Il 13 agosto 2026 MiniMax ha pubblicato i pesi di MiniMax-Music3, un modello che genera canzoni complete fino a cinque minuti partendo da un testo e da una descrizione strutturata. Non uno spezzone da trenta secondi da ricucire in fase di montaggio, ma un brano intero con intro, strofe, ritornelli e chiusura, in WAV stereo a 32 kHz e 16 bit.
La parte interessante non è solo la durata bensì il fatto che i pesi siano scaricabili da Hugging Face e che il modello giri su hardware tuo, senza crediti da consumare e senza una piattaforma che decide se puoi esportare il file. In un settore dove Suno, Udio e altri hanno costruito recinti chiusi, con download limitati, avere il checkpoint sul proprio disco cambia il rapporto di forza tra chi produce musica e chi fornisce lo strumento.
Il compromesso esiste, la qualità media non compete con l’ultima generazione dei modelli chiusi, e chi si aspetta un sostituto di Suno v5 resterà deluso. Quello che ottieni in cambio è il controllo completo della pipeline, la possibilità di fare fine-tuning e una licenza che permette l’uso commerciale a condizioni ragionevoli.
Due modelli linguistici che si dividono il lavoro
La difficoltà tecnica della musica generata non sta nel produrre suono gradevole per dieci secondi, sta nel tenere insieme una struttura per cinque minuti senza che il brano si sfaldi. MiniMax-Music3 affronta il problema separando i due compiti su due reti diverse, un’architettura che l’azienda chiama Hybrid-LM.
L’audio viene codificato con una quantizzazione vettoriale residua a otto livelli. Il primo codebook, con 16.384 voci, porta l’informazione semantica e la struttura musicale, mentre i sette codebook acustici successivi, da 1.024 voci ciascuno, aggiungono progressivamente il dettaglio timbrico.
| Componente | Parametri | Compito |
|---|---|---|
| Global LLM | 8B | primo codebook RVQ e coerenza a lungo raggio |
| Local LLM | 0,6B | i sette codebook acustici dentro ogni frame |
| Modulo flow-matching | 2,4B | sintesi continua del segnale |
| Flow-VAE | 123M | ricostruzione della forma d’onda finale |
Il Global LLM parte da Qwen3.5-8B, quindi da un modello linguistico generalista riadattato al dominio musicale, e si occupa di dove va la canzone. Il Local LLM, dieci volte più piccolo, riempie il dettaglio frame per frame.
La divisione ha una logica economica prima ancora che tecnica, perché il ragionamento costoso sulla struttura avviene una volta sola per frame, mentre il lavoro ripetitivo sui codebook acustici viene affidato a una rete che costa una frazione del budget. A valle, un modulo di flow matching da 2,4 miliardi di parametri e un decodificatore Flow-VAE da 123 milioni trasformano i token in forma d’onda. È lì che si produce anche la voce, il punto debole di molti generatori musicali.
Dire al modello dove va la canzone
Il controllo passa da due input separati, e capire come funzionano fa la differenza. Il primo è il testo, marcato con tag di sezione come [Intro], [Verse], [Chorus] e [Bridge], che definiscono la macrostruttura del brano. Il secondo è la Structured Caption, una descrizione che raccoglie i metadati globali, il carattere della voce e le indicazioni di arrangiamento.
[Structured Caption]
Genere: indie folk, 92 BPM, chitarra acustica e archi leggeri
Voce: femminile, registro medio, timbro caldo, resa intima
Arrangiamento: intro strumentale, archi in crescita dal secondo ritornello
[Intro]
[Verse]
La luce entra dal vetro rotto della cucina
...
[Chorus]La Structured Caption non si limita a fissare il genere. Descrive l’andamento emotivo nel tempo, i cambi di strumentazione e il modo in cui la voce va interpretata, che è poi il livello di dettaglio richiesto per ottenere qualcosa di diverso dal solito pezzo generico.
Scrivere una caption di quel tipo, però, richiede un vocabolario tecnico che non tutti hanno. Per questo MiniMax distribuisce anche music-caption-rewriter, uno strumento che espande una descrizione breve nel formato completo. Se parti da zero, conviene usarlo per capire quali dimensioni il modello si aspetta, poi passare a caption scritte a mano una volta prese le misure.
Il conto dell’hardware e quello dell’API
MiniMax documenta tre percorsi di esecuzione locale, pensati per budget diversi.
