Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Robin

Modèle vocal de 3.58B en anglais et japonais à 48 kHz qui crée des voix à partir de texte, revoice vos prises et entraîne une LoRA de voix en local.

Avis de ReviewRamble editors · Mis à jour

Visiter Robin Open source

Partager cette page :XLinkedInFacebookRedditWhatsAppE-mail

Notre note

3.6/5

Robin est un modèle vocal ouvert peu commun, conçu pour entraîner votre propre voix plutôt que la cloner à partir de dix secondes, freiné par ses deux langues, l'absence de benchmarks publiés et une licence plafonnée au chiffre d'affaires.

Qu’est-ce que Robin ?

Robin est un modèle vocal de Fixed Seed Research Laboratory, nom commercial de Fixed Seed LLC, une société californienne, publié sur Hugging Face en novembre 2026. Il compte 3,58 milliards de paramètres répartis en deux parties : un planificateur autorégressif de 2.17B écrit la parole sous forme de tokens, 25 par seconde, et un décodeur de flow matching de 1.41B transforme ce plan en audio à 48 kHz. La page du projet indique qu'il a été entraîné de zéro sur 10 millions d'extraits audio pendant 3 jours sur une seule RTX 6000 Pro. Il parle anglais, japonais ou les deux dans une même phrase, et accepte des balises en ligne comme [laughs], [sigh] ou [shouting].

Il fait trois choses. Il crée une voix à partir d'une description écrite, il rejoue avec une autre voix un enregistrement de 45 secondes au plus en gardant les mots et le rythme, et il apprend une nouvelle voix grâce à un adaptateur LoRA entraîné sur vos propres extraits transcrits. Le paquet comprend une ligne de commande, une application dans le navigateur et sept nœuds ComfyUI, dont la vérification du jeu de données et l'entraînement. Le pic de mémoire GPU en bf16 est de 8,2 Go pour parler, 9,1 Go pour changer une voix et 9,9 Go pour entraîner.

Les poids sont en accès libre. Le 20 novembre 2026, la page Hugging Face affichait 162 téléchargements et le dépôt de code sur GitHub environ 15 étoiles.

Robin vaut-il le coup ?

L'argument de Robin est que le clonage zero-shot à partir d'un court extrait ne suffit pas pour le travail en studio ; il fait donc de l'entraînement LoRA la voie principale. Le README demande au moins 15 minutes de parole propre ; les voix de test des auteurs totalisaient en moyenne 20 minutes, en quelque 200 extraits de 3 à 15 secondes. L'entraînement enregistre un checkpoint tous les 200 pas et lit une phrase d'exemple à chacun, si bien que vous choisissez le pas à l'oreille. La page du projet indique qu'une voix comme celle de Robin tient sur une carte de 16 Go, et le pic publié est de 9,9 Go.

Le changeur de voix est la fonction la moins courante. À partir d'une prise de 45 secondes au plus et de sa transcription exacte, il rejoue la même réplique avec une autre voix en gardant le rythme et l'interprétation d'origine, ce qui convient pour remplacer une lecture martyre ou une interprétation provisoire. Sur GPU NVIDIA, les CUDA graphs et la fusion de la LoRA dans les poids rendent la parole avec LoRA environ 4 fois plus rapide, selon le README.

C'est la licence que les acheteurs doivent lire de près. La Fixed Seed Open License 1.0 est l'Apache 2.0 avec des ajouts. L'usage commercial du modèle, de tout ce qui en dérive et de son audio est gratuit tant que vos Attributable Revenue restent à 2 000 000 US$ ou moins sur toute période de 12 mois consécutifs. Ce chiffre est brut, compte la totalité du produit qui utilise l'audio de Robin et non une quote-part, et inclut toutes les sociétés de votre groupe. Une fois le seuil franchi, vous devez prévenir Fixed Seed sous 30 jours, pouvez continuer 90 jours le temps de négocier, puis il vous faut un accord écrit distinct. L'usage personnel, la recherche, l'enseignement et l'évaluation ne sont pas limités. Les LoRA entraînées comptent comme œuvres dérivées et portent les mêmes conditions, et la licence relève du droit californien. Le tokeniseur vocal CosyVoice 3 fourni reste sous Apache 2.0.

Le hic : Fixed Seed ne publie ni taux d'erreur sur les mots, ni scores de similarité de locuteur, ni tests d'écoute, seulement des échantillons audio, si bien qu'on ne peut comparer sa qualité à VoxCPM2 ou Qwen3-TTS. Il couvre deux langues quand ses concurrents en couvrent des dizaines. Le README ne décrit ni filigrane ni vérification du consentement, et la licence vous rend responsable des droits sur les enregistrements d'entraînement. Le projet a moins de deux semaines et environ 15 étoiles.

Notre avis : pour un petit studio ou un créateur indépendant qui travaille en anglais ou en japonais et peut enregistrer 20 minutes d'une voix dont il détient les droits, Robin vaut une soirée d'essai dans ComfyUI. Les équipes qui ont besoin de nombreuses langues ou de chiffres vérifiés seront mieux servies par la licence Apache 2.0 de VoxCPM2.

