Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Robin

Ein 3.58B-Sprachmodell für Englisch und Japanisch mit 48 kHz, das Stimmen aus Text entwirft, Takes neu einspricht und lokal eine Stimm-LoRA trainiert.

Getestet von ReviewRamble editors · Aktualisiert

Robin besuchen Open Source

Diese Seite teilen:XLinkedInFacebookRedditWhatsAppE-Mail

Unsere Bewertung

3.6/5

Robin ist ein seltenes offenes Sprachmodell, das darauf baut, die eigene Stimme zu trainieren, statt sie aus zehn Sekunden zu klonen, gebremst von zwei Sprachen, fehlenden Benchmarks und einer Lizenz mit Umsatzgrenze.

Was ist Robin?

Robin ist ein Sprachmodell von Fixed Seed Research Laboratory, dem Handelsnamen der kalifornischen Fixed Seed LLC, im November 2026 auf Hugging Face veröffentlicht. Es hat 3,58 Milliarden Parameter in zwei Teilen: Ein autoregressiver Planer mit 2.17B schreibt die Sprache als Tokens, 25 pro Sekunde, und ein Flow-Matching-Decoder mit 1.41B macht daraus Audio mit 48 kHz. Laut Projektseite wurde es von Grund auf mit 10 Millionen Audioclips 3 Tage lang auf einer einzigen RTX 6000 Pro trainiert. Es spricht Englisch, Japanisch oder beides in einem Satz und versteht Inline-Tags wie [laughs], [sigh] oder [shouting].

Es erledigt drei Aufgaben. Es entwirft eine Stimme aus einer schriftlichen Beschreibung, es spricht eine Aufnahme von bis zu 45 Sekunden mit einer anderen Stimme neu ein und behält dabei Wörter und Timing, und es lernt eine neue Stimme über einen LoRA-Adapter, den du mit eigenen transkribierten Clips trainierst. Zum Paket gehören eine Kommandozeile, eine Browser-App und sieben ComfyUI-Nodes, darunter Datensatzprüfung und Training. Der Spitzenbedarf an GPU-Speicher in bf16 liegt bei 8,2 GB zum Sprechen, 9,1 GB zum Umwandeln einer Stimme und 9,9 GB zum Training.

Die Gewichte sind frei zugänglich. Am 20. November 2026 zeigte die Hugging-Face-Seite 162 Downloads, das Code-Repository auf GitHub etwa 15 Sterne.

Lohnt sich Robin?

Robins Argument lautet, dass Zero-Shot-Klonen aus einem kurzen Clip für Studioarbeit nicht reicht. Deshalb macht es das LoRA-Training zum Hauptweg. Die README verlangt mindestens 15 Minuten saubere Sprache; die Teststimmen der Autoren lagen im Schnitt bei 20 Minuten in etwa 200 Clips von 3 bis 15 Sekunden. Das Training speichert alle 200 Schritte einen Checkpoint und liest bei jedem eine Beispielzeile vor, sodass du den Schritt nach Gehör wählst. Laut Projektseite passt eine Stimme wie Robins eigene auf eine 16-GB-Karte; der veröffentlichte Spitzenwert liegt bei 9,9 GB.

Der Voice Changer ist die seltenere Funktion. Mit einem Take von bis zu 45 Sekunden und dessen exaktem Transkript spricht er dieselbe Zeile mit einer anderen Stimme, mit dem ursprünglichen Timing und Ausdruck. Das passt, um eine Vorab-Lesung oder eine Platzhalter-Performance zu ersetzen. Auf NVIDIA-GPUs machen CUDA-Graphs und das Einrechnen der LoRA in die Gewichte das Sprechen mit LoRA laut README etwa 4-mal schneller.

