MiniMax Music 3: Offenes KI-Modell komponiert komplette Songs bis fünf Minuten

Worum es geht

MiniMax ist ein KI-Unternehmen aus Shanghai und gehört zu den stark finanzierten chinesischen „KI-Tigern“. Mit MiniMax Music 3 (auf Hugging Face als MiniMax-Music3) hat es ein Musikmodell veröffentlicht, das komplette Songs schreibt und singt. Du gibst zwei Dinge vor: einen Songtext, in dem die Abschnitte markiert sind, also etwa Strophe, Refrain oder Bridge, und eine Beschreibung, wie die Musik klingen soll. Heraus kommt ein Song von bis zu fünf Minuten in 32 kHz Stereo, mit Gesang, Instrumenten und Übergängen zwischen den Teilen.

Das Besondere: Die Gewichte kann man frei herunterladen. Laut dem Blog von OrcaRouter erschienen sie am 13. August 2026 auf Hugging Face, ohne Paper und ohne Launch-Blogpost, nur mit README und einer kurzen Ankündigung, in der MiniMax von einem „produktionsreifen“ Modell spricht. Einen Monat vorher, am 16. Juli 2026, war bereits die bezahlte API-Version music-3.0 gestartet. AlphaSignal berichtet jetzt ausführlich über das Modell und nennt fertige Pakete für ComfyUI, eine beliebte grafische Oberfläche, in der man KI-Abläufe aus Bausteinen zusammenklickt.

So arbeitet das Modell: erst planen, dann ausfeilen

Music 3 hat eine hierarchische autoregressive Architektur. Autoregressiv heißt: Das Modell erzeugt den Song Stück für Stück, und jedes neue Stück baut auf den vorherigen auf. Hierarchisch heißt: Mehrere Teilmodelle arbeiten auf unterschiedlichen Zeitskalen. Man kann es sich wie ein Studio vorstellen. Ein Produzent plant den ganzen Song, Tontechniker kümmern sich um den Klang jeder einzelnen Sekunde.

• Global LLM (8 Mrd. Parameter): Es basiert auf dem Sprachmodell Qwen3-8B und behält den ganzen Song im Blick, also Text, Themen, Rhythmus, Stimme und Arrangement. Technisch sagt es Bild für Bild das erste von acht Codebüchern voraus.
• Local LLM (0,6 Mrd. Parameter): Es füllt innerhalb jedes Zeitabschnitts die übrigen sieben Codebücher mit feinen Klangdetails wie Klangfarbe und Textur.
• Flow Matching (2,4 Mrd. Parameter): Dieses Modul verbindet die internen Zustände beider Sprachmodelle und erzeugt daraus abschnittsweise eine kontinuierliche, komprimierte Klangdarstellung. Flow Matching ist ein Verfahren, das Rauschen schrittweise in ein sinnvolles Signal verwandelt, ähnlich wie Bildgeneratoren arbeiten.
• Flow-VAE-Decoder (123 Mio. Parameter): Er macht aus dieser komprimierten Darstellung hörbares Audio in 32 kHz und 16 Bit Stereo. Laut Intelligent Living stammt er aus MiniMax' Arbeit an Sprachsynthese.

Im Training zerlegt ein RVQ-Tokenizer das Audio in Bausteine. RVQ steht für Residual Vector Quantization: Der Klang wird in mehreren Lagen übersetzt, von grob nach fein, ähnlich wie beim Skizzieren erst die Umrisse und dann die Details entstehen. Das erste, „semantische“ Codebuch hat 16.384 Einträge, die sieben akustischen je 1.024. Beim Erzeugen umgeht das Modell laut Intelligent Living den diskreten Decoder ganz und arbeitet direkt mit den zusammengeführten Zuständen der Sprachmodelle. Insgesamt kommt das System auf rund 11 Milliarden Parameter.

OrcaRouter weist darauf hin, dass mehrere Bausteine aus freizügiger lizenzierten Projekten stammen: das Global LLM aus Qwen3-8B (Apache 2.0), der Flow-Teil aus dem Code von Stable Audio (MIT) und der VAE aus dem Audio-Codec DAC (MIT).

Viel Kontrolle über den Song

Von vielen Musikgeneratoren unterscheidet sich Music 3 vor allem durch die Eingabe. Im Songtext kannst du Abschnitte wie [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo] und [Outro] markieren und so festlegen, wo der Refrain kommt und was in der Bridge passiert. Für die Musikbeschreibung empfiehlt das README einen Aufbau in drei Teilen:

1. Globale Angaben: Genre, Subgenre, Tempo (BPM), Tonart, Tonleiter, Stimmungsverlauf, Hörsituation, Produktionsstil
2. Gesang: Geschlecht, Klangfarbe, Vortragsstil, Harmonien, Backing Vocals, Effekte
3. Arrangement: Haupt- und Nebeninstrumente, wie sich die Instrumentierung pro Abschnitt ändert, Groove, Bass, Schlagzeug, Textur, Raumeffekte

Ein mitgeliefertes Werkzeug zum Umschreiben von Beschreibungen macht laut Intelligent Living aus kurzen Stichworten das ausführliche Format, das das Modell bevorzugt. Nutzer loben demnach vor allem, dass Strophe, Refrain und Bridge über fünf Minuten erkennbar bleiben und die Stimme stabil klingt.

