Was ist MiniMax Music 3?
MiniMax Music 3 erzeugt komplette Songs von bis zu fünf Minuten mit Gesang aus zwei Eingaben: dem Liedtext mit Abschnitts-Tags wie [Verse] und [Chorus] und einer schriftlichen Beschreibung von Stil, Gesang und Arrangement. Es kombiniert ein globales Sprachmodell mit 8B, initialisiert aus Qwen3-8B, mit einem lokalen 0,6B-Modell für akustische Details und einem 2,4B-Flow-Matching-Decoder und liefert WAV in Stereo mit 32 kHz und 16 Bit.
MiniMax hat die Gewichte im August 2026 unter der eigenen MiniMax-Music3 Community License auf Hugging Face veröffentlicht. Es läuft über SGLang-Omni, eine diffusers-Pipeline oder ComfyUI und braucht eine NVIDIA-GPU mit CUDA.
Die gehostete Version in der MiniMax API kostet 0,15 $ pro Track von bis zu fünf Minuten, doch seit dem 20. August 2026 sind die Musik- und Liedtext-APIs für neue Nutzer geschlossen; nur bestehende zahlende Kunden können sie aufrufen.
Lohnt sich MiniMax Music 3?
MiniMax Music 3 ist unter den Modellen mit offenen Gewichten, die gut singen, das mit den geringsten kommerziellen Auflagen. Die Lizenz erlaubt kommerzielle Produkte unter zwei Bedingungen: den Namen "MiniMax-Music3" in der Oberfläche des Produkts zeigen und bei MiniMax eine schriftliche Genehmigung einholen, sobald der Jahresumsatz 20 Millionen Dollar übersteigt. YuE2, das in Qualitäts-Benchmarks besser abschneidet, ist nicht kommerziell.
Es schreibt den Song, den du ihm gibst. Du lieferst den genauen Text mit Abschnitts-Tags und eine Beschreibung, und MiniMax empfiehlt eine dreiteilige strukturierte Caption (Genre, BPM und Tonart; Gesangsdetails; Arrangement); ein veröffentlichter Skill erweitert einen kurzen Prompt in dieses Format. Auf WildSongBench, einem Benchmark mit 192 Prompts vom YuE2-Team, hatte MiniMax Music 3 eine Phonem-Fehlerrate von 6,27 %, die niedrigste unter den getesteten offenen Modellen; seine gesungenen Wörter sind also am besten zu verstehen. Sein SongBench-Durchschnitt von 6,2830 lag hinter YuE2 mit 6,7316 und Suno v5 mit 6,8721.
Der Haken: Hardware und Zugang. Die Modellkarte verlangt bei voller Präzision eine GPU mit 24 GB VRAM oder mehr; mit CPU-Offloading sind es etwa 22 GB, und wenn das Sprachmodell Schicht für Schicht gestreamt wird, reichen 8 GB bei geringerem Tempo. Die Inferenz braucht CUDA, Apple Silicon und AMD-Karten fallen also weg. Die Ausgabe hat 32 kHz, weniger als die 44,1 kHz von Lyria 3.5 und die 48 kHz von YuE2. Streaming gibt es nicht, und Tempo, Tonart und Struktur werden gelenkt, nicht garantiert. Wer es als Dienst anbietet, muss Schutzmaßnahmen gegen rechtsverletzende Ausgaben einrichten, und die Nutzungsrichtlinie verlangt, öffentlich gepostete Inhalte als maschinell erzeugt zu kennzeichnen.
Unser Fazit: Für ein Unternehmen, das einen eigenen Song-Generator hosten und das Ergebnis verkaufen will, ist das die sauberste Lizenz unter den starken Sängern; ein Team ohne 24-GB-Karte oder mit Laptop kommt mit ACE-Step 1.5 weiter.
Wo es sich lohnt
Ein Musik-Tech-Startup mit einer App für personalisierte Geburtstagslieder
Für jeden Kunden ein gesungenes Lied mit Name und Geschichte im Text erzeugen
Fülle eine Textvorlage mit [Verse]- und [Chorus]-Tags und rendere auf einer eigenen 24-GB-GPU über den /v1/audio/speech-Endpunkt von SGLang-Omni; die Lizenz erlaubt den Verkauf der Songs, solange die App "MiniMax-Music3" zeigt.
Das hauseigene Audio-Team einer Werbeagentur
Aus freigegebenen Jingle-Texten mehrere fertig produzierte Takes machen
Nutze den caption-rewriter-Skill von MiniMax, um das Briefing um BPM, Tonart, Gesang und Arrangement zu erweitern, und rendere Takes mit verschiedenen Seeds; die niedrige Phonem-Fehlerrate bedeutet weniger Takes, die wegen genuschelter Wörter verworfen werden.
Ein YouTuber mit ComfyUI auf einer 8-GB-GPU
Komplette Songs für Videos lokal erstellen, ohne Abo
Lade den ComfyUI-Workflow und aktiviere das schichtweise Offloading; das ist langsamer als mit einer 24-GB-Karte, kostet aber nichts pro Song, und die Nutzungsrichtlinie der Lizenz verlangt, die Musik beim Posten als maschinell erzeugt zu kennzeichnen.
