Muse Spark Open: Wie viel KI passt ins eigene Studio?

Ein Assistent, der einen Musikvideo-Rohschnitt vorbereitet oder beim Schreiben eines Studio-Skripts hilft, übernimmt andere Aufgaben als ein Instrument oder ein Audioeffekt. Genau in diesem Umfeld ist Metas Muse Spark Open einzuordnen. Das am 15. Oktober 2026 veröffentlichte Modell ist vor allem für Programmierung und mehrstufige Arbeitsabläufe ausgelegt, bei denen eine KI Werkzeuge aufruft und Zwischenergebnisse überprüft. Sein möglicher Platz im Kreativstudio liegt damit zunächst bei Assistenz und Automatisierung.

🟨 VIELE PARAMETER, ABER NICHT ALLE ARBEITEN GLEICHZEITIG

Muse Spark Open besitzt insgesamt 816 Milliarden Parameter. Die Mixture-of-Experts-Architektur aktiviert pro Token ungefähr 42 Milliarden davon. Laut Modellkarte werden je Schicht acht von 256 Experten ausgewählt. Das verringert den Rechenaufwand gegenüber einer Architektur, die sämtliche Parameter bei jedem Schritt einsetzt. Die übrigen Gewichte verschwinden dadurch allerdings nicht aus dem Speicherbedarf.

Meta bietet BF16- und NVFP4-Gewichte an. Im Entwicklerbeitrag beziffert das Unternehmen die Größen auf ungefähr 1,6 Terabyte beziehungsweise 530 Gigabyte. Bei NVFP4 werden dabei nur die Experten quantisiert, also mit geringerer numerischer Genauigkeit gespeichert. Diese Dateigrößen sind noch keine vollständige Angabe zum benötigten Arbeitsspeicher: Während der Nutzung kommen weitere Daten hinzu. Auch ein langes Kontextfenster benötigt zusätzliche Ressourcen.

🟨 DIE MAC-DEMONSTRATION NUTZT MEHRERE RECHNER

Metas dokumentierter MLX-Aufbau sieht zwei Mac Studios mit M5 Ultra und jeweils 512 Gigabyte gemeinsamem Arbeitsspeicher vor. Alternativ nennt die Anleitung vier Geräte mit jeweils 256 Gigabyte. Die Rechner werden direkt per Thunderbolt 5 verbunden und tauschen während der Berechnung Zwischenergebnisse aus. Das Terabyte Speicher beschreibt hier die Gesamtkonfiguration, keinen einzelnen Mac.

Die Anleitung setzt unter anderem macOS 26.2 oder neuer, MLX ab Version 0.30.1 und die Einrichtung der Rechnerverbindung voraus. Auf jedem Mac muss außerdem Platz für den vollständigen NVFP4-Checkpoint vorhanden sein. Apples technische Daten nennen für den entsprechend konfigurierten M5-Ultra-Mac-Studio maximal 512 Gigabyte Arbeitsspeicher. Wer das gezeigte Setup nachbauen möchte, plant folglich ein kleines Rechensystem mit mehreren Geräten.

🟨 EIN TERABYTE IST KEINE ALLGEMEINE UNTERGRENZE

Andere Modellvarianten können den Speicherbedarf deutlich reduzieren. Unsloth dokumentiert stärker quantisierte GGUF-Fassungen, darunter eine 2-Bit-Variante für Systeme mit 256 Gigabyte verfügbarem Speicher. Je nach Rechner kann dieser aus RAM und Grafikspeicher oder aus gemeinsamem Arbeitsspeicher bestehen. Die Voraussetzungen unterscheiden sich damit erheblich von Metas NVFP4-Mac-Konfiguration.

Das macht die Wahl der Modellfassung zu einem Teil des Versuchs. Ein Modell in den Speicher zu bekommen, beantwortet noch nicht, wie schnell es reagiert und wie zuverlässig es die eigene Aufgabe löst. Für einen Vergleich sollten deshalb die genaue Quantisierung, die Kontextlänge und die Hardware festgehalten werden. Ein Benchmarkwert einer anderen Fassung lässt sich nicht ungeprüft auf das eigene System übertragen.

🟨 AUDIO VERSTEHEN IST ETWAS ANDERES ALS AUDIO AUSGEBEN

Metas Dokumentation führt Text, Bild, Video und Audio als Eingaben auf. Die Ausgabe des Modells ist Text. Daraus ergibt sich keine eingebaute Stem-Trennung und kein fertiger Mastering-Prozessor. Solche Bearbeitungen würden zusätzliche Werkzeuge benötigen, die ein entsprechend eingerichteter Assistent gegebenenfalls steuern könnte. Auch ein Kontextfenster von rund einer Million Token ist keine feste Zusage für eine bestimmte Länge an Audiomaterial.

Meta berichtet über vollständig lokal ausgeführte Versuche mit Muse Code, darunter Änderungen am Mastodon-Client Ice Cubes. Außerdem ließ das Unternehmen das Modell DaVinci Resolve bedienen, Aufnahmen sichten und geeignete Ausschnitte ins Hochformat bringen. Das zeigt den Ansatz eines Assistenten, der Software nutzt. Eine allgemeine, sofort einsatzbereite Integration in die eigene DAW ist damit nicht belegt.

