MiniMax-Music3 ปล่อย Open Weights แล้ว: สิ่งที่เห็นใน Repo และสิ่งที่ยังไม่ได้รับการยืนยัน

MiniMax-Music3 โมเดลสร้างเพลงแบบเปิดน้ำหนัก (open-weights) ปรากฏบน Hugging Face เมื่อวันที่ 2026-08-13 ภายใต้องค์กร MiniMaxAI โดยไม่มีเอกสารวิชาการ ไม่มีบล็อกโพสต์เปิดตัว และไม่มีรายงาน benchmark — มีเพียงไฟล์น้ำหนัก, README และโพสต์โซเชียลสั้นๆ ที่เรียกมันว่าโมเดล text-to-music "เจนเนอเรชันถัดไป พร้อมใช้งานในระดับโปรดักชัน" ในขณะที่เขียนบทความนี้ รีโพดังกล่าวมียอดดาวน์โหลดประมาณ 25 ครั้งและยอดไลก์ 60 ครั้ง ซึ่งเป็นภาพของการเปิดตัวแบบเงียบๆ นี่คือบทความแนว "สิ่งที่เรารู้จนถึงตอนนี้": ทุกอย่างด้านล่างที่ระบุว่า "จากรีโพ" นำมาจากโมเดลการ์ดและไฟล์โดยตรง และทุกอย่างที่ยังไม่ได้รับการยืนยันก็จะถูกระบุไว้เช่นนั้น

ก่อนอื่น ขอแก้ไขวันที่

โมเดลตระกูลนี้มีการเผยแพร่สองเวอร์ชัน และการแยกทั้งสองออกจากกันก็เป็นประโยชน์ โมเดล API ที่โฮสต์อยู่ซึ่งมีชื่อว่า music-3.0เริ่มให้บริการบนแพลตฟอร์มของ MiniMax เมื่อ 16 กรกฎาคม 2026 โดยมีราคา $0.15 ต่อชิ้นงานที่สร้างขึ้นหนึ่งชิ้นซึ่งมีความยาวไม่เกินห้านาที และมีระดับฟรีแบบจำกัดอัตราการใช้งาน เวอร์ชันที่เผยแพร่แบบโอเพนเวตภายใต้ชื่อ MiniMax-Music3เปิดตัวบน Hugging Face เกือบหนึ่งเดือนถัดมา ในวันที่ 2026-08-13. ผู้ให้บริการยังไม่ได้กล่าวอย่างชัดเจนว่าเช็คพอยต์แบบเปิดนั้นมีน้ำหนักเดียวกันกับที่ขับเคลื่อน API หรือไม่ — ซึ่งความเท่าเทียมนั้นเป็นหนึ่งในรายการที่ยังไม่ได้รับการยืนยันในรายการนี้ — แต่ไฟล์ README อธิบายถึงความสามารถในการสร้างเพลงเต็มความยาวห้านาทีแบบเดียวกันและพื้นผิวการควบคุมด้วยคำอธิบายแบบมีโครงสร้างเดียวกัน ดังนั้นอย่างน้อยที่สุดทั้งสองก็เป็นรุ่นเดียวกัน

สิ่งที่ repository มีอยู่จริง

MiniMax-Music3 เป็นสถาปัตยกรรมไฮบริดแบบลำดับชั้น และ README มีความเฉพาะเจาะจงอย่างผิดปกติเกี่ยวกับส่วนประกอบต่าง ๆ โดยมี Global LLM ขนาด 8B พารามิเตอร์ — เริ่มต้นจาก Qwen3-8B — ซึ่งทำนายโค้ดบุ๊กตัวแรกของการควอนไทซ์เวกเตอร์แบบ residual ทีละเฟรม และรับผิดชอบโครงสร้างระยะยาวของเพลง: ทำนอง จังหวะ เอกลักษณ์ของเสียงร้อง และการดำเนินไปของการเรียบเรียง. ส่วน Local LLM ขนาด 0.6B พารามิเตอร์ จะทำนายโค้ดบุ๊กเสียงที่เหลือภายในแต่ละเฟรม. แทนที่จะถอดรหัสจากโทเคนแบบไม่ต่อเนื่องเพียงอย่างเดียว โมดูล Flow Matching (พารามิเตอร์ 2.4B) จะรวมสถานะซ่อนสุดท้ายของ LLM ทั้งสองเข้าด้วยกัน และสังเคราะห์ latent แบบต่อเนื่อง ซึ่ง ดีโค้ดเดอร์ Flow-VAE (พารามิเตอร์ 123M) จะแปลงเป็นเสียงสเตอริโอ 16 บิตที่ความถี่ 32 kHz.