Wie gut ist es? Bisher nur Einschätzungen

Unabhängige Benchmarks gibt es kaum. AlphaSignal ordnet die Qualität etwa auf dem Niveau von Suno V3.5 ein: stark bei Gesang und beim Timing des Textes, bei der instrumentalen Klangtextur aber schwächer als Suno V5. Laut OrcaRouter hatte zum Zeitpunkt seines Berichts noch niemand Hörtests oder direkte Vergleiche mit Suno, Udio oder Googles Lyria 3.5 veröffentlicht. Alle Angaben zu den Fähigkeiten stammen also von MiniMax selbst.

Intelligent Living vergleicht Music 3 mit dem offenen Konkurrenten ACE-Step 1.5:

ACE-Step ist demnach sparsamer, schneller, freier lizenziert und bietet Bearbeitungsfunktionen wie Cover, Stem-Trennung oder Ergänzen von Songs. Music 3 kann dagegen nur neue Songs erzeugen. Sein Vorteil ist laut dem Test der große Planer mit 8 Milliarden Parametern, der lange Songs zusammenhält, dazu die präzise Steuerung. Hörbare Artefakte gibt es laut Intelligent Living kaum.

Was du zum Ausprobieren brauchst

Nach den Zahlen von heutigen Standards ist das Modell nicht übermäßig schwer. Laut README:

• 24 GB VRAM für volle Genauigkeit, etwa mit einer RTX 3090 oder 4090
• ca. 22 GB VRAM, wenn Teile automatisch in den Arbeitsspeicher ausgelagert werden (CPU-Offloading)
• 8 GB VRAM, wenn das Sprachmodell Schicht für Schicht nachgeladen wird (Group Offloading). Das ist langsamer und braucht entsprechend viel Arbeitsspeicher.

Offiziell unterstützt sind Nvidia-Grafikkarten (CUDA). Für AMD (ROCm) und Apple-Rechner gibt es Portierungen aus der Community, darunter MLX-Versionen im MXFP4-Format für Apple Silicon und GGUF-Quantisierungen. Quantisierung heißt: Die Zahlen des Modells werden gröber gespeichert, damit es weniger Speicher braucht. Es gibt drei offizielle Wege, das Modell zu starten: ComfyUI (über ein fertiges Paket von Comfy-Org), eine Python-Pipeline mit Diffusers und den Server SGLang-Omni. Die Diffusers-Integration war laut OrcaRouter zu dessen Berichtszeitpunkt noch nicht offiziell übernommen (Pull Request #14456). Wie schnell ein Song entsteht, hat MiniMax nicht veröffentlicht. Für die Dateien solltest du mehrere Dutzend Gigabyte Speicherplatz einplanen.

Lizenz und gehostete Alternative

Die MiniMax-Music3 Community License erlaubt, Software und Gewichte zu nutzen, zu kopieren, zu verändern und weiterzulizenzieren. Wer das Modell in einem kommerziellen Produkt einsetzt, muss „MiniMax-Music3“ gut sichtbar in der Bedienoberfläche anzeigen. Ab 20 Millionen US-Dollar Jahresumsatz mit solchen Produkten braucht man eine eigene schriftliche Genehmigung. Eine Nutzungsrichtlinie verbietet unter anderem militärische Anwendungen, schädliche Inhalte und das Nachahmen von Personen und schreibt vor, maschinell erzeugte Inhalte offenzulegen.

Wer keine eigene Hardware betreiben will, kann die API nutzen. music-3.0 kostet 0,15 US-Dollar pro Song bis fünf Minuten und erlaubt 120 Anfragen pro Minute. Die kostenlose Variante music-3.0-free erlaubt drei Anfragen pro Minute. Songtexte erzeugt ein eigener Endpunkt für 0,01 US-Dollar. Die API liefert MP3, WAV oder PCM mit bis zu 44,1 kHz. Ob die offenen Gewichte genau dem API-Modell entsprechen, hat MiniMax laut OrcaRouter nicht bestätigt.

Das Interesse ist groß. Intelligent Living zählte in der ersten Woche über 14.000 Downloads und mehr als 1.000 Likes. Beim ComfyUI-Paket stand der Zähler laut AlphaSignal zuletzt bei über 950.000, wobei dort jede Dateianfrage zählt und nicht jede einzelne Installation.

Einordnung

Mit Music 3 gibt es zum ersten Mal ein Musikmodell eines großen Anbieters, das sowohl als bezahlte API als auch mit offenen Gewichten erhältlich ist. Suno und Udio sind geschlossene Plattformen, Googles Lyria steckt in Endkunden-Apps. Wer Songs selbst erzeugt, zahlt nur den Strom, hat kein Limit pro Song und behält seine Daten auf dem eigenen Rechner.

Es gibt aber Einschränkungen. Unabhängige Qualitätsmessungen fehlen, und die Einordnung bei Suno V3.5 liegt unter dem aktuellen Stand der kommerziellen Konkurrenz. Das Modell kann vor allem Englisch und bietet weder Bearbeitungsfunktionen noch LoRA-Training. Die Lizenz verlangt bei kommerzieller Nutzung die Namensnennung. Besonders heikel: MiniMax sagt nichts über die Trainingsdaten. Bei Musik-KI ist das kein Nebenthema, denn um die Trainingsdaten geschlossener Konkurrenten wird seit Jahren vor Gericht gestritten. Wer KI-Songs kommerziell nutzen will, sollte das im Blick behalten.

Auch im Videobereich setzt MiniMax auf offene Gewichte, etwa beim Videomodell H3 mit ähnlicher Umsatzschwelle von 20 Millionen Dollar. Laut eWeek bleiben dort aber wichtige Komponenten proprietär. Bei Music 3 enthält das Repository dagegen nach Angaben von OrcaRouter eine vollständig lauffähige Pipeline.