Là où il fait la différence

  • Un développeur de jeux indépendant qui fait doubler son personnage principal

    Garder une voix cohérente sur des centaines de répliques sans réserver de nouvelles séances

    Enregistrez environ 20 minutes avec l'accord écrit du comédien, lancez robin prep et robin train sur une carte de 16 Go, puis générez les répliques avec la LoRA. Gratuit tant que le studio reste sous 2 000 000 US$ de chiffre d'affaires sur 12 mois.

  • Une monteuse vidéo dans une petite agence

    Remplacer une voix témoin par la voix finale en gardant le rythme

    Envoyez la prise témoin, par tranches de 45 secondes au plus, et sa transcription exacte au nœud Robin Voice Changer avec la LoRA cible ou une voix décrite. Les points de montage tiennent, car le rythme et l'interprétation sont conservés.

  • Une VTubeuse japonaise qui produit des clips bilingues

    Dire de l'anglais et du japonais dans une même phrase avec une seule voix de personnage

    Entraînez une LoRA sur des enregistrements du personnage en japonais et en anglais, puis parlez avec --lang mix. Les balises en ligne comme [laughs] ajoutent des indications de jeu sans seconde passe.

Avant de vous engager

Mise en route
hf download FixedSeed/Robin, puis pip install du paquet fourni (ajoutez l'extra gui pour l'application navigateur) ; ou copiez comfyui-robin dans custom_nodes de ComfyUI, qui télécharge les poids au premier lancement.
Intégrations
Ligne de commande Python, application locale dans le navigateur et nœuds ComfyUI pour le chargement, la LoRA, la parole, le changement de voix, la vérification des données et l'entraînement. Pas d'API maison ; Lattice propose une inférence d'essai gratuite en tant que sponsor.
Données et confidentialité
Auto-hébergé : le texte et les enregistrements restent sur votre machine. La licence vous rend responsable des droits sur le texte et les enregistrements fournis ; aucun filigrane n'est décrit.
Coût à grande échelle
Aucun frais sous le seuil de 2 000 000 US$ de chiffre d'affaires sur toute période de 12 mois consécutifs ; au-delà, une licence commerciale distincte dont les conditions ne sont pas publiées. Sinon, le coût est votre propre temps GPU.
Limites
Anglais et japonais seulement ; changement de voix limité à 45 secondes par prise, avec transcription exacte obligatoire ; extraits d'entraînement de 1 à 30 secondes, ceux sous 16 kHz étant écartés. Aucun chiffre de benchmark publié.

Les points forts

  • Entraînement LoRA, vérification des données et nœuds ComfyUI inclus dès le départ
  • Sortie à 48 kHz ; pic de 8,2 Go pour parler et 9,9 Go pour entraîner
  • Rejoue une prise de 45 secondes au plus en gardant son rythme
  • Usage commercial gratuit sous 2 000 000 US$ de chiffre d'affaires par an

Les points faibles

  • Aucun benchmark publié, seulement des échantillons
  • Anglais et japonais seulement
  • Le plafond compte le chiffre d'affaires brut d'un produit entier
  • Ni filigrane ni vérification du consentement décrits

Idéal pour

Les petits studios et créateurs indépendants en anglais ou en japonais qui veulent une voix dédiée, entraînée sur leurs propres enregistrements et exécutée sur un seul GPU.

Alternatives à Robin

Robin : questions fréquentes

Robin vaut-il le coup ?
Robin est un modèle vocal ouvert peu commun, conçu pour entraîner votre propre voix plutôt que la cloner à partir de dix secondes, freiné par ses deux langues, l'absence de benchmarks publiés et une licence plafonnée au chiffre d'affaires. Nous lui donnons 3.6 sur 5.
Combien coûte Robin ?
Gratuit sous la Fixed Seed Open License 1.0, usage commercial compris jusqu'à ce que vos Attributable Revenue dépassent 2 000 000 US$ sur toute période de 12 mois consécutifs ; au-delà, une licence distincte est nécessaire. Pas d'API payante maison.
Quels sont les inconvénients de Robin ?
Aucun benchmark publié, seulement des échantillons; anglais et japonais seulement; le plafond compte le chiffre d'affaires brut d'un produit entier; ni filigrane ni vérification du consentement décrits.
À qui s’adresse Robin ?
Les petits studios et créateurs indépendants en anglais ou en japonais qui veulent une voix dédiée, entraînée sur leurs propres enregistrements et exécutée sur un seul GPU.
Combien coûte Robin pour une équipe ou en production ?
Aucun frais sous le seuil de 2 000 000 US$ de chiffre d'affaires sur toute période de 12 mois consécutifs ; au-delà, une licence commerciale distincte dont les conditions ne sont pas publiées. Sinon, le coût est votre propre temps GPU.
Robin est-il sûr pour les données de l’entreprise ?
Auto-hébergé : le texte et les enregistrements restent sur votre machine. La licence vous rend responsable des droits sur le texte et les enregistrements fournis ; aucun filigrane n'est décrit.
Quelles sont les meilleures alternatives à Robin ?
Les alternatives les plus proches que nous avons testées sont VoxCPM2, Qwen3-TTS, Fun-CosyVoice3 et Higgs TTS 3.

Réponses vérifiées le 20 nov. 2026.