โทเคนไนเซอร์เป็นสแต็ก RVQ แปดชั้น: โค้ดบุ๊กเชิงความหมายตัวแรกเก็บ 16,384 รายการ; โค้ดบุ๊กเชิงเสียงทั้งเจ็ดตัวแต่ละตัวมี 1,024 รายการ การฝึกจะปรับให้เหมาะสมกับโค้ดบุ๊กเชิงความหมายก่อน จากนั้นจึงปรับทั้งแปดตัวร่วมกัน

อะไรบ้างที่มาพร้อมกับ repo นี้ อย่างเป็นรูปธรรม: น้ำหนักของโมเดลภาษาใน safetensors จำนวน 4 ชาร์ด, แบ็คโบนที่ใช้ Qwen จำนวน 48 ชาร์ด ภายใต้ qwen_7B/, Flow-VAE (flowmatching_vae.pth), ตัวถอดรหัสความลึกแบบ RVQ, ตัวเข้ารหัสเงื่อนไข, vocoder, scheduler, ไฟล์ tokenizer, ดัชนีโมเดลแบบ modular ของ diffusers, และสคริปต์ทดสอบแบบ end-to-end พร้อมเสียงอ้างอิง นั่นคือโมเดลที่รันได้จริง ไม่ใช่ teaser ที่เป็นแค่น้ำหนักในกล่อง

พื้นผิวควบคุมคือส่วนที่น่าสนใจ

รูปแบบอินพุตคือสิ่งที่ทำให้สิ่งนี้แตกต่างจากการสร้างเพลงแบบป้อนคำสั่งแล้วภาวนา. MiniMax-Music3 รับเนื้อเพลง และ คำอธิบายดนตรี และ README แนะนำคำบรรยายแบบมีโครงสร้างที่มีสามส่วน: ข้อมูลเมตาระดับโลก (แนวเพลง, แนวย่อย, BPM, คีย์, สเกล, ความก้าวหน้าทางอารมณ์, สถานการณ์การฟัง, โปรไฟล์การผลิต), รายละเอียดเสียงร้อง (เพศ, คุณภาพเสียง, สไตล์การแสดง, ฮาร์โมนี, เสียงประสาน, เอฟเฟกต์), และการเรียบเรียง (เครื่องดนตรีหลักและรอง, วิวัฒนาการของเครื่องดนตรีในแต่ละท่อน, กรูฟ, เบส, เครื่องเคาะ, พื้นผิว, เอฟเฟกต์อวกาศ)

เนื้อเพลงรองรับแท็กส่วนที่ระบุอย่างชัดเจน — [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo], [Outro] — เพื่อให้โมเดลทราบได้อย่างแม่นยำว่าคอรัสอยู่ตรงไหนและเกิดอะไรขึ้นในบริดจ์ นี่คือระดับการควบคุมโครงสร้างที่เครื่องกำเนิดเพลงสำหรับผู้บริโภคส่วนใหญ่เปิดเผยผ่านการแก้ไขภายหลังเท่านั้น (ถ้ามี) API ที่โฮสต์เพิ่มการควบคุมเดียวกันเป็นพารามิเตอร์: is_instrumental แฟล็ก, lyrics_optimizer สำหรับเนื้อเพลงอัตโนมัติ และการตั้งค่าเสียงที่ครอบคลุม MP3, WAV หรือ PCM ที่ 16/24/32/44.1 kHz และ 32/64/128/256 kbps.