Bevor du dich festlegst
- Einrichtung
- Lade die Gewichte von Hugging Face und starte sie mit sgl-omni serve oder lade die modulare diffusers-Pipeline, die diffusers bis zum Merge der Unterstützung aus einem Pull-Request-Commit installiert; ein ComfyUI-Tutorial beschreibt den Node-Workflow.
- Integrationen
- SGLang-Omni stellt einen OpenAI-artigen /v1/audio/speech-Endpunkt bereit, mit dem Text in input und der Beschreibung in instructions; diffusers ModularPipeline; ComfyUI.
- Daten und Datenschutz
- Selbst gehostet, Prompts und Audio bleiben also auf deiner Hardware. Die Modellkarte beschreibt die Trainingsdaten nicht.
- Kosten im großen Maßstab
- Selbst gehostet keine Gebühr pro Song; die Kosten sind GPU-Zeit. Die 0,15 $ pro Track der API gelten nur für Konten, die vor dem 20. August 2026 zahlten, und kommerzielle Nutzung über 20 Millionen Dollar Jahresumsatz braucht eine schriftliche Genehmigung von MiniMax.
- Grenzen
- Text-Prompt auf 5.000 Tokens und Audio auf 9.000 akustische Frames (25 pro Sekunde) begrenzt; kein Streaming; CUDA nötig; gewünschtes Tempo, Tonart und Struktur werden womöglich nicht genau eingehalten.
Was gut ist
- Offene Gewichte, kommerzielle Nutzung bis 20 Millionen Dollar Jahresumsatz erlaubt
- Komplette Songs bis fünf Minuten mit Gesang aus deinem eigenen Text
- Niedrigste Phonem-Fehlerrate (6,27 %) unter den offenen Modellen auf WildSongBench
- Läuft in SGLang-Omni, diffusers und ComfyUI; 8-GB-Karten mit schichtweisem Streaming
- Strukturierte Captions steuern BPM, Tonart, Gesang und Arrangement
Was nicht
- Nur CUDA; 24 GB VRAM für volles Tempo
- Ausgabe mit 32 kHz, weniger als bei der Konkurrenz
- Gehostete API seit dem 20. August 2026 für neue Nutzer geschlossen
- Kommerzielle Produkte müssen "MiniMax-Music3" zeigen und Missbrauchsschutz betreiben
- Kein Streaming; Tempo und Struktur nicht garantiert
Am besten für
Unternehmen, die einen kommerziellen Song-Generator mit klarem Gesang selbst hosten wollen und eine NVIDIA-GPU mit 24 GB bereitstellen können.
Alternativen zu MiniMax Music 3
MiniMax Music 3: häufige Fragen
- Lohnt sich MiniMax Music 3?
- MiniMax Music 3 singt deinen Text bis zu fünf Minuten lang deutlich und lässt dich das Ergebnis verkaufen, vorausgesetzt, du hast eine NVIDIA-Karte mit 24 GB und nennst seinen Namen in deinem Produkt. Wir bewerten es mit 4.2 von 5.
- Was kostet MiniMax Music 3?
- Gewichte kostenlos unter der MiniMax-Music3 Community License, kommerzielle Nutzung inklusive; ab 20 Millionen Dollar Jahresumsatz ist eine schriftliche Genehmigung nötig. MiniMax API: 0,15 $ pro Track bis fünf Minuten, seit dem 20. August 2026 nur für bestehende zahlende Nutzer.
- Welche Nachteile hat MiniMax Music 3?
- Nur CUDA; 24 GB VRAM für volles Tempo; Ausgabe mit 32 kHz, weniger als bei der Konkurrenz; Gehostete API seit dem 20. August 2026 für neue Nutzer geschlossen; Kommerzielle Produkte müssen "MiniMax-Music3" zeigen und Missbrauchsschutz betreiben; Kein Streaming; Tempo und Struktur nicht garantiert.
- Für wen eignet sich MiniMax Music 3?
- Unternehmen, die einen kommerziellen Song-Generator mit klarem Gesang selbst hosten wollen und eine NVIDIA-GPU mit 24 GB bereitstellen können.
- Was kostet MiniMax Music 3 für ein Team oder im Produktivbetrieb?
- Selbst gehostet keine Gebühr pro Song; die Kosten sind GPU-Zeit. Die 0,15 $ pro Track der API gelten nur für Konten, die vor dem 20. August 2026 zahlten, und kommerzielle Nutzung über 20 Millionen Dollar Jahresumsatz braucht eine schriftliche Genehmigung von MiniMax.
- Ist MiniMax Music 3 sicher für Firmendaten?
- Selbst gehostet, Prompts und Audio bleiben also auf deiner Hardware. Die Modellkarte beschreibt die Trainingsdaten nicht.
- Was sind die besten Alternativen zu MiniMax Music 3?
- Die nächsten Alternativen, die wir getestet haben, sind YuE2-3B, ACE-Step 1.5, Lyria 3.5 und Eleven Music v2.5.
Antworten geprüft am 7. Nov. 2026.
Du entwickelst MiniMax Music 3? Zeig diese Bewertung auf deiner Website
