Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Robin

Modelo de voz de 3.58B en inglés y japonés a 48 kHz que diseña voces a partir de texto, revoza tus tomas y entrena una LoRA de voz en local.

Reseña de ReviewRamble editors · Actualizado

Visitar Robin Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

3.6/5

Robin es un raro modelo de voz abierto pensado para entrenar tu propia voz en vez de clonarla con diez segundos, frenado por sus dos idiomas, la falta de benchmarks publicados y una licencia con techo de ingresos.

¿Qué es Robin?

Robin es un modelo de voz de Fixed Seed Research Laboratory, el nombre comercial de Fixed Seed LLC, una empresa de California, publicado en Hugging Face en noviembre de 2026. Tiene 3.580 millones de parámetros en dos partes: un planificador autorregresivo de 2.17B escribe el habla como tokens, 25 por segundo, y un decodificador de flow matching de 1.41B convierte ese plan en audio a 48 kHz. La página del proyecto dice que se entrenó desde cero con 10 millones de clips de audio durante 3 días en una sola RTX 6000 Pro. Habla inglés, japonés o ambos en una misma frase, y acepta etiquetas en línea como [laughs], [sigh] o [shouting].

Hace tres cosas. Diseña una voz a partir de una descripción escrita, vuelve a interpretar con otra voz una grabación de hasta 45 segundos manteniendo las palabras y el ritmo, y aprende una voz nueva mediante un adaptador LoRA entrenado con tus propios clips transcritos. El paquete incluye línea de comandos, una app en el navegador y siete nodos de ComfyUI, entre ellos la revisión del conjunto de datos y el entrenamiento. El pico de memoria de GPU en bf16 es de 8,2 GB para hablar, 9,1 GB para cambiar una voz y 9,9 GB para entrenar.

Los pesos no tienen restricción de acceso. El 20 de noviembre de 2026, la página de Hugging Face mostraba 162 descargas y el repositorio de código en GitHub unas 15 estrellas.

¿Merece la pena Robin?

El argumento de Robin es que la clonación sin entrenamiento a partir de un clip corto no basta para el trabajo de estudio, así que convierte el entrenamiento de LoRA en la vía principal. El README pide al menos 15 minutos de voz limpia; las voces de prueba de los autores promediaron 20 minutos en unos 200 clips de 3 a 15 segundos. El entrenamiento guarda un punto de control cada 200 pasos y lee una frase de muestra en cada uno, así que eliges el paso de oído. La página del proyecto dice que una voz como la del propio Robin cabe en una tarjeta de 16 GB, y el pico publicado es de 9,9 GB.

El cambiador de voz es la función menos habitual. Con una toma de hasta 45 segundos y su transcripción exacta, interpreta la misma frase con otra voz manteniendo el ritmo y la entonación originales, algo útil para sustituir una lectura provisional o una interpretación de relleno. En GPU de NVIDIA, los CUDA graphs y la fusión de la LoRA con los pesos hacen que hablar con una LoRA sea unas 4 veces más rápido, según el README.

La licencia es donde los compradores deben leer con atención. La Fixed Seed Open License 1.0 es Apache 2.0 con añadidos. El uso comercial del modelo, de lo que se derive de él y de su audio es gratuito mientras tus Attributable Revenue se mantengan en 2.000.000 US$ o menos en cualquier periodo de 12 meses consecutivos. Esos ingresos son brutos, cuentan el producto entero que usa el audio de Robin y no una parte, e incluyen a todas las empresas de tu grupo. Al superarlos debes avisar a Fixed Seed en 30 días, puedes seguir 90 días mientras negocias y después necesitas un acuerdo escrito aparte. El uso personal, la investigación, la educación y la evaluación no tienen límite. Las LoRA entrenadas cuentan como obras derivadas y llevan las mismas condiciones, y la licencia se rige por la ley de California. El tokenizador de voz CosyVoice 3 que lo acompaña sigue con Apache 2.0.

La pega: Fixed Seed no publica tasas de error de palabras, puntuaciones de similitud de hablante ni pruebas de escucha, solo muestras de audio, así que su calidad no puede compararse con VoxCPM2 o Qwen3-TTS. Cubre dos idiomas donde los rivales cubren decenas. El README no describe marca de agua ni comprobación de consentimiento, y la licencia te hace responsable de tener los derechos de las grabaciones con las que entrenas. El proyecto tiene menos de dos semanas y unas 15 estrellas.

Nuestra opinión: para un estudio pequeño o un creador independiente que trabaja en inglés o japonés y puede grabar 20 minutos de una voz sobre la que tiene derechos, Robin merece una tarde de pruebas en ComfyUI. Los equipos que necesitan muchos idiomas o cifras auditadas estarán mejor con la licencia Apache 2.0 de VoxCPM2.