🟨 WAS LOKALER BETRIEB PRAKTISCH ÄNDERT

Bei einer vollständig lokal eingerichteten Verarbeitung müssen Projektdateien nicht an einen externen Inferenzdienst geschickt werden. Ob der gesamte Arbeitsablauf lokal bleibt, hängt jedoch auch von den angeschlossenen Werkzeugen ab. Ein Assistent, der zusätzlich einen Webdienst aufruft, erweitert den Datenfluss über den eigenen Rechner hinaus. Für vertrauliche Demos sollte deshalb der vollständige Ablauf betrachtet werden.

Ebenso entfällt beim Eigenbetrieb die Abrechnung pro Anfrage durch einen Modellanbieter, während Strom, Hardware und Einrichtung Aufwand verursachen. Die Antwortzeit hängt weiterhin von der Rechenleistung, der gewählten Modellfassung und der Aufgabe ab. Gerade während einer laufenden Produktion ist außerdem relevant, ob die KI Ressourcen belegt, die parallel für Schnitt, Instrumente oder Effekte gebraucht werden. Lokalität ist eine Betriebsentscheidung mit konkreten Vor- und Nachteilen.

🟨 DREI VERSUCHE FÜR DAS WILD LAB

Die folgenden Aufgaben sind Vorschläge für eigene Tests, keine von WILD gemessenen Ergebnisse. Als erster Versuch eignet sich ein kurzer Clip, dessen Inhalt bereits bekannt ist. Voraussetzung ist ein eingerichteter Zugang mit Unterstützung für Video-Eingaben. Der Auftrag könnte lauten: „Nenne drei geeignete Ausschnitte für einen vertikalen Teaser. Begründe deine Auswahl und gib Zeitpositionen nur an, wenn du sie zuverlässig bestimmen kannst.“ Anschließend wird am Original geprüft, ob die beschriebenen Szenen vorkommen und die Auswahl musikalisch sinnvoll ist.

Im zweiten Versuch geht es um eine kleine Automatisierung. Das Modell soll beispielsweise ein Skript entwerfen, das exportierte WAV-Dateien nach einem vorgegebenen Schema umbenennt. Zunächst werden die geplanten Änderungen nur angezeigt. Danach folgt ein Durchlauf mit Dateikopien in einem Testordner. Bewertet wird, ob das Ergebnis tatsächlich Arbeit spart und auch bei Leerzeichen, ähnlichen Namen oder fehlenden Dateien verständlich bleibt.

Der dritte Versuch beginnt mit einem überschaubaren Produktionsbriefing. Vorgaben zu Länge, Stimmung, Dramaturgie und Lieferformat werden in eine konkrete Aufgabenliste übersetzt. Im nächsten Schritt wird nur eine Anforderung geändert. So lässt sich beobachten, ob der Assistent die übrigen Vorgaben beibehält oder bei der Überarbeitung verliert. Notiert werden Bearbeitungszeit, Fehler und notwendige Korrekturen, damit sich der Nutzen mit der bisherigen Arbeitsweise vergleichen lässt.

🟨 CLOUD-ZUGANG UND LIZENZ SIND DOKUMENTIERT

Meta nennt sieben Plattformen für gehosteten Zugang: Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter und Together AI. Der konkrete Zugangsstatus kann sich unterscheiden; Groq wird im Entwicklerbeitrag als begrenzte Vorschau beschrieben. Als Preisbeispiel listet OpenRouter zum Recherchezeitpunkt 1,25 US-Dollar je Million Eingabe-Token und 4,25 US-Dollar je Million Ausgabe-Token. Bei mehreren aufgeführten Anbietern liegen Cache-Lesezugriffe bei 0,15 US-Dollar je Million Token. Das sind Anbieterangaben, kein allgemeiner Tarif für jede Bereitstellung.

Die Muse Model License ist veröffentlicht und erlaubt grundsätzlich auch kommerzielle Nutzung unter ihren Bedingungen. Dazu gehören Lizenz- und Nutzungsvorgaben sowie ein Hinweis „Built with Muse Spark Open“ bei entsprechenden Produkten oder Diensten. Für bestimmte Anbieter von KI-Modellen als Dienstleistung gilt oberhalb von 20 Millionen US-Dollar Gesamtumsatz innerhalb von zwölf Monaten eine zusätzliche Vereinbarungspflicht. Interne Nutzung und andere kommerzielle Tätigkeiten sind von dieser speziellen Klausel ausgenommen. Open Weight bedeutet folglich, dass die Gewichte zugänglich sind, während die Lizenz weiterhin den Einsatz regelt.

🟨 BENCHMARKS HELFEN BEI DER EINORDNUNG

Metas Modellkarte enthält Vergleiche mit mehreren offenen Modellen, darunter Qwen, GLM und Kimi. Bei JobBench nennt sie für Muse Spark Open 61,8 Punkte, bei MCP-Atlas 89,2. Die Ergebnisse stammen aus Metas dargestellten Evaluationen. Aussagen wie „leistungsfähigstes US-Open-Weight-Modell“ bleiben entsprechend einzuordnende Herstellerbewertungen. Für musikalische Entscheidungen oder die Qualität eines Rohschnitts liefern diese Zahlen keine direkte Messung.