MiniMax-Music3 Open Weights вышли: что показывает репозиторий и что не подтверждено

MiniMax-Music3, модель генерации музыки с открытыми весами, появилась на Hugging Face 2026-08-13 в организации MiniMaxAI без научной статьи, без анонсирующего поста в блоге и без отчёта о бенчмарках — только веса, README и краткий пост в соцсетях, называющий её моделью «следующего поколения, готовой к продакшену» для преобразования текста в музыку. На момент написания у репозитория было около 25 загрузок и 60 лайков, что выглядит как тихий релиз. Это материал о том, что нам известно на данный момент: всё, что ниже помечено как «из репозитория», взято напрямую из карточки модели и файлов, а всё, что ещё не подтверждено, помечено соответствующим образом.

Прежде всего, исправление даты.

Два релиза относятся к этому семейству моделей, и их полезно различать. Размещённая в API модель music-3.0 стала доступна на платформе MiniMax 16 июля 2026 года, стоимостью $0,15 за одну сгенерированную композицию длительностью до пяти минут, с бесплатным тарифом с ограничением частоты запросов. Релиз с открытыми весами под названием MiniMax-Music3 появился на Hugging Face почти через месяц, 2026-08-13. Производитель не заявил явно, является ли открытая контрольная точка теми же весами, что используются в API; эта эквивалентность — один из неподтверждённых пунктов этого списка, но в README описаны те же возможности создания полных песен длительностью до пяти минут и тот же управляющий интерфейс на основе структурированных подписей, так что это как минимум одно и то же поколение.

Что на самом деле содержит репозиторий

MiniMax-Music3 — это гибридная иерархическая архитектура, и в README необычно подробно описаны её компоненты. Глобальная LLM на 8B параметров — инициализированная от Qwen3-8B — покадрово предсказывает первую кодовую книгу остаточного векторного квантования и отвечает за долгосрочную структуру песни: темы, ритм, вокальную идентичность, развитие аранжировки. Локальная LLM на 0.6B параметров предсказывает остальные акустические кодовые книги в каждом кадре. Вместо декодирования исключительно из дискретных токенов модуль Flow Matching (2.4B параметров) объединяет финальные скрытые состояния обеих LLM и синтезирует непрерывное латентное представление, которое декодер Flow-VAE (123M параметров) превращает в стереоаудио с частотой 32 кГц и разрядностью 16 бит.

Токенизатор представляет собой восьмиуровневый стек RVQ: первый семантический кодовый словарь содержит 16 384 записи; семь акустических кодовых словарей содержат по 1 024 записи. Обучение сначала оптимизирует семантический кодовый словарь, затем все восемь совместно.

Что именно находится в репозитории: веса языковой модели в четырёх шардах safetensors, бэкбон на основе Qwen из 48 шардов в каталоге qwen_7B/, Flow-VAE (flowmatching_vae.pth), декодер глубины RVQ, энкодер условий, вокодер, планировщик, файлы токенизатора, индекс модульной модели diffusers и сквозной тестовый скрипт с эталонным аудио. Это работающая модель, а не тизер с весами в коробке.

Самое интересное — поверхность управления.

Формат входных данных — вот что отличает этот инструмент от генерации музыки по принципу «промпт и молись». MiniMax-Music3 принимаеттекст песни и описание музыки, а в README рекомендуется структурированная подпись с тремя разделами: глобальные метаданные (жанр, поджанр, BPM, тональность, лад, эмоциональная динамика, сценарий прослушивания, производственный профиль), вокальные детали (пол, тембр, манера исполнения, гармония, бэк-вокал, эффекты) и аранжировка (основные и дополнительные инструменты, эволюция инструментов по секциям, грув, бас, перкуссия, текстура, пространственные эффекты).

Тексты песен принимают явные теги секций — [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo], [Outro] — поэтому модели можно точно указать, где находится припев и что происходит в бридже. Это уровень структурного контроля, который большинство потребительских музыкальных генераторов предоставляют только через последующее редактирование, если вообще предоставляют. Хостинговый API добавляет те же элементы управления в качестве параметров: флаг is_instrumental, параметр lyrics_optimizer для автоматических текстов и настройку аудио, охватывающую MP3, WAV или PCM на 16/24/32/44,1 кГц и 32/64/128/256 кбит/с.

Сколько стоит содержать себя

По меркам 2026 года это не тяжёлая модель. В README указано, что полная точность помещается в 24 ГБ видеопамяти, генерация работает примерно в 22 ГБ с автоматической выгрузкой на CPU, а потоковая передача языковой модели по слоям позволяет уложиться в карты на 8 ГБ. Документированы три способа развёртывания: SGLang-Omni (однострочная команда sgl-omni serve), diffusers — модульный конвейер (PR интеграции — huggingface/diffusers#14456, на момент написания ещё не объединён), и ComfyUI.

Для большинства читателей история развёртывания важнее архитектуры, потому что это разница между «моделью, которая существует» и «моделью, которую реально можно использовать». Путь через diffusers — это один вызов from_pretrained, и на выходе вы получаете стерео-WAV-файл с частотой 32 кГц, который принадлежит вам, лежит на вашем диске, без ограничения запросов и без поминутной тарификации за песню.

