Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Robin

Modelo de fala de 3.58B em inglês e japonês a 48 kHz que cria vozes a partir de texto, revoza suas tomadas e treina uma LoRA de voz localmente.

Análise de ReviewRamble editors · Atualizado

Visitar Robin Código aberto

Compartilhe esta página:XLinkedInFacebookRedditWhatsAppE-mail

Nossa nota

3.6/5

Robin é um raro modelo de fala aberto feito para treinar a sua própria voz em vez de clonar a partir de dez segundos, travado por dois idiomas, pela falta de benchmarks publicados e por uma licença com teto de receita.

O que é Robin?

Robin é um modelo de fala da Fixed Seed Research Laboratory, nome comercial da Fixed Seed LLC, uma empresa da Califórnia, lançado no Hugging Face em novembro de 2026. Ele tem 3,58 bilhões de parâmetros em duas partes: um planejador autorregressivo de 2.17B escreve a fala como tokens, 25 por segundo, e um decodificador de flow matching de 1.41B transforma esse plano em áudio a 48 kHz. A página do projeto diz que ele foi treinado do zero com 10 milhões de clipes de áudio por 3 dias em uma única RTX 6000 Pro. Ele fala inglês, japonês ou os dois na mesma frase, e aceita tags em linha como [laughs], [sigh] ou [shouting].

Ele faz três coisas. Cria uma voz a partir de uma descrição escrita, regrava com outra voz uma gravação de até 45 segundos mantendo as palavras e o ritmo, e aprende uma voz nova por meio de um adaptador LoRA treinado com seus próprios clipes transcritos. O pacote inclui linha de comando, um app no navegador e sete nós do ComfyUI, entre eles verificação de dataset e treino. O pico de memória de GPU em bf16 é de 8,2 GB para falar, 9,1 GB para trocar uma voz e 9,9 GB para treinar.

Os pesos não têm restrição de acesso. Em 20 de novembro de 2026, a página do Hugging Face mostrava 162 downloads e o repositório de código no GitHub cerca de 15 estrelas.

Robin vale a pena?

O argumento do Robin é que a clonagem zero-shot a partir de um clipe curto não basta para trabalho de estúdio, então ele faz do treino de LoRA o caminho principal. O README pede pelo menos 15 minutos de fala limpa; as vozes de teste dos autores tiveram em média 20 minutos, em cerca de 200 clipes de 3 a 15 segundos. O treino salva um checkpoint a cada 200 passos e lê uma frase de exemplo em cada um, então você escolhe o passo de ouvido. A página do projeto diz que uma voz como a do próprio Robin cabe em uma placa de 16 GB, e o pico publicado é de 9,9 GB.

O trocador de voz é o recurso menos comum. Com uma tomada de até 45 segundos e a transcrição exata, ele interpreta a mesma fala com outra voz mantendo o ritmo e a entonação originais, o que serve para substituir uma leitura provisória ou uma interpretação de referência. Em GPUs NVIDIA, CUDA graphs e a fusão da LoRA nos pesos deixam a fala com LoRA cerca de 4 vezes mais rápida, segundo o README.

A licença é onde os compradores precisam ler com atenção. A Fixed Seed Open License 1.0 é a Apache 2.0 com acréscimos. O uso comercial do modelo, de tudo o que deriva dele e do seu áudio é gratuito enquanto a sua Attributable Revenue ficar em US$ 2.000.000 ou menos em qualquer período de 12 meses consecutivos. Essa receita é bruta, conta o produto inteiro que usa o áudio do Robin, e não uma fração dele, e inclui todas as empresas do seu grupo. Ao passar do limite, você precisa avisar a Fixed Seed em 30 dias, pode continuar por 90 dias enquanto negocia e depois precisa de um acordo escrito separado. Uso pessoal, pesquisa, educação e avaliação não têm limite. LoRAs treinadas contam como obras derivadas e seguem os mesmos termos, e a licença é regida pela lei da Califórnia. O tokenizador de fala do CosyVoice 3 incluído continua sob Apache 2.0.

O porém: a Fixed Seed não publica taxas de erro de palavras, pontuações de similaridade de locutor nem testes de audição, só amostras de áudio, então a qualidade não pode ser comparada com VoxCPM2 ou Qwen3-TTS. Ele cobre dois idiomas onde os rivais cobrem dezenas. O README não descreve marca d'água nem verificação de consentimento, e a licença deixa com você a responsabilidade pelos direitos das gravações usadas no treino. O projeto tem menos de duas semanas e cerca de 15 estrelas.

Nossa opinião: para um estúdio pequeno ou um criador independente que trabalha em inglês ou japonês e pode gravar 20 minutos de uma voz sobre a qual tem direitos, o Robin merece uma noite de testes no ComfyUI. Equipes que precisam de muitos idiomas ou de números auditados ficam mais bem servidas pela licença Apache 2.0 do VoxCPM2.

