MiniMax Music 3: uma canção inteira de cinco minutos, com pesos abertos

Geração musical por IA viveu três anos preso ao mesmo teto: trinta segundos convincentes, e depois a estrutura desmorona. O refrão volta diferente do que era, o timbre da voz muda no meio da segunda estrofe, a bateria perde o compasso. Não é um problema de qualidade de áudio — é um problema de memória longa. Uma canção de quatro minutos tem arquitetura, e manter essa arquitetura coerente é diferente de produzir dez segundos bonitos.

O MiniMax Music 3, publicado com pesos abertos no Hugging Face, ataca esse teto de frente: uma única geração produz uma faixa completa de até cinco minutos, em WAV estéreo de 32 kHz e 16 bits, a partir de uma letra e de uma descrição estruturada do que se quer ouvir. Em poucos dias virou um dos modelos mais baixados da plataforma.

Duas escalas de tempo, dois modelos

A ideia arquitetural que sustenta a coisa é a separação entre o que é lento e o que é rápido na música. O áudio é primeiro convertido em tokens por um tokenizador RVQ de oito camadas — quantização vetorial residual, uma técnica que codifica o som em camadas sucessivas, cada uma corrigindo o resíduo da anterior. A primeira camada carrega semântica e estrutura; as camadas de 2 a 8 acumulam o detalhe acústico.

Sobre isso roda o que a MiniMax chama de Hybrid-LM, e o nome é literal: são dois modelos de linguagem com papéis distintos. Um LLM global de 8 bilhões de parâmetros — inicializado a partir do Qwen3.5-8B — prevê os tokens semânticos quadro a quadro e mantém o contexto da canção inteira. Um LLM local de 0,6 bilhão preenche os tokens acústicos dentro de cada quadro, no eixo da profundidade.

A divisão é elegante porque respeita a física do problema. Saber que agora vem a ponte e que o refrão precisa voltar igual é uma decisão de escala longa; escolher exatamente como soa o ataque da caixa neste milissegundo é uma decisão local. Tratar as duas com o mesmo modelo desperdiça capacidade num lado e falta no outro.

O truque que evita o som "digital"

A etapa final é onde está a diferença audível. Em vez de renderizar o áudio só a partir dos tokens discretos, o sistema funde os estados internos contínuos do Hybrid-LM num módulo de flow matching de 2,4 bilhões de parâmetros, seguido de um decodificador Flow-VAE de 123 milhões.

Por que isso importa: tokens discretos são, por definição, uma aproximação — cada um representa um ponto de um dicionário finito. Os estados contínuos que o modelo calculou antes de arredondar para o token carregam informação que a quantização joga fora. Reaproveitá-los na síntese é o que a empresa credita pela redução dos artefatos de alta frequência típicos de voz gerada, e pela possibilidade de técnicas como glissando e legato soarem executadas em vez de coladas.

Descrição estruturada, não prompt solto

A interface de controle merece atenção porque é onde o modelo se afasta da geração por texto livre. Em vez de "uma música triste de piano", a entrada é uma legenda estruturada que descreve a peça em granularidade temporal: como a emoção evolui, quando entra e sai cada instrumento, como muda a entrega vocal, o que distingue a segunda estrofe da primeira. As marcações de seção dentro da letra definem a macroestrutura.

Como quase ninguém sabe descrever música nesse nível, a MiniMax embutiu um sistema de expansão de prompt que traduz pedidos leigos nessa gramática. É uma solução pragmática — e também uma admissão honesta de que o controle fino exige vocabulário que o usuário médio não tem.

O próprio cartão do modelo é franco quanto ao limite disso: andamento, tonalidade, instrumentação, letra e estrutura "podem não corresponder exatamente a cada detalhe solicitado". Quem já trabalhou com geração condicionada sabe traduzir a frase: o controle é uma sugestão forte, não um contrato.

