描述
MiniMax Music 3 是一个复杂的音乐生成模型，旨在创作时长可达五分钟的完整歌曲。该模型基于歌词和详细的音乐描述进行条件生成，使其能够生成结构上连贯的歌曲，具有富有表现力的声乐、不断演变的编曲和稳定的长格式音频质量。该模型结合了一个 8B 的全球 LLM 用于长距离音乐结构和一个 0.6B 的本地 LLM 用于帧级声学细节，利用基于流匹配和流-VAE 的连续隐藏状态合成系统。它生成 32 kHz、16 位立体声 WAV 音频。
阅读更多
该模型支持完整歌曲生成，能够在长序列中保持音乐主题、节奏、声乐身份和编曲进展。它支持完整的结构，如引子、主歌、前副歌、副歌、桥段、器乐间奏和尾声。用户可以输入带有明确部分标签的歌词和定义音乐风格、情感进展、声乐表现、乐器、编曲和制作概况的音乐描述。
MiniMax Music 3 采用分层自回归架构，将全球音乐建模与本地声学建模分开。全球 LLM 逐帧预测第一个 RVQ 代码本，建模歌曲的长距离语义和结构进展。本地 LLM 在每帧内预测剩余的声学代码本，恢复细粒度的声学信息。
该模型的合成模块融合了全球和本地 LLM 的最终隐藏状态，保留了更丰富的声学信息，以便于声乐发音、乐器质感和时间连续性。Flow-VAE 架构是从 MiniMax Speech 适配而来，并针对音乐的动态范围和频谱特性进行了重新训练。
MiniMax Music 3 得到 SGLang-Omni 的支持，可以通过各种推理框架（如 SGLang、diffusers 和 ComfyUI）进行服务。它需要 CUDA 进行推理，目前仅支持非流式生成。标记化文本提示限制为 5,000 个标记，音频生成限制为 9,000 个声学帧。
- 类别AI 音乐生成器
- 定价模式开源
- 部署云端
- 平台网页版
MiniMax Music 3亮点
高性能音乐生成
支持时长可达五分钟的完整歌曲生成
结合全球和本地 LLM
生成 32 kHz、16 位立体声 WAV 音频
分层自回归架构
连续隐藏状态合成
Flow-VAE 架构
支持 SGLang-Omni 和其他框架
MiniMax Music 3入门
访问模型：访问 Hugging Face
认证：设置账户
设置环境：遵循安装指南
通过 API 集成：使用支持的框架
优化：调整参数以获得所需输出
MiniMax Music 3的使用案例
- 歌曲创作
- 音乐制作
- 电影配乐
- 游戏原声带
- 广告
