MiniMax-Music3: los pesos abiertos ya están disponibles — lo que muestra el repositorio y lo que no está confirmado

MiniMax-Music3, el modelo de generación musical de pesos abiertos, apareció en Hugging Face el 13 de agosto de 2026 bajo la organización MiniMaxAI, sin paper, sin publicación de lanzamiento y sin informe de benchmarks: solo los pesos, un README y una breve publicación en redes sociales que lo llamaba el modelo de texto a música "de próxima generación y listo para producción". Al momento de escribir esto, el repositorio tenía aproximadamente 25 descargas y 60 me gusta, lo que parece un lanzamiento discreto. Este es un artículo de lo que sabemos hasta ahora: todo lo que aparece etiquetado como "del repositorio" proviene directamente de la tarjeta del modelo y sus archivos, y todo lo que aún no está confirmado se marca como tal.

Primero, una corrección de fecha.

Dos versiones comparten esta familia de modelos, y conviene distinguirlas. El modelo de API alojado music-3.0 se lanzó en la plataforma de MiniMax el 16 de julio de 2026, con un precio de 0,15 $ por pieza generada de hasta cinco minutos, y un nivel gratuito con límite de uso. La versión de pesos abiertos bajo el nombre MiniMax-Music3 llegó a Hugging Face casi un mes después, el 13 de agosto de 2026. El proveedor no ha dicho explícitamente si el checkpoint abierto tiene los mismos pesos que impulsan la API —esa equivalencia es uno de los elementos no confirmados de esta lista—, pero el README describe la misma capacidad de canciones completas de cinco minutos y la misma interfaz de control de subtítulos estructurados, por lo que son, como mínimo, la misma generación.

Lo que realmente contiene el repositorio

MiniMax-Music3 es una arquitectura híbrida jerárquica, y el README es inusualmente específico sobre los componentes. Un LLM global de 8B parámetros — inicializado a partir de Qwen3-8B — predice el primer codebook de cuantización vectorial residual trama por trama y transporta la estructura de largo alcance de la canción: temas, ritmo, identidad vocal, progresión de arreglos. Un LLM local de 0.6B parámetros predice los codebooks acústicos restantes dentro de cada trama. En lugar de decodificar únicamente a partir de tokens discretos, un módulo Flow Matching (2.4B parámetros) fusiona los estados ocultos finales de ambos LLM y sintetiza un latente continuo, que un decodificador Flow-VAE (123M parámetros) convierte en audio estéreo de 32 kHz y 16 bits.

El tokenizador es una pila RVQ de ocho capas: el primer codebook semántico contiene 16,384 entradas; los siete codebooks acústicos contienen 1,024 cada uno. El entrenamiento primero optimiza el codebook semántico, y luego los ocho conjuntamente.

Lo que incluye el repositorio, concretamente: los pesos del modelo de lenguaje en cuatro fragmentos safetensors, un backbone de 48 fragmentos basado en Qwen bajo qwen_7B/, el Flow-VAE (flowmatching_vae.pth), el decodificador de profundidad RVQ, el codificador de condiciones, el vocoder, el scheduler, los archivos del tokenizador, un índice de modelo modular de diffusers y un script de prueba de extremo a extremo con audio de referencia. Eso es un modelo ejecutable, no un adelanto de pesos en una caja.

La superficie de control es la parte interesante

El formato de entrada es lo que distingue esto de la generación musical de tipo prompt-and-pray. MiniMax-Music3 toma letras y una descripción musical, y el README recomienda un caption estructurado con tres secciones: metadatos globales (género, subgénero, BPM, tonalidad, escala, progresión emocional, escenario de escucha, perfil de producción), detalles vocales (género, timbre, estilo de interpretación, armonía, voces de acompañamiento, efectos), y arreglo (instrumentos principales y secundarios, evolución instrumental por secciones, groove, bajo, percusión, textura, efectos espaciales).

Las letras aceptan etiquetas de sección explícitas — [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo], [Outro] — para que se le pueda indicar al modelo exactamente dónde está el estribillo y qué sucede en el puente. Ese es un nivel de control estructural que la mayoría de los generadores de música para consumidores solo exponen mediante edición posterior, si acaso. La API alojada añade los mismos controles como parámetros: un is_instrumental flag, un lyrics_optimizer para letras automáticas, y un ajuste de audio que cubre MP3, WAV o PCM a 16/24/32/44.1 kHz y 32/64/128/256 kbps.

Lo que cuesta mantenerse a uno mismo

Este no es un modelo pesado para los estándares de 2026. El README afirma que la precisión completa cabe en 24 GB de VRAM, la generación se ejecuta en aproximadamente 22 GB con descarga automática a la CPU, y la transmisión del modelo de lenguaje capa por capa lo reduce para caber en tarjetas de 8 GB. Se documentan tres vías de servicio: SGLang-Omni (un comando sgl-omni serve de una línea), un pipeline modular de diffusers (el PR de integración es huggingface/diffusers#14456, aún sin fusionar al momento de escribir esto), y ComfyUI.

Esa historia de servicio importa más que la arquitectura para la mayoría de los lectores, porque es la diferencia entre «un modelo que existe» y «un modelo que realmente puedes operar». El camino de diffusers es una sola llamada a from_pretrained y produce un archivo WAV estéreo de 32 kHz que posees, en tu propio disco, sin límite de velocidad ni medidor por canción.

