MiniMax-Music3 öppna vikter är ute: Vad repot visar och vad som inte är bekräftat

MiniMax-Music3, musikgenereringsmodellen med öppna vikter, dök upp på Hugging Face den 2026-08-13 under organisationen MiniMaxAI utan forskningsartikel, lanseringsblogginlägg eller benchmarkrapport – bara vikterna, en README och ett kort socialt inlägg som kallar den för en "nästa generations, produktionsredo" text-till-musik-modell. När detta skrivs hade repot ungefär 25 nedladdningar och 60 gillningar, vilket är vad en tyst lansering ser ut. Det här är en vad-vi-vet-hittills-text: allt nedan som är märkt "från repot" kommer direkt från modellkortet och filerna, och allt som ännu inte är bekräftat är markerat som sådant.

Först, en datumkorrigering.

Två utgåvor delar denna modellfamilj, och det hjälper att hålla isär dem. Den hostade API-modellen music-3.0 lanserades på MiniMaxs plattform den 16 juli 2026, prissatt till 0,15 USD per genererad låt på upp till fem minuter, med en hastighetsbegränsad gratisnivå. Open-weights-utgåvan under namnet MiniMax-Music3 publicerades på Hugging Face nästan en månad senare, den 13 augusti 2026. Leverantören har inte uttryckligen sagt om den öppna checkpointen är samma vikter som driver API:et — denna ekvivalens är en av de obekräftade punkterna på listan — men README beskriver samma förmåga att generera fullständiga låtar på upp till fem minuter och samma kontrollgränssnitt för strukturerade textbeskrivningar, så de är åtminstone samma generation.

Vad repositoryt faktiskt innehåller

MiniMax-Music3 är en hybrid hierarkisk arkitektur, och README är ovanligt specifik om delarna. En Global LLM med 8B parametrar — initierad från Qwen3-8B — förutsäger den första residuala codebook-framen för vektorkvantisering frame för frame och bär låtens långsiktiga struktur: teman, rytm, sångidentitet, arrangemangsprogression. En Lokal LLM med 0,6B parametrar förutsäger de återstående akustiska codebook-framarna inom varje frame. Istället för att avkoda rent från diskreta token, en Flow Matching-modul (2,4B parametrar) fusionerar de slutliga dolda tillstånden från båda LLM:erna och syntetiserar en kontinuerlig latent, som en Flow-VAE-avkodare (123M parametrar) omvandlar till 32 kHz, 16-bitars stereoljud.

Tokenizern är en RVQ-stack med åtta lager: den första semantiska kodboken innehåller 16 384 poster; de sju akustiska kodböckerna innehåller vardera 1 024. Träningen optimerar först den semantiska kodboken, därefter alla åtta gemensamt.

Vad som levereras i repot, konkret: språkmodellens vikter i fyra safetensors-shards, en 48-shards Qwen-baserad backbone under qwen_7B/, Flow-VAE (flowmatching_vae.pth), RVQ-djupavkodaren, villkorskodaren, vocoder, scheduler, tokenizer-filer, ett diffusers-modulmodellindex och ett end-to-end-testskript med referensljud. Det är en körbar modell, inte en teaser med vikter i en låda.

Styrytan är den intressanta delen.

Inmatningsformatet är vad som skiljer detta från prompt-and-pray-musikgenerering. MiniMax-Music3 tar text och en musikbeskrivning, och README:n rekommenderar en strukturerad bildtext med tre sektioner: global metadata (genre, subgenre, BPM, tonart, skala, känslomässig progression, lyssningsscenario, produktionsprofil), vokaldetaljer (kön, klangfärg, prestationsstil, harmoni, bakgrundssång, effekter) och arrangemang (primära och sekundära instrument, instrumentutveckling på sektionsnivå, groove, bas, slagverk, textur, rumsliga effekter).

Låttexter accepterar explicita sektionstaggar — [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo], [Outro] — så modellen kan få veta exakt var refrängen ligger och vad som händer i bryggan. Det är en nivå av strukturell kontroll som de flesta konsumentinriktade musikgeneratorer endast erbjuder genom efterhandsredigering, om ens det. Det värdbaserade API:t lägger till samma kontroller som parametrar: en is_instrumental flagga, en lyrics_optimizer för automatiska texter, och en ljudinställning som täcker MP3, WAV eller PCM vid 16/24/32/44,1 kHz och 32/64/128/256 kbps.

Vad det kostar att driva sig själv

Detta är ingen tung modell enligt 2026 års standard. README:n anger att full precision ryms i 24 GB VRAM, att generering körs i ungefär 22 GB med automatisk CPU-avlastning, och att strömma språkmodellen lager för lager gör att den får plats på 8 GB-kort. Tre serveringsvägar dokumenteras: SGLang-Omni (ett enradigt sgl-omni serve-kommando), en diffusers modulär pipeline (integrations-PR:n är huggingface/diffusers#14456, ännu inte sammanfogad vid skrivande stund), och ComfyUI.

Den där historien om serving är viktigare än arkitekturen för de flesta läsare, eftersom det är skillnaden mellan "en modell som existerar" och "en modell som du faktiskt kan driva." Diffusers-vägen är ett enda from_pretrained-anrop och producerar en 32 kHz stereo WAV-fil som du äger, på din egen disk, utan hastighetsbegränsning och utan avgift per låt.