ค่าใช้จ่ายในการดำเนินงานด้วยตัวเอง

โมเดลนี้ไม่ใช่โมเดลที่หนักตามมาตรฐานปี 2026 README ระบุว่า full precision ใช้ VRAM 24 GB พอดี การ generate ใช้ประมาณ 22 GB พร้อม CPU offloading อัตโนมัติ และการสตรีม language model แบบทีละเลเยอร์ช่วยลดจนรันบนการ์ด 8 GB ได้ มีเส้นทางการ serve สามแบบที่ระบุไว้: SGLang-Omni (คำสั่ง sgl-omni serve บรรทัดเดียว), diffusers ไปป์ไลน์แบบโมดูลาร์ (PR การผสานรวมคือ huggingface/diffusers#14456 ซึ่งยังไม่ได้ merge ในขณะที่เขียน) และ ComfyUI.

เรื่องราวการให้บริการนั้นสำคัญกว่าสถาปัตยกรรมสำหรับผู้อ่านส่วนใหญ่ เพราะมันคือความแตกต่างระหว่าง "โมเดลที่มีอยู่" กับ "โมเดลที่คุณใช้งานได้จริง" เส้นทางของ diffusers คือการเรียก from_pretrained เพียงครั้งเดียว และสร้างไฟล์ WAV สเตอริโอ 32 kHz ที่คุณเป็นเจ้าของ บนดิสก์ของคุณเอง โดยไม่มีขีดจำกัดอัตราการเรียกใช้ และไม่มีการคิดค่าบริการต่อเพลง

ใบอนุญาตที่มีผลใช้บังคับจริง

MiniMax-Music3 เผยแพร่ภายใต้ "สัญญาอนุญาตชุมชน MiniMax-Music3" (MiniMax-Music3 Community License) ซึ่งในทางปฏิบัติแล้วให้สิทธิ์อย่างกว้างขวาง แต่ก็มีเงื่อนไขแฝงอยู่ คุณสามารถใช้ คัดลอก ดัดแปลง และอนุญาตให้ใช้สิทธิ์ช่วง (sublicense) ซอฟต์แวร์และน้ำหนักของโมเดลได้ โดยคุณต้องแสดง "MiniMax-Music3" อย่างเด่นชัดในส่วนติดต่อผู้ใช้ (UI) ของผลิตภัณฑ์เชิงพาณิชย์ใดๆ ที่ใช้มัน และหากรายได้รวมต่อปีจากผลิตภัณฑ์ดังกล่าวเกิน20 ล้านดอลลาร์สหรัฐฯ คุณจำเป็นต้องได้รับอนุญาตเป็นลายลักษณ์อักษรแยกต่างหากจาก MiniMax นอกจากนี้ยังมีนโยบายการใช้งานที่ยอมรับได้ (Acceptable Use Policy, เอกสารแนบ A) ซึ่งครอบคลุมข้อห้ามทั่วไป รวมถึงข้อกำหนดให้เปิดเผยว่าเนื้อหานั้นสร้างโดยเครื่องจักร

ภายใต้มัน โมเดลนี้ประกอบจากส่วนประกอบที่ยืมมาซึ่งมีต้นกำเนิดที่เปิดกว้างกว่า: Global LLM ถูกปรับแต่งจาก Qwen3-8B (Apache 2.0), ส่วนประกอบโฟลว์ DiT-2B ถูกดัดแปลงจากโค้ดของ Stable Audio (MIT), และ VAE ถูกดัดแปลงจากตัวแปลงสัญญาณเสียง DAC (MIT) ดังนั้นข้อจำกัดของไลเซนส์ชุมชนจึงวางอยู่บนส่วนประกอบ Apache/MIT และข้อกำหนดการระบุแหล่งที่มาคือข้อจำกัดเชิงปฏิบัติที่ผู้ใช้เชิงพาณิชย์ส่วนใหญ่จะรู้สึกได้

