MiniMax ha presentato MiniMax-Music3, un modello text-to-music open-weight progettato per generare brani musicali completi a partire da testi e descrizioni dettagliate. Il sistema può produrre tracce fino a cinque minuti di durata in formato WAV stereo a 32 kHz e 16 bit, superando quindi l’approccio limitato a brevi loop o frammenti sonori. L’utente può fornire direttamente il testo della canzone insieme a una descrizione musicale che specifichi caratteristiche come voce, arrangiamento, atmosfera e strumenti, lasciando al modello il compito di costruire l’intera composizione.
La struttura del brano può essere controllata attraverso tag inseriti direttamente nel testo. MiniMax-Music3 riconosce sezioni come [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Instrumental], [Solo] e [Outro], permettendo quindi di indicare esplicitamente la progressione della canzone. A questa struttura si aggiunge una descrizione musicale separata che può definire elementi più specifici del risultato, così da mantenere distinto il controllo sulla forma del brano da quello relativo alle caratteristiche sonore e stilistiche.
MiniMax ha affiancato al modello anche un agente chiamato music-caption-rewriter, progettato per trasformare indicazioni brevi in prompt musicali più articolati. Una semplice idea può essere ampliata automaticamente in una descrizione strutturata che comprende metadati generali, caratteristiche vocali, arrangiamento e altre informazioni utili alla generazione. Questo componente riduce quindi la necessità di costruire manualmente prompt particolarmente dettagliati e consente di partire anche da indicazioni molto sintetiche.
Dal punto di vista architetturale, MiniMax-Music3 utilizza una struttura Hybrid-LM che separa la gestione della forma musicale di lungo periodo dalla generazione dei dettagli acustici. Il sistema combina un LLM globale da 8 miliardi di parametri con un LLM locale da 600 milioni di parametri. Il modello globale mantiene la struttura complessiva e il significato musicale lungo l’intero brano, mentre quello locale si concentra sui dettagli sonori prodotti all’interno dei singoli frame.
Il modello rappresenta la musica attraverso una tokenizer basata su otto livelli di Residual Vector Quantization. Il primo codebook, dedicato alla componente semantica, comprende 16.384 elementi ed è utilizzato per rappresentare la struttura e le informazioni musicali principali. Gli altri sette codebook, ciascuno composto da 1.024 elementi, descrivono invece informazioni acustiche più fini. Durante l’addestramento MiniMax ottimizza inizialmente il livello semantico e passa successivamente alla formazione congiunta dell’intero insieme degli otto codebook.
Il Global LLM predice frame per frame il primo codebook RVQ, mantenendo nel tempo la struttura generale della composizione, mentre il Local LLM genera per ogni frame i sette codebook rimanenti. La suddivisione permette quindi di affidare a un modello la coerenza musicale globale e all’altro la definizione più granulare del contenuto acustico, invece di utilizzare un’unica rete per gestire contemporaneamente entrambi i livelli.
Anche la fase finale di sintesi utilizza una struttura separata. Gli stati nascosti finali prodotti dai due LLM vengono combinati e inviati a un modulo di flow matching da 2,4 miliardi di parametri, che costruisce lo spazio latente della composizione. Successivamente un Flow-VAE da 123 milioni di parametri converte questa rappresentazione nel segnale audio finale. Durante l’inferenza non viene caricato un decoder separato per riconvertire direttamente i token RVQ in audio, scelta che consente di combinare modellazione linguistica della struttura e sintesi generativa del suono in una pipeline più efficiente.
Sulla base del modello globale esiste però una piccola discrepanza nella documentazione disponibile. La model card e la licenza indicano che l’LLM globale è stato inizializzato a partire da Qwen3-8B, mentre la documentazione di ricerca di MiniMax cita Qwen3.5-8B. Il checkpoint esatto utilizzato come base richiede quindi ancora una conferma definitiva da parte dell’azienda.
Uno degli elementi più rilevanti di MiniMax-Music3 riguarda il livello di apertura. MiniMax ha pubblicato non soltanto i pesi del modello, ma anche il codice di inferenza e tre differenti modalità di deployment, permettendo agli sviluppatori di eseguire il sistema senza dipendere obbligatoriamente da un’API proprietaria. La prima opzione utilizza un reference server basato su SGLang-Omni e prevede due GPU CUDA: una gestisce il modello Qwen e la generazione autoregressiva basata su RVQ, mentre l’altra esegue flow matching e decoding audio.
La seconda modalità utilizza Hugging Face Diffusers e offre una pipeline modulare con requisiti hardware più flessibili. In full precision il modello può funzionare con meno di 24 GB di VRAM, mentre tramite CPU offloading il fabbisogno può essere ridotto a circa 22 GB. Con tecniche di group offloading più granulari MiniMax indica inoltre la possibilità di scendere fino a circa 8 GB di VRAM, rendendo l’esecuzione locale accessibile anche a configurazioni hardware meno estreme rispetto a quelle normalmente richieste dai modelli generativi audio di grandi dimensioni.
La terza opzione è basata su ComfyUI. MiniMax mette a disposizione un template text-to-music dedicato che permette di integrare Music3 nei workflow visuali già utilizzati in questo ambiente, particolarmente diffuso nel campo della generazione di immagini. Gli utenti possono quindi costruire pipeline musicali componendo nodi e passaggi differenti invece di intervenire direttamente sul codice di inferenza.
MiniMax-Music3 può essere utilizzato anche commercialmente, ma la licenza prevede alcune condizioni. I prodotti che incorporano il modello devono mostrare chiaramente nell’interfaccia il nome “MiniMax-Music3”. Se l’organizzazione che utilizza il modello genera attraverso il prodotto più di 20 milioni di dollari di fatturato annuale complessivo, è inoltre necessaria un’autorizzazione scritta separata da parte di MiniMax. I fornitori che utilizzano Music3 per offrire a terzi servizi di generazione musicale devono infine implementare e mantenere sistemi di sicurezza destinati a prevenire la produzione di contenuti che violino il copyright.
La disponibilità dei pesi e del codice rende il modello particolarmente interessante per aziende che devono produrre grandi quantità di contenuti audio o che vogliono evitare costi variabili legati all’utilizzo di API esterne. MiniMax-Music3 può essere installato su server propri o su infrastrutture cloud controllate direttamente dall’azienda, consentendo di integrare la generazione musicale all’interno di prodotti esistenti e di gestire autonomamente hardware, volumi di produzione e pipeline di inferenza.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)