Bei der Lizenz sollten Käufer genau lesen. Die Fixed Seed Open License 1.0 ist Apache 2.0 mit Zusätzen. Die kommerzielle Nutzung des Modells, alles davon Abgeleitete und sein Audio sind kostenlos, solange deine Attributable Revenue in einem beliebigen Zeitraum von 12 aufeinanderfolgenden Monaten bei höchstens 2.000.000 US-Dollar bleibt. Gemeint ist der Bruttoumsatz, gezählt wird das ganze Produkt, das Robins Audio nutzt, nicht ein Anteil davon, und alle Firmen deiner Gruppe zählen mit. Wer darüber kommt, muss Fixed Seed binnen 30 Tagen informieren, darf 90 Tage lang weitermachen, während verhandelt wird, und braucht danach eine eigene schriftliche Vereinbarung. Private Nutzung, Forschung, Lehre und Evaluierung sind nicht begrenzt. Trainierte LoRAs gelten als abgeleitete Werke und unterliegen denselben Bedingungen; es gilt kalifornisches Recht. Der mitgelieferte Sprach-Tokenizer von CosyVoice 3 bleibt unter Apache 2.0.

Der Haken: Fixed Seed veröffentlicht keine Wortfehlerraten, keine Sprecherähnlichkeitswerte und keine Hörtests, nur Audiobeispiele. Die Qualität lässt sich also nicht mit VoxCPM2 oder Qwen3-TTS abgleichen. Es deckt zwei Sprachen ab, wo Konkurrenten Dutzende bieten. Die README beschreibt weder Wasserzeichen noch Einwilligungsprüfung, und die Lizenz legt die Verantwortung für die Rechte an den Trainingsaufnahmen bei dir. Das Projekt ist keine zwei Wochen alt und hat etwa 15 Sterne.

Unser Fazit: Für ein kleines Studio oder einen Solo-Creator, der auf Englisch oder Japanisch arbeitet und 20 Minuten einer Stimme aufnehmen kann, an der er die Rechte hat, ist Robin einen Testabend in ComfyUI wert. Teams, die viele Sprachen oder geprüfte Zahlen brauchen, sind mit der Apache-2.0-Lizenz von VoxCPM2 besser bedient.

Wo es sich lohnt

  • Ein Indie-Spieleentwickler, der seine Hauptfigur vertont

    Eine einheitliche Stimme über Hunderte Zeilen halten, ohne wiederholt Sessions zu buchen

    Nimm mit schriftlicher Einwilligung des Sprechers etwa 20 Minuten auf, führe robin prep und robin train auf einer 16-GB-Karte aus und rendere die Zeilen mit der LoRA. Kostenlos, solange das Studio in 12 Monaten unter 2.000.000 US-Dollar Umsatz bleibt.

  • Eine Videoeditorin in einer kleinen Agentur

    Eine Vorab-Sprecherspur durch die finale Stimme ersetzen und das Timing behalten

    Gib die Vorab-Aufnahme, jeweils bis zu 45 Sekunden, und ihr exaktes Transkript in den Node Robin Voice Changer, mit der Ziel-LoRA oder einer beschriebenen Stimme. Schnittpunkte bleiben erhalten, weil Timing und Ausdruck bewahrt werden.

  • Eine japanische VTuberin, die zweisprachige Clips produziert

    Englisch und Japanisch in einem Satz mit einer einzigen Figurenstimme sprechen

    Trainiere eine LoRA mit japanischen und englischen Aufnahmen der Figur und sprich dann mit --lang mix. Inline-Tags wie [laughs] fügen Ausdrucksanweisungen ohne zweiten Durchgang hinzu.