Лицензия, которая фактически применяется

MiniMax-Music3 поставляется под лицензией «MiniMax-Music3 Community License», которая на практике является разрешительной, но имеет свои условия. Вы можете использовать, копировать, изменять и сублицензировать программное обеспечение и веса; вы должны отображать «MiniMax-Music3» на видном месте в интерфейсе любого коммерческого продукта, который его использует; и если совокупный годовой доход от таких продуктов превышает 20 миллионов долларов США, вам потребуется отдельное письменное разрешение от MiniMax. Также существует Политика допустимого использования (Приложение A), которая охватывает обычные запреты, а также требования к раскрытию информации о контенте, созданном машиной.

По своей сути модель представляет собой набор заимствованных компонентов с более свободными лицензиями: глобальная LLM дообучена на основе Qwen3-8B (Apache 2.0), компонент потока DiT-2B модифицирован из кода Stable Audio (MIT), а VAE модифицирован из аудиокодека DAC (MIT). Таким образом, ограничения общественной лицензии накладываются на компоненты Apache/MIT, и требование об указании авторства — это практическое ограничение, которое ощутят большинство коммерческих пользователей.

Размещенный маршрут, выпущенный первым.

Если вы вообще не хотите управлять весами, API-версия работает с 16 июля. ID моделей music-3.0 (платно, 120 запросов в минуту) и music-3.0-free (бесплатно, 3 RPM) доступны через api.minimax.io/v1/music_generation, с отдельным эндпоинтом генерации текстов песен по $0.01 за песню. URL-адреса результатов истекают через 24 часа, или аудио может возвращаться в виде hex для потоковой передачи — дизайн, явно созданный для интеграции в приложения, а не для архивирования.

Цены на API фиксированы за единицу: $0,15 за сгенерированную песню длительностью до пяти минут. Бесплатный тариф использует ту же модель с лимитом 3 RPM, что вполне пригодно для прототипирования. Если же вам нужна собственная инфраструктура, открытые веса полностью меняют структуру затрат — вы платите за GPU, а не за песню, и счётчик за каждую песню исчезает.

Что не подтверждено

Быть точным в отношении того, чего мы не знаем, — в этом состоит суть данного материала.

• Независимой оценки не существует. Все заявления о возможностях выше взяты из собственного README и API-документации MiniMax. Ни одна третья сторона не публиковала тест на прослушивание, бенчмарк качества музыки или прямое сравнение с Suno, Udio или Google Lyria 3.5 на момент написания.

• Открытый чекпоинт против API-чекпоинта. Вендор не сообщил, являются ли веса на Hugging Face точной моделью, стоящей за music-3.0. Предполагайте «то же поколение», пока не будет сказано иное, но это не подтверждено.

• Ни статьи, ни заявления об обучающих данных. Отсутствует технический отчёт, а README не описывает обучающий корпус, его лицензирование или аудит происхождения — актуальный вопрос для всех, кто выпускает коммерческую музыку, где позиция закрытых конкурентов в отношении обучающих данных была предметом многолетних судебных разбирательств.

• Нет информации о стоимости самостоятельного хостинга. Показатель в 22 ГБ — это объём памяти, а не цена. Никто не публиковал количество токенов на песню или почасовую пропускную способность генерации для этой модели на типичном оборудовании.

Почему это важно для разработчиков

Двухдневный чекпоинт ещё никто, кроме лаборатории, не подвергал нагрузочному тестированию — и именно в такой ситуации маршрутизация с автоматическим переключением при сбоях окупает себя. Маршрутизирующий слой — тот, что OrcaRouter использует для 200+ моделей по ценам провайдера без наценки — позволяет направить тестовый трафик на свежую модель с открытыми весами и переключиться на проверенную, если та зависнет, без второго контракта или изменения кода. Вы можете относиться к MiniMax-Music3 как к эксперименту на этой неделе и как к зависимости в следующем месяце — и техническая обвязка не должна меняться между этими двумя состояниями.

Стратегическая оценка проще. MiniMax теперь один из немногих поставщиков генерации музыки, которые предлагают и платный API, и открытые веса для одной и той же линейки продуктов. Suno и Udio — закрытые платформы. Google Lyria 3.5 — это функция потребительского приложения. Если открытый чекпойнт хотя бы близок по качеству к API-версии, то пятиминутная длительность, управление структурированными подписями и 22 ГБ ресурсов для обслуживания делают его убедительной основой для самостоятельного размещения — а это категория, в которой неделю назад не было ни одного достойного участника.

Что посмотреть дальше

Две вещи перевели бы эту историю из разряда «интересный репозиторий» в «устойчивая платформа»: первые независимые прослушивания (они обычно появляются в течение нескольких дней после релиза открытой музыкальной модели) и то, будет ли объединена интеграция с diffusers, что поместило бы MiniMax-Music3 во все существующие музыкальные пайплайны diffusers. Также стоит следить за публикацией статьи, заявлением об обучающих данных и любыми изменениями цены хостингового API — на сквозном маршрутизаторе снижение цены вендором вступает в силу в тот же день, и именно тогда хостинговый маршрут становится очевидным выбором по умолчанию для большинства команд.