説明
MiniMax Music 3は、最大5分間の完全な曲を生成するために設計された洗練された音楽生成モデルです。このモデルは、歌詞と詳細な音楽説明の両方に基づいており、構造的に一貫した曲を生成し、表現力豊かなボーカル、進化するアレンジ、安定した長時間の音質を実現します。このモデルは、長距離の音楽構造のための8BグローバルLLMと、フレームレベルの音響詳細のための0.6BローカルLLMを組み合わせ、Flow MatchingおよびFlow-VAEに基づく連続的な隠れ状態合成システムを利用しています。32 kHz、16ビットのステレオWAVオーディオを生成します。
続きを読む
このモデルは、完全な曲の生成をサポートし、長いシーケンス全体で音楽のテーマ、リズム、ボーカルのアイデンティティ、アレンジの進行を維持します。イントロ、ヴァース、プレコーラス、コーラス、ブリッジ、インストゥルメンタルブレイク、アウトロなどの完全な構造を可能にします。ユーザーは、明示的なセクションタグを持つ歌詞と、音楽スタイル、感情の進行、ボーカルパフォーマンス、楽器編成、アレンジ、制作プロファイルを定義する音楽説明を入力できます。
MiniMax Music 3は、グローバル音楽モデリングとローカル音響モデリングを分離する階層的自己回帰アーキテクチャを採用しています。グローバルLLMは、曲の長距離の意味的および構造的進行をモデル化しながら、最初のRVQコードブックをフレームごとに予測します。ローカルLLMは、各フレーム内の残りの音響コードブックを予測し、細かい音響情報を復元します。
モデルの合成モジュールは、グローバルLLMとローカルLLMの最終的な隠れ状態を融合し、ボーカルの発音、楽器の質感、時間的連続性のためのより豊かな音響情報を保持します。Flow-VAEアーキテクチャはMiniMax Speechから適応され、音楽のダイナミックレンジとスペクトル特性のために再訓練されています。
MiniMax Music 3はSGLang-Omniによってサポートされており、SGLang、diffusers、ComfyUIなどのさまざまな推論フレームワークを使用して提供できます。推論にはCUDAが必要で、現在はストリーミング生成のみをサポートしています。トークン化されたテキストプロンプトは5,000トークンに制限されており、オーディオ生成は9,000音響フレームに制限されています。
- カテゴリーAI音楽ジェネレーター
- 料金モデルオープンソース
- デプロイクラウド
- プラットフォームWeb
MiniMax Music 3のハイライト
高性能な音楽生成
最大5分間の完全な曲の生成をサポート
グローバルLLMとローカルLLMを組み合わせ
32 kHz、16ビットのステレオWAVオーディオを生成
階層的自己回帰アーキテクチャ
連続的な隠れ状態合成
Flow-VAEアーキテクチャ
SGLang-Omniおよびその他のフレームワークをサポート
MiniMax Music 3をはじめる
モデルにアクセス: Hugging Faceを訪問
認証: アカウントを設定
環境を設定: インストールガイドに従う
API経由で統合: サポートされているフレームワークを使用
最適化: 希望する出力のためにパラメータを調整
MiniMax Music 3の使用例
- 作曲
- 音楽制作
- 映画音楽
- ゲームサウンドトラック
- 広告