Bevor du dich festlegst

Einrichtung
hf download FixedSeed/Robin, dann das mitgelieferte Paket per pip install installieren (mit dem Extra gui für die Browser-App); oder comfyui-robin in custom_nodes von ComfyUI kopieren, das die Gewichte beim ersten Start lädt.
Integrationen
Python-Kommandozeile, eine lokale Browser-App und ComfyUI-Nodes zum Laden, für LoRA, Sprechen, Stimmumwandlung, Datensatzprüfung und Training. Keine eigene API; Lattice bietet als Sponsor kostenlose Test-Inferenz.
Daten und Datenschutz
Selbst gehostet, Text und Aufnahmen bleiben also auf deinem Rechner. Die Lizenz macht dich für die Rechte an Text und Aufnahmen verantwortlich, die du einspeist; ein Wasserzeichen wird nicht beschrieben.
Kosten im großen Maßstab
Keine Gebühr unter der Umsatzschwelle von 2.000.000 US-Dollar in einem beliebigen Zeitraum von 12 aufeinanderfolgenden Monaten; darüber eine eigene kommerzielle Lizenz, deren Bedingungen nicht veröffentlicht sind. Ansonsten kostet nur deine eigene GPU-Zeit.
Grenzen
Nur Englisch und Japanisch; Stimmumwandlung bis 45 Sekunden pro Take und nur mit exaktem Transkript; Trainingsclips von 1 bis 30 Sekunden, unter 16 kHz werden sie aussortiert. Keine Benchmark-Zahlen veröffentlicht.

Was gut ist

  • LoRA-Training, Datensatzprüfung und ComfyUI-Nodes vom ersten Tag an dabei
  • Ausgabe mit 48 kHz; Spitze von 8,2 GB zum Sprechen und 9,9 GB zum Training
  • Spricht einen Take von bis zu 45 Sekunden neu ein und behält das Timing
  • Kommerzielle Nutzung kostenlos unter 2.000.000 US-Dollar Umsatz pro Jahr

Was nicht

  • Keine veröffentlichten Benchmarks, nur Beispiele
  • Nur Englisch und Japanisch
  • Die Umsatzgrenze zählt den Bruttoumsatz eines ganzen Produkts
  • Weder Wasserzeichen noch Einwilligungsprüfung beschrieben

Am besten für

Kleine Studios und unabhängige Creator auf Englisch oder Japanisch, die eine eigene, mit ihren Aufnahmen trainierte Stimme auf einer GPU betreiben wollen.

Alternativen zu Robin

Robin: häufige Fragen

Lohnt sich Robin?
Robin ist ein seltenes offenes Sprachmodell, das darauf baut, die eigene Stimme zu trainieren, statt sie aus zehn Sekunden zu klonen, gebremst von zwei Sprachen, fehlenden Benchmarks und einer Lizenz mit Umsatzgrenze. Wir bewerten es mit 3.6 von 5.
Was kostet Robin?
Kostenlos unter der Fixed Seed Open License 1.0, kommerzielle Nutzung inklusive, bis deine Attributable Revenue in einem beliebigen Zeitraum von 12 aufeinanderfolgenden Monaten 2.000.000 US-Dollar übersteigt; darüber braucht es eine eigene Lizenz. Keine eigene bezahlte API.
Welche Nachteile hat Robin?
Keine veröffentlichten Benchmarks, nur Beispiele; Nur Englisch und Japanisch; Die Umsatzgrenze zählt den Bruttoumsatz eines ganzen Produkts; Weder Wasserzeichen noch Einwilligungsprüfung beschrieben.
Für wen eignet sich Robin?
Kleine Studios und unabhängige Creator auf Englisch oder Japanisch, die eine eigene, mit ihren Aufnahmen trainierte Stimme auf einer GPU betreiben wollen.
Was kostet Robin für ein Team oder im Produktivbetrieb?
Keine Gebühr unter der Umsatzschwelle von 2.000.000 US-Dollar in einem beliebigen Zeitraum von 12 aufeinanderfolgenden Monaten; darüber eine eigene kommerzielle Lizenz, deren Bedingungen nicht veröffentlicht sind. Ansonsten kostet nur deine eigene GPU-Zeit.
Ist Robin sicher für Firmendaten?
Selbst gehostet, Text und Aufnahmen bleiben also auf deinem Rechner. Die Lizenz macht dich für die Rechte an Text und Aufnahmen verantwortlich, die du einspeist; ein Wasserzeichen wird nicht beschrieben.
Was sind die besten Alternativen zu Robin?
Die nächsten Alternativen, die wir getestet haben, sind VoxCPM2, Qwen3-TTS, Fun-CosyVoice3 und Higgs TTS 3.

Antworten geprüft am 20. Nov. 2026.