyGen. Para un creador de conocimiento cuya audiencia ya conoce su voz, la voz de AI tiene que ser su voz: no un narrador genérico, no una aproximación cercana, sino la voz real con el acento real que la audiencia reconoce. Ese es el estándar que debe superar la clonación de voz para video con AI.
Antes de evaluar Fish Audio, HeyGen usaba ElevenLabs para la capa TTS de su pipeline de generación de video con AI. La plataforma funcionaba y las voces eran inteligibles. Pero un problema estructural seguía apareciendo en los comentarios de usuarios: problemas de similitud de voz, especialmente para creadores con acentos de inglés no estadounidenses.
Los creadores de conocimiento hablan con los acentos que tienen. Los australianos suenan australianos. Los indios suenan indios. Británico, sudafricano, singapurense, irlandés, escocés, filipino, caribeño: el mapa de acentos del inglés global no es un caso extremo para HeyGen, es la forma de su base internacional de creadores.
Un TTS que produce buen inglés estadounidense pero aplana todos los demás acentos hacia algo más cercano a un estadounidense neutro rompe la promesa central de la clonación de voz para video con AI: que el video suene como tú. Los usuarios de HeyGen con acentos no estadounidenses se quejaban del mantenimiento del acento. Las voces clonadas no preservaban la identidad de acento que esperaban los creadores.
HeyGen evaluó todo el mercado TTS para resolver el problema de los acentos de inglés no estadounidenses. El TTS para estos acentos no era una comparación de funciones: era un criterio existencial para la base internacional de creadores de la plataforma.
En los proveedores probados, la brecha entre la calidad de clonación para inglés estadounidense y para inglés no estadounidense fue constante, y constante en la dirección equivocada. La mayoría de los modelos TTS se entrenaron primero en inglés estadounidense y luego se adaptaron a otros acentos. Esa adaptación aparecía en las voces clonadas como prosodia aplanada, vocales neutralizadas y una pérdida clara de identidad de acento .
Fish Audio ganó la selección de HeyGen por un criterio por encima de todos: calidad de clonación para voces únicas, especialmente voces con acentos de inglés no estadounidenses.El modelo Fish S2 Pro preserva la identidad de acento de la voz fuente en lugar de normalizarla hacia una base de inglés estadounidense, justo el fallo que HeyGen había detectado en otros proveedores.
Para HeyGen, esto no es un detalle técnico. Es la diferencia entre que la audiencia de un creador escuche al creador que reconoce o a un extraño sintetizado. La calidad de clonación de voz, no la latencia ni el coste, fue el factor decisivo.
HeyGen despliega Fish Audio mediante la cloud API para generar TTS para los videos que sus clientes producen en la plataforma. La integración opera a escala de producción: cada video que un creador publica en HeyGen con una voz impulsada por Fish pasa por el modelo S2 Pro de Fish.
La señal de usuario más reveladora no es el elogio, sino el silencio sobre lo que antes era la queja más fuerte. Tres señales de la base de creadores de HeyGen desde la migración:
Productos usados: Fish Audio S2 Pro · Text-to-Speech (cloud API)
Tasa de selección 3:1 para Fish Audio frente a proveedores TTS alternativos en comparaciones lado a lado en HeyGen.
Cesaron las quejas por acentos de inglés no estadounidenses en la base internacional de creadores de HeyGen.
Se evaluó todo el mercado TTS antes de seleccionar Fish Audio; preservar el acento fue el factor decisivo.
Migración de ElevenLabs a Fish Audio por calidad de clonación de voz.
Habla con nuestro equipo sobre similitud vocal para voces únicas, preservación de acentos de inglés no estadounidense e integración de Cloud API a escala de producción.
