Robinとは?
Robinは、カリフォルニアの企業Fixed Seed LLCの屋号であるFixed Seed Research Laboratoryが、2026年11月にHugging Faceで公開した音声モデルです。パラメータは3.58 Bで、2つの部分に分かれます。2.17Bの自己回帰型プランナーが発話を毎秒25個のトークンとして書き、1.41Bのフローマッチング型デコーダーがその計画を48 kHzの音声に変えます。プロジェクトページによると、1,000万本の音声クリップを使い、RTX 6000 Pro 1枚で3日間、ゼロから学習しました。英語、日本語、または1文の中で両方を話し、[laughs]、[sigh]、[shouting]のようなインラインタグを受け付けます。
できることは3つです。文章による説明から声を作ること、最長45秒の録音を言葉とタイミングを保ったまま別の声で演じ直すこと、そして自分の書き起こし付きクリップで学習したLoRAアダプターで新しい声を覚えることです。パッケージにはコマンドライン、ブラウザアプリ、データセット確認と学習を含む7つのComfyUIノードが入っています。bf16でのGPUメモリのピークは、読み上げで8.2 GB、声の変換で9.1 GB、学習で9.9 GBです。
重みはアクセス制限なしで公開されています。2026年11月20日時点で、Hugging Faceのページは162ダウンロード、GitHubのコードリポジトリはスター約15でした。
Robinは使う価値があるか?
Robinの主張は、短いクリップからのゼロショットクローンではスタジオの仕事には足りない、という ものです。そのためLoRA学習を主な手段にしています。READMEはクリーンな音声を最低15分求めています。著者のテスト用の声は平均20分で、3〜15秒のクリップ約200本でした。学習は200ステップごとにチェックポイントを保存し、そのたびに例文を読み上げるので、耳で聞いてステップを選べます。プロジェクトページによると、Robin自身のような声は16 GBのカードに収まり、公表されたピークは9.9 GBです。
珍しいのはボイスチェンジャーの機能です。最長45秒のテイクと正確な書き起こしを渡すと、元のタイミングと抑揚を保ったまま同じセリフを別の声で演じます。仮の読みや代役の演技を差し替える用途に合います。READMEによると、NVIDIA GPUではCUDA graphsとLoRAの重みへの統合により、LoRAを使った読み上げが約4倍速くなります。
導入する側がよく読むべきなのはライセンスです。Fixed Seed Open License 1.0はApache 2.0に条項を加えたものです。モデル、その派生物、その音声の商用利用は、連続する12か月のどの期間でもAttributable RevenueがUS$2,000,000以下である限り無料です。この収益は総額で、Robinの音声を使う製品全体の収益を按分せずに数え、グループ内のすべての会社を含みます。これを超えたら30日以内にFixed Seedへ通知する必要があり、交渉中は90日間利用を続けられ、その後は別途書面による契約が必要です。個人利用、研究、教育、評価には制限がありません。学習したLoRAは派生物として同じ条件に従い、準拠法はカリフォルニア州法です。同梱のCosyVoice 3音声トークナイザーはApache 2.0のままです。
注意点:Fixed Seedは単語誤り率も話者類似度スコアも聴取テストも公開しておらず、あるのは音声サンプ ルだけです。そのため品質をVoxCPM2やQwen3-TTSと比べられません。競合が数十の言語に対応するなか、対応は2言語です。READMEには透かしや同意確認の記載がなく、学習に使う録音の権利についてはライセンス上あなたの責任です。プロジェクトは公開から2週間未満で、スターは約15です。
結論:英語か日本語で仕事をし、権利を持つ声を20分録音できる小さなスタジオや個人クリエイターなら、Robinはひと晩ComfyUIで試す価値があります。多くの言語や検証済みの数値が必要なチームには、Apache 2.0のVoxCPM2のほうが向いています。
真価を発揮する場面
主人公に声を付けるインディーゲーム開発者
収録を何度も予約せずに、数百のセリフで声を一貫させたい
声優の書面による同意を得て約20分を録音し、16 GBのカードでrobin prepとrobin trainを実行して、LoRAでセリフを生成します。スタジオの12か月の収益がUS$2,000,000未満のうちは無料です。