Den licens som faktiskt gäller

MiniMax-Music3 distribueras under en "MiniMax-Music3 Community License," som är tillåtande i praktisk mening men har vissa villkor. Du får använda, kopiera, modifiera och underlicensiera programvaran och vikterna; du måste visa "MiniMax-Music3" framträdande i gränssnittet för alla kommersiella produkter som använder den; och om den sammanlagda årliga intäkten från sådana produkter överstiger 20 miljoner USD, krävs separat skriftligt tillstånd från MiniMax. Det finns också en policy för acceptabel användning (Exhibit A) som täcker de vanliga förbuden samt krav på att informera om maskingenererat innehåll.

Under detta är modellen en stapel av lånade delar med mer tillåtande ursprung: Global LLM är finjusterad från Qwen3-8B (Apache 2.0), DiT-2B-flödeskomponenten är modifierad utifrån Stable Audios kod (MIT), och VAE:n är modifierad utifrån DAC-ljudkodeken (MIT). Så community-licensens begränsningar ligger ovanpå Apache/MIT-komponenterna, och attribueringskravet är den praktiska begränsning som de flesta kommersiella användare kommer att känna av.

Den hostade rutten som släpptes först

Om du inte vill hantera vikter alls, har API-versionen varit live sedan 16 juli. Modell-ID:n music-3.0 (betald, 120 förfrågningar per minut) och music-3.0-free (gratis, 3 RPM) ligger bakom api.minimax.io/v1/music_generation, med en separat slutpunkt för generering av låttexter till $0,01 per låt. Utdata-URL:er upphör att gälla efter 24 timmar, eller så kan ljudet returneras som hex för strömning — en design som tydligt är byggd för appintegration snarare än arkivering.

Prissättningen för API:et är fast per styck: $0,15 per genererad låt upp till fem minuter. Gratisnivån är samma modell vid 3 RPM, vilket verkligen är användbart för prototypande. Om du istället behöver självhostad kapacitet förändrar de öppna vikterna kostnadsekvationen helt — du betalar för GPU:er, inte per låt, och priset per låt försvinner.

Vad som inte är bekräftat

Att vara precis om vad vi inte vet är poängen med denna text.

• Ingen oberoende utvärdering finns. Varje kapacitetspåstående ovan kommer från MiniMaxs egen README och API-dokumentation. Ingen tredje part har publicerat ett lyssningstest, ett riktmärke för musikkvalitet eller en direkt jämförelse mot Suno, Udio eller Googles Lyria 3.5 i skrivande stund.

• Öppen checkpoint kontra API-checkpoint. Leverantören har inte angett om vikterna på Hugging Face är exakt den modell som ligger bakom music-3.0. Anta "samma generation" tills annat anges, men det är inte bekräftat.

• Ingen artikel och ingen redogörelse för träningsdata. Det finns ingen teknisk rapport, och README-filen beskriver inte träningskorpusen, dess licensiering eller en proveniensgranskning — en aktuell fråga för alla som släpper kommersiell musik, där slutna konkurrenters förhållningssätt till träningsdata har varit föremål för fleråriga rättsprocesser.

• Ingen vägledning om kostnad för egen drift. Siffran 22 GB är minne, inte pris. Ingen har publicerat vare sig tokens per låt eller genereringsgenomströmning per timme för den här modellen på typisk hårdvara.

Varför detta är viktigt för utvecklare

En checkpoint som är två dagar gammal har inte lasttestats av någon annan än labbet, och det är just den situationen där routing med automatisk failover visar sitt värde. Ett routinglager – av det slag som OrcaRouter kör för 200+ modeller med pass-through till leverantörens listpris – låter dig peka en testväg mot en färsk modell med öppna vikter och falla tillbaka till en beprövad sådan när den stannar, utan ytterligare ett kontrakt eller en kodändring. Du kan behandla MiniMax-Music3 som ett experiment den här veckan och ett beroende nästa månad, och rörledningen behöver inte ändras mellan dessa två tillstånd.

Den strategiska bedömningen är enklare. MiniMax är nu en av de få musikgenereringsleverantörer som erbjuder både ett betalt API och öppna vikter för samma produktfamilj. Suno och Udio är stängda plattformar. Googles Lyria 3.5 är en funktion i en konsumentapp. Om den öppna checkpointen kvalitetsmässigt är ens i närheten av API-versionen, gör längden på fem minuter, den strukturerade bildtextkontrollen och 22 GB:s serveringsfotavtryck den till en trovärdig självhostad grund — vilket är en kategori som inte hade en trovärdig aktör för en vecka sedan.

Vad du ska titta på härnäst

De två sakerna som skulle flytta den här historien från "intressant repo" till "hållbar plattform": de första oberoende lyssningstesterna (de brukar dyka upp inom några dagar efter en öppen musikmodellrelease), och huruvida diffusers-integrationen slås samman, vilket skulle placera MiniMax-Music3 i varje befintlig diffusers-musikpipeline. Håll också utkik efter en paper, ett uttalande om träningsdata och eventuella ändringar av priset för den hostade API:n — på en pass-through-router blir en prissänkning från leverantören live samma dag, vilket är det ögonblick då den hostade vägen blir det självklara standardvalet för de flesta team.