เส้นทางแบบโฮสต์ที่เปิดตัวเป็นรายแรก

หากคุณไม่ต้องการดำเนินการกับน้ำหนักโมเดลเลย API เวอร์ชันนี้เปิดให้ใช้งานแล้วตั้งแต่วันที่ 16 กรกฎาคม รหัสโมเดล music-3.0 (ชำระเงิน, 120 คำขอต่อนาที) และ music-3.0-free (ฟรี, 3 RPM) อยู่ที่ api.minimax.io/v1/music_generation โดยมี endpoint สำหรับสร้างเนื้อเพลงแยกต่างหากในราคา $0.01 ต่อเพลง URL ผลลัพธ์จะหมดอายุหลังจาก 24 ชั่วโมง หรือเสียงสามารถส่งคืนเป็น hex สำหรับการสตรีมมิ่ง — ซึ่งเป็นการออกแบบที่สร้างขึ้นสำหรับการรวมเข้ากับแอปพลิเคชันมากกว่าการเก็บถาวร

ราคาสำหรับ API เป็นแบบอัตราคงที่ต่อชิ้น: $0.15 ต่อเพลงที่สร้างขึ้นหนึ่งเพลง สูงสุดห้านาที ระดับฟรีใช้โมเดลเดียวกันที่ 3 RPM ซึ่งใช้งานได้จริงสำหรับการทำต้นแบบ หากคุณต้องการความสามารถในการโฮสต์ด้วยตนเองแทน น้ำหนักโมเดลแบบเปิดจะเปลี่ยนสมการต้นทุนไปโดยสิ้นเชิง — คุณจ่ายค่า GPU ไม่ใช่ต่อเพลง และตัวนับต่อเพลงก็จะหายไป

สิ่งที่ไม่ได้รับการยืนยัน

การระบุอย่างแม่นยำถึงสิ่งที่เราไม่รู้คือจุดประสงค์ของบทความชิ้นนี้

• ไม่มีการประเมินผลอย่างเป็นอิสระข้อกล่าวอ้างด้านความสามารถทั้งหมดข้างต้นมาจาก README และเอกสาร API ของ MiniMax เอง ณ เวลาที่เขียนนี้ ยังไม่มีบุคคลที่สามเผยแพร่การทดสอบการฟัง เกณฑ์มาตรฐานคุณภาพเพลง หรือการเปรียบเทียบแบบตัวต่อตัวกับ Suno, Udio หรือ Lyria 3.5 ของ Google

• เช็คพอยต์แบบเปิดเทียบกับเช็คพอยต์ผ่าน API ผู้ให้บริการยังไม่ได้ระบุว่าน้ำหนักโมเดลบน Hugging Face เป็นโมเดลเดียวกับที่อยู่เบื้องหลัง music-3.0 หรือไม่ ให้ถือว่าเป็น "รุ่นเดียวกัน" จนกว่าจะมีการแจ้งเป็นอย่างอื่น แต่ยังไม่ได้รับการยืนยัน

• ไม่มีเอกสารวิจัยและไม่มีคำชี้แจงข้อมูลการฝึก ไม่มีรายงานทางเทคนิค และ README ไม่ได้อธิบายคลังข้อมูลฝึก ใบอนุญาต หรือการตรวจสอบแหล่งที่มาของข้อมูล — ซึ่งเป็นคำถามที่ยังคงสำคัญสำหรับผู้ที่เผยแพร่เพลงเชิงพาณิชย์ เนื่องจากท่าทีเรื่องข้อมูลฝึกของคู่แข่งแบบปิดเคยตกเป็นประเด็นฟ้องร้องที่ยืดเยื้อหลายปี

• ไม่มีคำแนะนำด้านค่าใช้จ่ายสำหรับการโฮสต์เอง ตัวเลข 22 GB คือหน่วยความจำ ไม่ใช่ราคา ยังไม่มีใครเผยแพร่จำนวนโทเค็นต่อเพลงหรืออัตราการสร้างผลลัพธ์ต่อชั่วโมงสำหรับโมเดลนี้บนฮาร์ดแวร์ทั่วไป