小さな制作会社の映像編集者
タイミングを保ったまま、仮ナレーションを本番の声に差し替えたい
仮のテイクを1回45秒までに区切り、正確な書き起こしと一緒にRobin Voice Changerノードへ渡し、目的のLoRAか説明文で指定した声を使います。タイミングと抑揚が保たれるので編集点はそのまま使えます。
バイリンガルのクリップを作る日本のVTuber
ひとつのキャラクターボイスで英語と日本語を1文の中で話したい
キャラクターの日本語と英語の録音でLoRAを学習させ、--lang mixで読み上げます。[laughs]などのインラインタグで、追加の作業なしに演技の指示を入れられます。
導入前に確認すること
- 導入
- hf download FixedSeed/Robinの後、同梱パッケージをpip installします(ブラウザアプリにはgui extraを追加)。またはcomfyui-robinをComfyUIのcustom_nodesにコピーすれば、初回起動時に重みがダウンロードされます。
- 連携
- Pythonのコマンドライン、ローカルのブラウザアプリ、読み込み、LoRA、読み上げ、声の変換、データ確認、学習用のComfyUIノードがあります。自社APIはなく、スポンサーのLatticeが無料のお試し推論を提供しています。
- データとプライバシー
- セルフホストなので、テキストと録音は自分のマシンにとどまります。入力するテキストと録音の権利はライセンス上あなたの責任で、透かしの記載はありません。
- 大規模利用時のコスト
- 連続する12か月のどの期間でも収益がUS$2,000,000の基準を下回れば費用はかかりません。超えると別の商用ライセンスが必要で、その条件は公開されていません。それ以外の費用は自分のGPU時間です。
- 制限
- 英語と日本語のみです。声の変換は1テイク45秒までで、正確な書き 起こしが必要です。学習クリップは1〜30秒で、16 kHz未満のものは除外されます。ベンチマークの数値は公開されていません。
良い点
- LoRA学習、データ確認、ComfyUIノードが初日から揃っている
- 48 kHz出力。ピークは読み上げで8.2 GB、学習で9.9 GB
- 最長45秒のテイクをタイミングを保って演じ直せる
- 年間収益US$2,000,000未満なら商用利用が無料
気になる点
- ベンチマークの公開がなく、サンプルのみ
- 英語と日本語のみ
- 収益上限は製品全体の総収益で数える
- 透かしや同意確認の記載がない
おすすめの人
自分の録音で学習した専用の声を1枚のGPUで動かしたい、英語や日本語で活動する小規模スタジオや個人クリエイターに向いています。
Robinの代替
Robin:よくある質問
- Robinは使う価値があるか?
- Robinは10秒からのクローンではなく自分の声を学習させることを軸にした珍しいオープン音声モデルですが、2言語のみ、ベンチマーク非公開、収益上限付きのライセンスが足かせです。 評価は5点満点中3.6点です。
- Robinの料金は?
- Fixed Seed Open License 1.0のもとで無料です。連続する12か月のどの期間でもAttributable RevenueがUS$2,000,000を超えるまでは商用利用も含まれ、それを超えると別のライセンスが必要です。自社の有料APIはありません。
- Robinの欠点は?
- ベンチマークの公開がなく、サンプルのみ; 英語と日本語のみ; 収益上限は製品全体の総収益で数える; 透かしや同意確認の記載がない.
- Robinは誰に向いているか?
- 自分の録音で学習した専用の声を1枚のGPUで動かしたい、英語や日本語で活動する小規模スタジオや個人クリエイターに向いています。
- チームや本番環境でRobinを使うと費用はいくらか?
- 連続する12か月のどの期間でも収益がUS$2,000,000の基準を下回れば費用はかかりません。超えると別の商用ライセンスが必要で、その条件は公開されていません。それ以外の費用は自分のGPU時間です。
- Robinは企業データを扱っても安全か?
- セルフホストなので、テキストと録音は自分のマシンにとどまります。入力するテキストと録音の権利はライセンス上あなたの責任で、透かしの記載はありません。
- Robinの代わりになるものは?
- 当サイトでレビューした中で最も近い代替はVoxCPM2, Qwen3-TTS, Fun-CosyVoice3 、 Higgs TTS 3です。
回答確認日:2026年11月20日