MiniMax Music 3؛ رقیب متنباز Suno
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
MiniMax — همون شرکتی که مدل ویدیوی متنباز Hailuo رو داده بود — مدل آهنگسازش یعنی Music 3 رو بهصورت open-weight منتشر کرده؛ یعنی وزنهای مدل روی Hugging Face زیر اکانت MiniMaxAI قابل دانلوده و میتونی روی سختافزار خودت اجراش کنی. مدل یه پرامپت متنی (و توی بعضی جریانهای کاری یه نمونهٔ سبک یا متن ترانه) میگیره و یه آهنگ کامل با وکال و سازبندی تحویل میده. برخلاف Suno که بستهست و فقط ابری کار میکنه، اینجا کل خط لوله دست خودته.
به گفتهٔ نویسنده، زمان انتشار اتفاقی نیست. از ۳ سپتامبر، Suno دانلود آهنگها رو به پلن اشتراک گره زد و کاربرهای Pro رو به تعداد مشخصی دانلود در ماه (۲۰ تا، طبق شرایطی که اون موقع مطرح شد) محدود کرد، ضمن اینکه حق استفادهٔ تجاری هم به دانلود روی پلن پولی وصل شد. برای کسی که داره روی موسیقی هوش مصنوعی محصول میسازه، این یعنی دسترسی و حقوق اثر رفته پشت یه دیوار پولی — و یه مدل باز دقیقاً همونجا جذاب میشه.
توی تستهای دستی با پرامپت و ترانهٔ یکسان، خروجی Music 3 واضحاً از Suno V5 عقبتر بود و کیفیتش رو تقریباً همردهٔ Suno V3.5 توصیف کردن. نقطهٔ قوتش وضوح کلماته؛ حتی روی ورسهای تند رپ، متن قابل تشخیص میمونه. ولی وقتی چند ساز زیر و چند لایهٔ وکال روی هم جمع میشن، توی هم گم میشن، و سازبندی پسزمینه در مقایسه با Suno V5 خیلی کمجونتره. با این حال نویسنده میگه با فاصله بهترین مدل موسیقی متنباز تا امروزه.
برای اجرای محلی، MiniMax کف حدود ۸ گیگابایت VRAM رو اعلام کرده که با layer streaming — یعنی لایههای مدل زبانی بهجای اینکه یکجا توی حافظه بمونن، نوبتی لود میشن — بهدست میاد؛ ولی برای اینفرنس روون و full-precision، هدف واقعبینانه ۲۰ تا ۲۴ گیگه. بخش مدل زبانی روی Qwen3-8B سواره و کنارش یه diffusion transformer، یه flow-matching VAE و یه vocoder هم باید همزمان لود بشن. مدل از روز اول توی ComfyUI پشتیبانی شد و نسخههای quantizeشده و fine-tuneهای جامعه خیلی زود روی Hugging Face اومدن.
لایسنسش هم برای مدلی با این توان غیرمعموله: استفادهٔ تجاری آزاده و تنها شرط واقعی، ذکر MiniMax Music 3 بهعنوان منبع تولیده. یه آستانهٔ درآمدی هم توش هست — اگه پروژهای که روی خروجی این مدل ساخته شده از ۲۰ میلیون دلار درآمد رد بشه، باید قرارداد جدایی با MiniMax امضا کنی. برای تقریباً هر سازندهٔ مستقل یا استودیوی کوچیک، این سقف خیلی دوره؛ پس عملاً دستت بازه.
نکات کلیدی:
- وزنهای Music 3 روی Hugging Face زیر اکانت MiniMaxAI منتشر شده و بخش مدل زبانیش روی Qwen3-8B سواره.
- کف اجرای محلی حدود ۸ گیگابایت VRAM با layer streaming، و ۲۰ تا ۲۴ گیگابایت برای اینفرنس روون full-precision.
- کیفیت خروجی تقریباً همردهٔ Suno V3.5 ارزیابی شده: جلوتر از مدلهای متنباز قبلی، عقبتر از Suno V5.
- لایسنس اجازهٔ استفادهٔ تجاری با ذکر منبع رو میده؛ بالای ۲۰ میلیون دلار درآمد، قرارداد جدا لازمه.
- Suno از ۳ سپتامبر دانلود کاربرهای Pro رو به ۲۰ آهنگ در ماه محدود کرد.
- پشتیبانی ComfyUI از روز اول موجود بود و fine-tuneهای جامعه ظرف چند روز روی Hugging Face اومدن.
