Nachdem das chinesische KI-Unternehmen MiniMax mit dem Sprachmodell MiniMax M3 und dem Videomodell MiniMax H3 für internationales Aufsehen gesorgt hat, folgt nun der nächste Paukenschlag im Audiobereich: Mit MiniMax Music 3.0 hat das Unternehmen ein vollständiges, quelloffenes Musik-Generierungsmodell veröffentlicht, dessen Modellgewichte frei auf Hugging Face zur Verfügung stehen.
Das System generiert vollständige Musikstücke mit Gesang, Lyrics und orchestraler Instrumentierung von bis zu fünf Minuten Länge - und greift damit geschlossene Cloud-Dienste wie Suno und Udio direkt an.
Hierarchische Architektur: 8B-Transformer und Flow Matching
Technisch setzt MiniMax Music 3.0 auf ein zweistufiges, autoregressives Design, das musikalische Langzeitstruktur von feinen akustischen Details trennt:
- 8B Global LLM: Ein Sprachmodell mit acht Milliarden Parametern plant die übergeordnete Songdramaturgie, harmonische Progressionen, Tonartwechsel und die rhythmische Phrasierung über die gesamte Spieldauer.
- 0.6B Local LLM: Ein kleineres Spezialmodell verarbeitet die akustischen Nuancen auf Frame-Ebene und steuert Timbre, Artikulation und Mikrotiming.
- Flow-Matching & Flow-VAE: Die eigentliche Audiosynthese erfolgt über Flow-Matching-Verfahren, die 16-Bit-Stereo-Audio mit einer Abtastrate von 32 kHz erzeugen und für ein klares Klangbild ohne die typischen metallischen Kompressionsartefakte älterer Musik-KIs sorgen.
Wie auf der offiziellen Demo-Webseite demonstriert wird, unterstützt das Modell sogenannte Structured Captions. Nutzer können damit nicht nur Genres wie Pop, Rock, Funk, R&B oder Bossa Nova vorgeben, sondern auch exakte Tempoangaben (BPM), Tonarten (z.B. B-Dur oder E-Dur) und spezifische Instrumentierungen (vom Rhodes-Piano bis zum Fretless-Bass) definieren. Songtexte lassen sich über Standard-Tags wie [Intro], [Verse], [Chorus], [Bridge] und [Outro] präzise strukturieren.
Lokale Ausführung in ComfyUI: Schluss mit geschlossenen Plattformen
Ein entscheidender Vorteil für professionelle Creator und Entwickler ist die Offenheit des Modells. Ähnlich wie bei der lokalen Ausführung in ComfyUI für Videoinhalte wird MiniMax Music 3.0 ab ComfyUI-Version 0.33.0 nativ unterstützt.
Damit können Musikschaffende und Spieleentwickler Audiotracks direkt auf eigener Hardware erzeugen, ohne von monatlichen Cloud-Abonnements oder Token-Limits abhängig zu sein. Die Anforderungen an den Grafikspeicher sind für das 8B-Modell allerdings beträchtlich: Für eine flüssige lokale Inferenz werden mindestens 16 bis 24 GB VRAM empfohlen.
Rechtliche Grauzone bei Trainingsdaten
Trotz der beeindruckenden Audioqualität bleibt ein vertrauter Kritikpunkt bestehen: MiniMax macht keine detaillierten Angaben zu den verwendeten Trainingsdaten. Während westliche Anbieter wie Suno und Udio in den USA mit Klagen großer Musiklabels konfrontiert sind, agiert MiniMax unter chinesischer Jurisdiktion mit einer Community-Lizenz auf Hugging Face. Für kommerzielle Produktionen in westlichen Märkten sollten Unternehmen die urheberrechtlichen Implikationen sorgfältig prüfen.
🎯 Was das für die Praxis bedeutet
1. Hintergrundmusik und Soundtracks lokal erzeugen: Game-Entwickler und Video-Cutter können adaptive Soundtracks ohne wiederkehrende Lizenzgebühren direkt im eigenen Workflow generieren.
2. Präzise Steuerung über Struktur-Tags nutzen: Definieren Sie Tempo, Tonart und Songabschnitte explizit im Prompt, um konsistente musikalische Spannungsbögen zu erzielen.
3. Urheberrechtliche Risiken bei kommerzieller Verwertung prüfen: Klären Sie vor dem Einsatz in kommerzieller Werbung oder Filmproduktionen die rechtliche Absicherung der generierten Audiotitel.
