Bobot Terbuka MiniMax-Music3 Telah Rilis: Apa yang Ditunjukkan Repo dan Apa yang Belum Dikonfirmasi

MiniMax-Music3, model pembangkit musik dengan bobot terbuka, muncul di Hugging Face pada 13-08-2026 di bawah organisasi MiniMaxAI tanpa makalah, tanpa posting blog peluncuran, dan tanpa laporan tolok ukur — hanya bobotnya, README, dan sebuah unggahan sosial singkat yang menyebutnya sebagai model teks-ke-musik "generasi berikutnya, siap produksi". Pada saat tulisan ini dibuat, repositori tersebut memiliki sekitar 25 unduhan dan 60 suka, yang merupakan gambaran dari rilis yang senyap. Ini adalah artikel "apa yang kita ketahui sejauh ini": semua hal di bawah yang diberi label "dari repositori" berasal langsung dari kartu model dan berkas-berkasnya, dan semua yang belum terkonfirmasi ditandai demikian.

Pertama, koreksi tanggal.

Dua rilis berbagi keluarga model ini, dan ada baiknya untuk membedakannya. Model API yang di-hosting music-3.0 mulai tersedia di platform MiniMax pada 16 Juli 2026, dengan harga $0,15 per karya yang dihasilkan hingga lima menit, dengan tier gratis yang dibatasi laju. Rilis bobot terbuka dengan nama MiniMax-Music3 tiba di Hugging Face hampir sebulan kemudian, pada 13 Agustus 2026. Vendor belum menyatakan secara eksplisit apakah checkpoint terbuka tersebut adalah bobot yang sama yang menjalankan API — kesetaraan tersebut adalah salah satu item yang belum dikonfirmasi dalam daftar ini — tetapi README menjelaskan kemampuan lagu penuh lima menit yang sama dan antarmuka kontrol caption terstruktur yang sama, jadi setidaknya keduanya adalah generasi yang sama.

Apa isi sebenarnya dari repositori ini

MiniMax-Music3 adalah arsitektur hierarkis hibrida, dan README-nya sangat spesifik tentang komponen-komponennya. Sebuah LLM global dengan 8B parameter — yang diinisialisasi dari Qwen3-8B — memprediksi codebook kuantisasi vektor residual pertama bingkai demi bingkai dan membawa struktur jarak jauh lagu: tema, ritme, identitas vokal, progresi aransemen. Sebuah LLM lokal dengan 0.6B parameter memprediksi codebook akustik yang tersisa dalam setiap bingkai. Alih-alih mendekode murni dari token diskrit, sebuah modul Flow Matching (2.4B parameter) menggabungkan status tersembunyi akhir dari kedua LLM dan mensintesis laten kontinu, yang kemudian diubah oleh sebuah dekoder Flow-VAE (123M parameter) menjadi audio stereo 32 kHz, 16-bit.

Tokenizer adalah tumpukan RVQ delapan lapis: codebook semantik pertama berisi 16.384 entri; tujuh codebook akustik masing-masing berisi 1.024. Pelatihan pertama mengoptimalkan codebook semantik, lalu kedelapan codebook secara bersama-sama.

Secara konkret, yang ada di dalam repo ini: bobot model bahasa dalam empat pecahan safetensors, tulang punggung berbasis Qwen dengan 48 pecahan di bawah qwen_7B/, Flow-VAE (flowmatching_vae.pth), dekoder kedalaman RVQ, encoder kondisi, vocoder, penjadwal, file tokenizer, indeks model modular diffusers, dan skrip pengujian ujung-ke-ujung dengan audio referensi. Itu adalah model yang dapat dijalankan, bukan sekadar teaser bobot dalam kotak.

Permukaan kontrol adalah bagian yang menarik.

