Après avoir sorti son dernier modèle de génération M3, MiniMax a lâché dans la nature les poids de MiniMax-Music3, un modèle de génération musicale capable de composer, arranger, interpréter et produire un morceau complet en une seule passe, jusqu’à cinq minutes de son stéréo 32 kHz. L’événement est d’une ampleur rare dans l’écosystème de la musique générative, parce qu’il place pour la première fois un générateur de chansons intégrales, avec voix et instrumentation, entre les mains de quiconque possède un GPU suffisant et une connexion à Hugging Face.
La bête repose sur une architecture hybride à deux modèles de langage imbriqués. Un LLM global de 8 milliards de paramètres (initialisé à partir de Qwen3-8B) capture la progression sémantique et structurelle du morceau sur toute sa durée, tandis qu’un LLM local de 600 millions de paramètres restaure le détail acoustique image par image, frame par frame. Au lieu de décoder l’audio à partir de tokens discrets comme le font la plupart des systèmes concurrents, Music3 fusionne les états cachés continus des deux LLM et les injecte dans un module de flow matching de 2,4 milliards de paramètres, suivi d’un décodeur Flow-VAE de 123 millions de paramètres. Cette chaîne continue préserve bien davantage d’information acoustique que les tokens seuls, ce qui se traduit par une articulation vocale plus propre, une cohérence instrumentale accrue et une continuité temporelle que les boucles de quatre mesures n’ont jamais pu offrir.
Le modèle accepte des lyrics structurés par balises de section (Intro, Verse, Pre-Chorus, Chorus, Bridge, Instrumental, Solo, Outro) et un système de « Structured Captions » qui permet de spécifier le genre, le BPM, la tonalité, la progression émotionnelle, le timbre vocal, le style d’interprétation, les harmonies, l’évolution instrumentale section par section… Autant de leviers de contrôle granulaire qu’aucun service propriétaire ne propose aujourd’hui à ses utilisateurs.
Côté matériel, MiniMax annonce un plancher de 8 Go de VRAM grâce à une technique de streaming de couches, mais la fluidité réelle exige plutôt 20 à 24 Go, soit le territoire des RTX 3090 et 4090. La communauté a déjà commencé à produire des variantes quantifiées et des « turbo » pour les configurations plus modestes, et des fine-tunes spécialisés sont apparus sur Hugging Face quelques jours à peine après la publication des poids.
Le timing de cette sortie n’a rien d’accidentel. Suno, le géant propriétaire de la génération musicale par IA, a durci ses conditions d’accès depuis le 3 septembre, en plafonnant le nombre de téléchargements mensuels pour les abonnés Pro (une vingtaine de morceaux) et en verrouillant les droits commerciaux derrière un paywall à paliers. Dans ce contexte, un modèle open-weights, sans abonnement, sans quota de téléchargement, exécutable localement et modifiable à volonté, devient une proposition terriblement séduisante pour les développeurs, les créateurs indépendants et les studios qui construisent des produits autour de la musique générée.
La licence de Music3 se révèle d’ailleurs étonnamment permissive pour un modèle de cette envergure. L’usage commercial est autorisé avec attribution, et seule une clause de seuil impose de négocier un accord séparé avec MiniMax au-delà de 20 millions de dollars de revenus, un plafond que la quasi-totalité des créateurs indépendants ne franchiront sans doute jamais.
Les premiers tests comparatifs, réalisés avec des prompts et des paroles identiques, situent la qualité de Music3 quelque part entre Suno V3.5 et Suno V5. Les voix sont intelligibles, le respect des paroles est solide même sur des couplets rapides de type rap, et la structure globale tient remarquablement bien sur cinq minutes. Là où le modèle pêche encore, c’est dans la richesse des arrangements denses, où les couches instrumentales tendent à se fondre les unes dans les autres au lieu de rester distinctes, et dans la restitution du « feeling » propre à certains genres (le panache arena-rock, par exemple, reste hors de portée). Mais qui aurait imaginé, il y a encore un an, qu’un modèle open-source puisse seulement approcher la qualité d’un service cloud à 10 dollars par mois ?
ComfyUI offre dès le premier jour un support natif du modèle, ce qui permet aux utilisateurs de l’interface nodale de générer des morceaux complets sans écrire une seule ligne de code, en téléchargeant simplement les poids depuis le dépôt Hugging Face de MiniMaxAI et en suivant un workflow pré-configuré. La génération d’une chanson entière prend moins de trois minutes sur un GPU grand public haut de gamme.
Ce qui se joue ici dépasse la seule question de la qualité audio. Music3 inaugure un schéma que l’on a déjà vu avec Stable Diffusion face à DALL·E, puis avec LLaMA face à GPT-4 : un acteur publie des poids ouverts qui ne rivalisent pas tout à fait avec le meilleur service fermé, mais la communauté s’en empare, fine-tune, optimise, spécialise, et l’écart se réduit à une vitesse que les plateformes propriétaires peinent à anticiper. Pour les artistes, cela signifie la possibilité d’entraîner des versions du modèle sur leur propre esthétique, de l’intégrer dans des pipelines de production personnalisés, de générer des maquettes sans dépendre d’un abonnement ni d’une politique tarifaire susceptible de changer du jour au lendemain.
Avec un tel pavé dans la marre, comment Suno et Udio vont-il répondre pour justifier leurs murs payants ? En tout cas l’open source n’a jamais été aussi proche de gagner la bataille dans le domaine de l’intelligence artificielle.