Dónde se gana su sitio

  • Un desarrollador de videojuegos independiente que pone voz a su protagonista

    Mantener una voz coherente en cientos de frases sin reservar sesiones repetidas

    Graba unos 20 minutos con el consentimiento por escrito del actor, ejecuta robin prep y robin train en una tarjeta de 16 GB y genera las frases con la LoRA. Gratis mientras el estudio no supere 2.000.000 US$ de ingresos en 12 meses.

  • Una editora de vídeo en una agencia pequeña

    Sustituir una locución provisional por la voz definitiva manteniendo el ritmo

    Pasa la toma provisional, de hasta 45 segundos cada vez, y su transcripción exacta al nodo Robin Voice Changer con la LoRA de destino o una voz descrita. Los puntos de edición se conservan porque se mantienen el ritmo y la entonación.

  • Una VTuber japonesa que produce clips bilingües

    Leer inglés y japonés en una misma frase con una sola voz de personaje

    Entrena una LoRA con grabaciones del personaje en japonés e inglés y luego habla con --lang mix. Las etiquetas en línea como [laughs] añaden indicaciones de interpretación sin otra pasada.

Antes de decidirte

Puesta en marcha
hf download FixedSeed/Robin y luego pip install del paquete incluido (añade el extra gui para la app del navegador); o copia comfyui-robin en custom_nodes de ComfyUI, que descarga los pesos en el primer uso.
Integraciones
Línea de comandos en Python, una app local en el navegador y nodos de ComfyUI para carga, LoRA, habla, cambio de voz, revisión de datos y entrenamiento. Sin API propia; Lattice ofrece inferencia de prueba gratuita como patrocinador.
Datos y privacidad
Autoalojado, así que el texto y las grabaciones se quedan en tu máquina. La licencia te hace responsable de los derechos sobre el texto y las grabaciones que aportes; no se describe marca de agua.
Coste a escala
Sin coste por debajo del umbral de ingresos de 2.000.000 US$ en cualquier periodo de 12 meses consecutivos; por encima, una licencia comercial aparte cuyas condiciones no se publican. Por lo demás, el coste es tu propio tiempo de GPU.
Límites
Solo inglés y japonés; el cambio de voz admite hasta 45 segundos por toma y necesita una transcripción exacta; clips de entrenamiento de 1 a 30 segundos, y los de menos de 16 kHz se descartan. No se publican cifras de benchmark.

Lo bueno

  • Entrenamiento de LoRA, revisión de datos y nodos de ComfyUI incluidos desde el primer día
  • Salida a 48 kHz; pico de 8,2 GB para hablar y 9,9 GB para entrenar
  • Vuelve a interpretar una toma de hasta 45 segundos manteniendo el ritmo
  • Uso comercial gratuito por debajo de 2.000.000 US$ de ingresos al año

Lo malo

  • Sin benchmarks publicados, solo muestras
  • Solo inglés y japonés
  • El techo de ingresos cuenta los ingresos brutos de todo el producto
  • No se describe marca de agua ni comprobación de consentimiento

Ideal para

Estudios pequeños y creadores independientes en inglés o japonés que quieren una voz propia entrenada con sus grabaciones y ejecutada en una sola GPU.

Alternativas a Robin

Robin: preguntas frecuentes

¿Merece la pena Robin?
Robin es un raro modelo de voz abierto pensado para entrenar tu propia voz en vez de clonarla con diez segundos, frenado por sus dos idiomas, la falta de benchmarks publicados y una licencia con techo de ingresos. Le damos un 3.6 sobre 5.
¿Cuánto cuesta Robin?
Gratuito con la Fixed Seed Open License 1.0, uso comercial incluido hasta que tus Attributable Revenue superen 2.000.000 US$ en cualquier periodo de 12 meses consecutivos; por encima hace falta una licencia aparte. Sin API de pago propia.
¿Qué inconvenientes tiene Robin?
Sin benchmarks publicados, solo muestras; solo inglés y japonés; el techo de ingresos cuenta los ingresos brutos de todo el producto; no se describe marca de agua ni comprobación de consentimiento.
¿Para quién es Robin?
Estudios pequeños y creadores independientes en inglés o japonés que quieren una voz propia entrenada con sus grabaciones y ejecutada en una sola GPU.
¿Cuánto cuesta Robin para un equipo o en producción?
Sin coste por debajo del umbral de ingresos de 2.000.000 US$ en cualquier periodo de 12 meses consecutivos; por encima, una licencia comercial aparte cuyas condiciones no se publican. Por lo demás, el coste es tu propio tiempo de GPU.
¿Es Robin seguro para los datos de la empresa?
Autoalojado, así que el texto y las grabaciones se quedan en tu máquina. La licencia te hace responsable de los derechos sobre el texto y las grabaciones que aportes; no se describe marca de agua.
¿Cuáles son las mejores alternativas a Robin?
Las alternativas más cercanas que hemos analizado son VoxCPM2, Qwen3-TTS, Fun-CosyVoice3 y Higgs TTS 3.

Respuestas comprobadas el 20 nov 2026.