ทำไมสิ่งนี้จึงสำคัญสำหรับผู้สร้าง

เช็คพอยต์ที่มีอายุเพียงสองวันยังไม่ได้รับการทดสอบโหลดจากใครนอกจากห้องแล็บ และนั่นคือสถานการณ์ที่การกำหนดเส้นทางพร้อมการเฟลโอเวอร์อัตโนมัติพิสูจน์คุณค่าของมันอย่างแท้จริง เลเยอร์การกำหนดเส้นทาง — แบบที่ OrcaRouter ใช้กับโมเดลกว่า 200+ รายการในราคาส่งผ่านตามรายการของผู้ให้บริการ — ช่วยให้คุณชี้เส้นทางการทดสอบไปยังโมเดล open-weights ใหม่ และสลับกลับไปใช้โมเดลที่ผ่านการพิสูจน์แล้วเมื่อมันหยุดชะงัก โดยไม่ต้องมีสัญญาเพิ่มเติมหรือแก้ไขโค้ด คุณสามารถมอง MiniMax-Music3 เป็นการทดลองในสัปดาห์นี้ และเป็นส่วนพึ่งพาในเดือนหน้า โดยที่โครงสร้างพื้นฐานไม่จำเป็นต้องเปลี่ยนแปลงระหว่างสองสถานะนั้น

การอ่านเกมเชิงกลยุทธ์นั้นง่ายขึ้น MiniMax {{1}}ปัจจุบันกลายเป็นหนึ่งในผู้ให้บริการสร้างเพลงไม่กี่รายที่นำเสนอทั้ง API แบบชำระเงินและน้ำหนักโมเดลแบบเปิดสำหรับตระกูลผลิตภัณฑ์เดียวกัน{{/1}} ส่วน Suno และ Udio เป็นแพลตฟอร์มแบบปิด Lyria 3.5 ของ Google เป็นเพียงฟีเจอร์ของแอปสำหรับผู้บริโภค หาก checkpoint แบบเปิดมีคุณภาพใกล้เคียงกับเวอร์ชัน API แล้ว {{2}}ความยาว 5 นาที การควบคุมผ่านคำบรรยายแบบมีโครงสร้าง และขนาดพื้นที่ให้บริการ 22 GB ก็จะทำให้มันกลายเป็นรากฐานแบบโฮสต์เองที่น่าเชื่อถือ{{/2}} ซึ่งเป็นหมวดหมู่ที่เมื่อสัปดาห์ก่อนยังไม่มีผู้เล่นที่น่าเชื่อถือเข้ามาเลย

สิ่งที่ควรดูต่อไป

สองสิ่งที่ทำให้เรื่องนี้ก้าวจาก “repo ที่น่าสนใจ” ไปเป็น “แพลตฟอร์มที่ยั่งยืน” ได้แก่ การทดสอบฟังแบบอิสระครั้งแรก (ซึ่งมักปรากฏภายในไม่กี่วันหลังปล่อยโมเดลเพลงแบบเปิด) และการที่การผสานรวมกับ diffusers จะถูก merge หรือไม่ ซึ่งถ้า merge ได้ ก็จะทำให้ MiniMax-Music3 เข้าไปอยู่ในทุกไปป์ไลน์เพลงของ diffusers ที่มีอยู่เดิม อีกทั้งยังต้องจับตาดู paper คำชี้แจงเกี่ยวกับข้อมูลที่ใช้ฝึก และการเปลี่ยนแปลงใดๆ ของราคา hosted API — เพราะบนเราเตอร์แบบ pass-through การลดราคาของผู้ให้บริการจะมีผลทันทีในวันเดียวกัน และนั่นคือจังหวะที่เส้นทาง hosted กลายเป็นตัวเลือกเริ่มต้นที่ชัดเจนสำหรับทีมส่วนใหญ่