Format input inilah yang membedakannya dari generasi musik ala 'prompt-and-pray'. MiniMax-Music3 menerima lirik dan deskripsi musik, dan README merekomendasikan keterangan terstruktur dengan tiga bagian: metadata global (genre, subgenre, BPM, kunci, skala, progresi emosional, skenario mendengarkan, profil produksi), detail vokal (gender, timbre, gaya penampilan, harmoni, vokal latar, efek), serta aransemen (instrumen utama dan sekunder, evolusi instrumen per bagian, groove, bass, perkusi, tekstur, efek spasial).

Lirik menerima tag bagian eksplisit — [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo], [Outro] — sehingga model dapat diberi tahu dengan tepat di mana chorus berada dan apa yang terjadi di bridge. Itu adalah tingkat kontrol struktural yang kebanyakan generator musik konsumen sediakan hanya melalui pengeditan pasca-proses, jika pun ada. API yang di-host menambahkan kontrol yang sama sebagai parameter: sebuah is_instrumental flag, sebuah lyrics_optimizer untuk auto-lyrics, dan pengaturan audio yang mencakup MP3, WAV, atau PCM pada 16/24/32/44.1 kHz dan 32/64/128/256 kbps.

Berapa biaya untuk menjalankan diri sendiri

Ini bukan model yang berat menurut standar 2026. README menyatakan bahwa presisi penuh muat dalam VRAM 24 GB, generasi berjalan pada sekitar 22 GB dengan offloading CPU otomatis, dan streaming model bahasa lapis demi lapis membuatnya muat di kartu 8 GB. Tiga jalur penyajian didokumentasikan: SGLang-Omni (perintah sgl-omni serve satu baris), sebuah diffusers modular pipeline (PR integrasinya adalah huggingface/diffusers#14456, masih belum digabung saat tulisan ini dibuat), dan ComfyUI.

Cerita penyajian itu lebih penting daripada arsitekturnya bagi sebagian besar pembaca, karena itu adalah perbedaan antara "model yang ada" dan "model yang benar-benar dapat Anda operasikan." Jalur diffusers adalah satu panggilan from_pretrained dan menghasilkan file WAV stereo 32 kHz yang Anda miliki, di disk Anda sendiri, tanpa batas kecepatan dan tanpa meteran per lagu.

Lisensi yang benar-benar melekat

MiniMax-Music3 dirilis di bawah "Lisensi Komunitas MiniMax-Music3," yang bersifat permisif dalam arti praktis tetapi memiliki ketentuan. Anda boleh menggunakan, menyalin, memodifikasi, dan mensublisensikan perangkat lunak dan bobotnya; Anda harus menampilkan "MiniMax-Music3" secara menonjol di UI produk komersial apa pun yang menggunakannya; dan jika pendapatan tahunan agregat dari produk tersebut melebihi $20 juta USD, Anda memerlukan izin tertulis terpisah dari MiniMax. Ada juga Kebijakan Penggunaan yang Dapat Diterima (Lampiran A) yang mencakup larangan-larangan umum serta persyaratan pengungkapan untuk konten yang dihasilkan mesin.

Di bawahnya, model ini merupakan tumpukan bagian-bagian pinjaman dengan asal-usul yang lebih permisif: Global LLM disempurnakan dari Qwen3-8B (Apache 2.0), komponen alur DiT-2B dimodifikasi dari kode Stable Audio (MIT), dan VAE dimodifikasi dari codec audio DAC (MIT). Jadi pembatasan lisensi komunitas berada di atas komponen Apache/MIT, dan persyaratan atribusi adalah kendala praktis yang paling dirasakan oleh pengguna komersial.

Rute hosted yang pertama kali dirilis.

Jika Anda tidak ingin menjalankan bobot sama sekali, versi API telah aktif sejak 16 Juli. ID model music-3.0 (berbayar, 120 permintaan per menit) dan music-3.0-free (gratis, 3 RPM) tersedia di api.minimax.io/v1/music_generation, dengan endpoint terpisah untuk pembuatan lirik seharga $0,01 per lagu. URL output kedaluwarsa setelah 24 jam, atau audio dapat dikembalikan sebagai hex untuk streaming — desain yang jelas dibangun untuk integrasi aplikasi daripada pengarsipan.