La licencia que realmente se aplica

MiniMax-Music3 se distribuye bajo la «Licencia comunitaria de MiniMax-Music3», que es permisiva en sentido práctico pero tiene condiciones. Puede usar, copiar, modificar y sublicenciar el software y los pesos; debe mostrar «MiniMax-Music3» de forma destacada en la interfaz de cualquier producto comercial que lo utilice; y si los ingresos anuales agregados de dichos productos superan 20 millones USD, necesita una autorización escrita por separado de MiniMax. También existe una Política de Uso Aceptable (Anexo A) que cubre las prohibiciones habituales, además de los requisitos de divulgación para el contenido generado por máquina.

Debajo de esto, el modelo es una pila de partes prestadas con orígenes más permisivos: el LLM global está ajustado a partir de Qwen3-8B (Apache 2.0), el componente de flujo DiT-2B está modificado del código de Stable Audio (MIT), y el VAE está modificado del códec de audio DAC (MIT). Así que las restricciones de la licencia comunitaria se sitúan sobre componentes Apache/MIT, y el requisito de atribución es la restricción práctica que la mayoría de los usuarios comerciales sentirán.

La ruta alojada que se lanzó primero

Si no deseas operar los pesos en absoluto, la versión de la API está disponible desde el 16 de julio. Los ID de modelo music-3.0 (de pago, 120 solicitudes por minuto) y music-3.0-free (gratuito, 3 RPM) se encuentran en api.minimax.io/v1/music_generation, con un endpoint separado para generación de letras a $0.01 por canción. Las URL de salida caducan después de 24 horas, o el audio se puede devolver como hex para streaming: un diseño claramente pensado para la integración en aplicaciones más que para el archivado.

El precio de la API es fijo por unidad: $0.15 por canción generada de hasta cinco minutos. El nivel gratuito es el mismo modelo a 3 RPM, que es realmente útil para crear prototipos. Si necesitas capacidad autoalojada en su lugar, los pesos abiertos cambian por completo la ecuación de costos — pagas por GPU, no por canción, y el medidor por canción desaparece.

Lo que no está confirmado

Ser precisos sobre lo que no sabemos es el punto de esta pieza.

• No existe ninguna evaluación independiente.Toda afirmación de capacidad anterior proviene del propio README y la documentación de API de MiniMax. Ningún tercero ha publicado una prueba de escucha, un punto de referencia de calidad musical ni una comparación directa contra Suno, Udio o Lyria 3.5 de Google al momento de escribir esto.

• Checkpoint abierto vs. checkpoint de API. El proveedor no ha declarado si los pesos en Hugging Face son el modelo exacto detrás de music-3.0. Asume "misma generación" hasta que se indique lo contrario, pero no está confirmado.

• No hay artículo ni declaración sobre los datos de entrenamiento. No hay informe técnico, y el README no describe el corpus de entrenamiento, su licencia ni una auditoría de procedencia — una cuestión candente para cualquiera que comercialice música, donde la postura de los rivales cerrados sobre los datos de entrenamiento ha sido objeto de litigios durante varios años.

• No hay orientación sobre costos de autoalojamiento. La cifra de 22 GB es memoria, no precio. Nadie ha publicado tokens por canción ni un rendimiento de generación por hora para este modelo en hardware típico.

Por qué esto es importante para los constructores

Un checkpoint de dos días no ha sido probado bajo carga por nadie más que el laboratorio, y esa es exactamente la situación en la que el enrutamiento con conmutación automática por error demuestra su valía. Una capa de enrutamiento —como la que OrcaRouter ejecuta para más de 200 modelos con pase directo del precio de lista del proveedor— permite apuntar una ruta de prueba a un modelo nuevo de pesos abiertos y recurrir a uno ya probado cuando se atasca, sin un segundo contrato ni un cambio de código. Puedes tratar MiniMax-Music3 como un experimento esta semana y como una dependencia el mes que viene, y la infraestructura no tiene que cambiar entre esos dos estados.

La lectura estratégica es más sencilla. MiniMax ahora es uno de los pocos proveedores de generación de música que ofrecen tanto una API de pago como pesos abiertos para la misma familia de productos. Suno y Udio son plataformas cerradas. Lyria 3.5 de Google es una función de aplicación de consumo. Si el checkpoint abierto está siquiera cerca de la versión de API en calidad, la duración de cinco minutos, el control de subtítulos estructurados y la huella de servicio de 22 GB lo convierten en una base autohospedada creíble — una categoría que no tenía un participante creíble hace una semana.

Qué ver a continuación

Las dos cosas que llevarían esta historia de "repositorio interesante" a "plataforma duradera": las primeras pruebas de escucha independientes (suelen aparecer a los pocos días de un lanzamiento de modelo musical abierto), y si la integración con diffusers se fusiona, lo que pondría MiniMax-Music3 en todos los pipelines de música de diffusers existentes. También hay que estar atentos a un paper, una declaración sobre los datos de entrenamiento y cualquier cambio en el precio de la API alojada — en un router de paso, un recorte de precio del proveedor se aplica el mismo día, que es el momento en que la ruta alojada se convierte en la opción obvia por defecto para la mayoría de los equipos.