Aberto — com aspas em dois lugares

Os pesos estão publicados e rodam localmente, o que é a parte que realmente muda o jogo: 8 GB de VRAM com streaming de camadas coloca geração musical de canção completa dentro do alcance de uma placa de consumo modesta. Não é preciso API, não é preciso mandar a letra para servidor nenhum.

Duas ressalvas, porém, precisam ser ditas com clareza. A primeira é a licença: o uso comercial é permitido mediante atribuição, mas exige acordo separado com a empresa acima de US$ 20 milhões de receita. É uma cláusula razoável do ponto de vista comercial e absolutamente incompatível com a definição de código aberto da Open Source Initiative. Pesos abertos, não código aberto — a distinção não é preciosismo, é o que define o que você pode construir em cima.

A segunda é o silêncio habitual sobre os dados de treino. Um modelo que canta com timbre convincente e imita técnicas de execução aprendeu isso em algum lugar, e esse lugar não está descrito. Em texto, a questão da proveniência é jurídica e ética; em música, com um mercado de direitos autorais organizado, litigioso e altamente rastreável, ela é as duas coisas — e mais urgente.

Onde 32 kHz é suficiente, e onde não é

Vale registrar sem drama: 32 kHz está abaixo dos 44,1 kHz do CD. Na prática, isso significa que o conteúdo acima de 16 kHz — brilho de pratos, ar em vocais, a fricção que dá "abertura" a uma mixagem — simplesmente não existe no arquivo. Para demo, trilha de vídeo, referência de composição e uso em redes sociais, ninguém vai notar. Para masterização profissional, é o tipo de limite que aparece na primeira vez que a faixa passa por um bom monitor.

É a escolha certa para o objetivo declarado. O modelo não está tentando substituir um estúdio; está tentando colocar a etapa mais cara da produção — compor, arranjar, cantar e mixar de uma vez — dentro de uma GPU doméstica. Nessa medida, entrega. O que cabe ao ouvinte é lembrar que a fronteira que se moveu foi a do acesso, não a do gosto.

Perguntas Frequentes

O que é flow matching, e por que aparece aqui em vez de difusão?

Flow matching treina um modelo a aprender o campo de velocidades que transporta ruído até dado real ao longo de um caminho contínuo. Na prática, faz o mesmo trabalho da difusão — transformar ruído em sinal — mas com trajetórias mais retas, o que costuma exigir muito menos passos de inferência. Para áudio de cinco minutos, onde cada passo é caro, essa economia é o que torna a geração viável.

Preciso de placa de datacenter para rodar?

Não. O recomendado é 24 GB de VRAM, com cerca de 22 GB usando offload para a CPU, e há um modo de streaming de camadas que reduz o requisito a 8 GB. Nesse modo mais econômico, os pesos entram e saem da memória conforme necessário, o que troca velocidade por acessibilidade.

Posso usar comercialmente as músicas geradas?

A licença permite uso comercial com atribuição ao MiniMax Music 3, e exige acordo separado com a empresa quando o projeto ultrapassa US$ 20 milhões de receita. Vale ler o texto completo antes de embutir o modelo num produto — e vale lembrar que a licença do modelo não resolve, sozinha, a questão de direitos sobre o material que treinou o modelo.

Como isso se compara aos serviços fechados de geração musical?

Não há, até agora, avaliação independente publicada colocando o MiniMax Music 3 lado a lado com os serviços comerciais em teste cego. As comparações disponíveis são autorreportadas ou impressionistas. O diferencial verificável é outro e não depende de benchmark: os pesos estão no seu disco, a geração é local e o custo marginal por faixa é o da eletricidade.

O que é quantização vetorial residual (RVQ)?

É uma forma de comprimir áudio em camadas. A primeira camada escolhe, num dicionário de códigos, aquele que melhor aproxima o trecho; a segunda codifica o erro que sobrou; a terceira, o erro da segunda, e assim por diante. Com oito camadas, obtém-se uma representação discreta detalhada o bastante para reconstrução fiel — e organizada, já que as primeiras camadas carregam estrutura e as últimas, textura.