Penetapan harga untuk API adalah flat per item: $0,15 per lagu yang dihasilkan hingga lima menit. Tingkat gratis adalah model yang sama pada 3 RPM, yang benar-benar dapat digunakan untuk pembuatan prototipe. Jika Anda membutuhkan kapasitas self-hosted, bobot terbuka mengubah persamaan biaya sepenuhnya — Anda membayar untuk GPU, bukan per lagu, dan meteran per lagu hilang.

Apa yang tidak dikonfirmasi

Menjadi presisi tentang apa yang tidak kita ketahui adalah inti dari tulisan ini.

• Tidak ada evaluasi independen. Semua klaim kemampuan di atas berasal dari README dan dokumentasi API MiniMax sendiri. Belum ada pihak ketiga yang memublikasikan tes mendengarkan, tolok ukur kualitas musik, atau perbandingan langsung dengan Suno, Udio, atau Lyria 3.5 milik Google hingga tulisan ini dibuat.

• Checkpoint terbuka vs checkpoint API. Vendor belum menyatakan apakah bobot di Hugging Face adalah model yang persis sama di balik music-3.0. Anggap "generasi yang sama" sampai diberi tahu sebaliknya, tetapi hal ini belum dikonfirmasi.

• Tidak ada makalah dan tidak ada pernyataan data pelatihan.Tidak ada laporan teknis, dan README tidak menjelaskan korpus pelatihan, lisensinya, atau audit asal-usul — sebuah pertanyaan penting bagi siapa pun yang merilis musik komersial, di mana posisi data pelatihan dari pesaing tertutup telah menjadi subjek litigasi selama bertahun-tahun.

• Tidak ada panduan biaya hosting mandiri. Angka 22 GB adalah memori, bukan harga. Belum ada yang memublikasikan token per lagu atau throughput generasi per jam untuk model ini pada perangkat keras umum.

Mengapa ini penting bagi para pengembang

Checkpoint yang baru berumur dua hari belum pernah diuji beban oleh siapa pun kecuali laboratorium, dan justru situasi inilah yang membuat perutean dengan failover otomatis membuktikan nilainya. Lapisan perutean — jenis yang dijalankan OrcaRouter untuk 200+ model dengan penerusan harga daftar penyedia — memungkinkan Anda mengarahkan jalur pengujian ke model open-weights yang baru dan kembali ke model yang sudah terbukti saat model itu macet, tanpa kontrak kedua atau perubahan kode. Anda dapat memperlakukan MiniMax-Music3 sebagai eksperimen minggu ini dan dependensi bulan depan, dan infrastruktur tidak perlu berubah di antara kedua kondisi tersebut.

Pembacaan strategisnya lebih sederhana. MiniMax kini menjadi salah satu dari sedikit vendor pembangkit musik yang menawarkan API berbayar sekaligus bobot terbuka (open weights) untuk keluarga produk yang sama. Suno dan Udio adalah platform tertutup. Lyria 3.5 milik Google adalah fitur aplikasi konsumen. Jika checkpoint terbuka bahkan mendekati kualitas versi API, durasi lima menit, kontrol keterangan terstruktur, dan jejak penyajian 22 GB menjadikannya fondasi self-hosted yang kredibel — kategori yang seminggu lalu belum memiliki pendatang kredibel.

Tontonan Berikutnya

Dua hal yang akan mengubah cerita ini dari "repositori menarik" menjadi "platform tahan lama": uji pendengaran independen pertama (biasanya muncul dalam hitungan hari setelah rilis model musik terbuka), dan apakah integrasi diffusers digabungkan, yang akan menempatkan MiniMax-Music3 ke dalam setiap pipeline musik diffusers yang ada. Perhatikan juga makalah, pernyataan data pelatihan, dan perubahan harga API yang di-hosting — pada router pass-through, pemotongan harga vendor berlaku pada hari yang sama, yang merupakan momen ketika rute yang di-hosting menjadi default yang jelas bagi sebagian besar tim.