Onde ele se destaca

  • Um desenvolvedor de jogos independente dublando o protagonista

    Manter uma voz consistente em centenas de falas sem marcar sessões repetidas

    Grave cerca de 20 minutos com o consentimento por escrito do ator, rode robin prep e robin train em uma placa de 16 GB e gere as falas com a LoRA. Grátis enquanto o estúdio ficar abaixo de US$ 2.000.000 de receita em 12 meses.

  • Uma editora de vídeo em uma agência pequena

    Trocar uma narração provisória pela voz final mantendo o ritmo

    Envie a tomada provisória, até 45 segundos por vez, e sua transcrição exata ao nó Robin Voice Changer com a LoRA de destino ou uma voz descrita. Os pontos de corte se mantêm porque o ritmo e a entonação são preservados.

  • Uma VTuber japonesa que produz clipes bilíngues

    Falar inglês e japonês na mesma frase com uma única voz de personagem

    Treine uma LoRA com gravações da personagem em japonês e inglês e depois fale com --lang mix. Tags em linha como [laughs] acrescentam indicações de interpretação sem outra passada.

Antes de decidir

Configuração
hf download FixedSeed/Robin e depois pip install do pacote incluído (adicione o extra gui para o app no navegador); ou copie comfyui-robin para custom_nodes do ComfyUI, que baixa os pesos na primeira execução.
Integrações
Linha de comando em Python, um app local no navegador e nós do ComfyUI para carregamento, LoRA, fala, troca de voz, verificação de dados e treino. Sem API própria; a Lattice oferece inferência de teste gratuita como patrocinadora.
Dados e privacidade
Auto-hospedado, então texto e gravações ficam na sua máquina. A licença deixa com você a responsabilidade pelos direitos sobre o texto e as gravações fornecidos; nenhuma marca d'água é descrita.
Custo em escala
Sem taxa abaixo do limite de receita de US$ 2.000.000 em qualquer período de 12 meses consecutivos; acima dele, uma licença comercial separada com termos não publicados. Fora isso, o custo é o seu próprio tempo de GPU.
Limites
Só inglês e japonês; troca de voz de até 45 segundos por tomada e com transcrição exata; clipes de treino de 1 a 30 segundos, e os abaixo de 16 kHz são descartados. Nenhum número de benchmark publicado.

O que é bom

  • Treino de LoRA, verificação de dados e nós do ComfyUI incluídos desde o primeiro dia
  • Saída a 48 kHz; pico de 8,2 GB para falar e 9,9 GB para treinar
  • Regrava uma tomada de até 45 segundos mantendo o ritmo
  • Uso comercial gratuito abaixo de US$ 2.000.000 de receita por ano

O que não é

  • Sem benchmarks publicados, só amostras
  • Só inglês e japonês
  • O teto de receita conta a receita bruta de um produto inteiro
  • Nenhuma marca d'água ou verificação de consentimento descrita

Ideal para

Estúdios pequenos e criadores independentes em inglês ou japonês que querem uma voz dedicada, treinada com as próprias gravações e rodando em uma única GPU.

Alternativas ao Robin

Robin: perguntas frequentes

Robin vale a pena?
Robin é um raro modelo de fala aberto feito para treinar a sua própria voz em vez de clonar a partir de dez segundos, travado por dois idiomas, pela falta de benchmarks publicados e por uma licença com teto de receita. Damos nota 3.6 de 5.
Quanto custa Robin?
Gratuito sob a Fixed Seed Open License 1.0, uso comercial incluído até a sua Attributable Revenue passar de US$ 2.000.000 em qualquer período de 12 meses consecutivos; acima disso é preciso uma licença separada. Sem API paga própria.
Quais são as desvantagens de Robin?
Sem benchmarks publicados, só amostras; só inglês e japonês; o teto de receita conta a receita bruta de um produto inteiro; nenhuma marca d'água ou verificação de consentimento descrita.
Para quem Robin é indicado?
Estúdios pequenos e criadores independentes em inglês ou japonês que querem uma voz dedicada, treinada com as próprias gravações e rodando em uma única GPU.
Quanto custa Robin para uma equipe ou em produção?
Sem taxa abaixo do limite de receita de US$ 2.000.000 em qualquer período de 12 meses consecutivos; acima dele, uma licença comercial separada com termos não publicados. Fora isso, o custo é o seu próprio tempo de GPU.
Robin é seguro para dados da empresa?
Auto-hospedado, então texto e gravações ficam na sua máquina. A licença deixa com você a responsabilidade pelos direitos sobre o texto e as gravações fornecidos; nenhuma marca d'água é descrita.
Quais são as melhores alternativas ao Robin?
As alternativas mais próximas que analisamos são VoxCPM2, Qwen3-TTS, Fun-CosyVoice3 e Higgs TTS 3.

Respostas verificadas em 20 de nov. de 2026.