- SGLang-Omni. Due GPU CUDA, il percorso di riferimento per chi genera in quantità
- Diffusers. Sotto i 24 GB di VRAM a precisione piena, circa 22 GB con offloading automatico sulla CPU, fino a 8 GB con offloading a livello di gruppo
- ComfyUI. Template nativo con pesi FP16 e INT8 riconfezionati, la via più rapida per fare una prova
Il percorso a 8 GB merita una precisazione, perché lo scambio è netto. Guadagni la possibilità di far girare il modello su una scheda di fascia media, paghi in tempo di generazione, e su volumi alti quella lentezza diventa il vero collo di bottiglia.
Chi non vuole gestire infrastruttura può usare l’API ospitata. Il modello music-3.0 costa 0,15 dollari per brano fino a cinque minuti, con limiti di 120 richieste al minuto e venti connessioni concorrenti, mentre music-3.0-free esiste per le prove ed è fermo a tre richieste al minuto. Gli URL dei file generati scadono dopo 24 ore, quindi il salvataggio va fatto quasi subito.
Il confronto economico con la concorrenza dipende dai volumi. Suno Pro chiede 10 dollari al mese per circa cinquecento brani, il che a parità di quantità batte l’API di MiniMax. Se però scarichi i pesi e hai già le GPU accese per altro, il costo marginale per brano tende a zero e la matematica si ribalta.
Cosa ti lascia fare la licenza, e cosa no
I pesi escono sotto una Community License scritta da MiniMax, non sotto una licenza open source riconosciuta. L’uso commerciale è permesso, ma a due condizioni. La prima è l’attribuzione visibile, ovvero l’indicazione MiniMax-Music3 in posizione ben leggibile nell’interfaccia del prodotto che integra il modello. La seconda riguarda la dimensione dell’azienda, perché chi supera i 20 milioni di dollari di ricavi annui aggregati deve ottenere un’autorizzazione scritta separata.
Suno concede diritti commerciali sui brani prodotti durante l’abbonamento nei piani Pro e Premier, ma la piattaforma resta arbitro delle regole e le politiche di download sono già cambiate in passato. Udio, nei termini verificabili, limita l’uso al personale non commerciale e ha disattivato il download di audio, video e stem, il che esclude di fatto qualsiasi flusso di lavoro professionale.
MiniMax, dal canto suo, non promette alcuna titolarità globale sull’output e richiede che gli input siano legittimi, con autorizzazione esplicita per i dati vocali. È una posizione prudente, che scarica su chi genera la responsabilità di quello che dà in pasto al modello.
Quanto suona bene
MiniMax-Music3 si colloca all’altezza di una versione più vecchia di Suno, indicativamente la v3.5, e decisamente dietro a Suno v5 per ricchezza e sfumature. Resta comunque il modello a pesi aperti più valido oggi disponibile.
I punti forti sono la chiarezza del testo cantato e la tenuta strutturale sui formati lunghi. I limiti emergono negli arrangiamenti densi, dove gli strumenti tendono a impastarsi, e nella varietà timbrica, più ristretta di quanto viene chiesto nelle caption.
C’è poi la questione delle lingue. La resa in inglese è buona, mentre l’output multilingue risulta più debole, anche in italiano. I casi d’uso in cui il modello rende meglio sono la sonorizzazione di video, musica adattiva per videogiochi, tracce demo per compositori che poi rifanno tutto con strumenti veri.
Uno strumento che ripaga, ma non per il pezzo perfetto
MiniMax-Music3 non vince il confronto sulla qualità. Vince su un altro terreno, cioè quello della disponibilità, perché è l’unico modello di questo livello che puoi scaricare, ispezionare, adattare e far girare senza chiedere il permesso a nessuno.
La valutazione, di conseguenza, dipende da cosa stai costruendo. Se ti serve un singolo brano da pubblicare e vuoi il risultato migliore possibile, i modelli chiusi restano avanti e non c’è ragione di complicarsi la vita. Se invece devi generare centinaia di tracce per una libreria, integrare la musica dentro un prodotto o semplicemente evitare che una decisione altrui ti tolga l’accesso al materiale già prodotto, il calcolo cambia. A quel punto pesano il costo marginale vicino allo zero, la possibilità di fine-tuning e una licenza che non mette bastoni tra le ruote.
