MiniMax Music 3.0 – MiniMax开源的全能音乐生成模型

MiniMax Music 3.0 是MiniMax发布的最新一代开放权重、生产级全能音乐生成模型。它可以根据结构化的音乐描述和可选歌词，生成长达 5 分钟 的完整歌曲，涵盖前奏、主歌、预副歌、副歌、桥段、器乐间奏和尾奏等完整结构。模型权重已开放，支持本地部署（如 ComfyUI）和官方 API 调用，输出为 32 kHz、16 位立体声音频。

MiniMax Music 3.0核心特点

1. 完整长曲生成：突破传统 AI 音乐片段化的局限，可一次性生成结构连贯、长达 5 分钟的完整歌曲。
2. 双输入精准控制：通过 结构化描述（Caption） 定义音乐风格、情绪、人声和编曲，通过 带段落标签的歌词（Lyrics） 控制歌曲结构（支持 [Intro]、[Verse]、[Chorus]、[Bridge]、[Instrumental]、[Outro] 等标签）。
3. 长程一致性：在长序列中保持音乐主题、节奏、人声特征和编曲推进的一致性，避免歌曲后半段偏离创作意图。
4. 录音室级人声：全新声音渲染系统大幅减少了生成式人声中常见的高频”数字噪声”，提升旋律、发音、呼吸和多层和声的自然度。
5. 商业化导向：专为面向发行的歌曲草稿创作而设计，提供清晰的副歌方向、紧凑的节奏和专业的制作人级质感。
6. 开放权重：模型权重开放，开发者可在本地运行，完全控制每个参数。

MiniMax Music 3.0技术原理

MiniMax Music 3.0 采用 分层自回归架构，核心创新在于 Hidden State Fusion（隐藏状态融合），实现了从离散预测到连续声音渲染的跨越：

技术链路：全局与局部 LLM 融合特征 → Flow-Matching → VAE Hidden States → Flow-VAE Decoder → 最终音频。

这一设计的核心突破在于：传统方案将离散声学 token 直接送入解码器，而 Music 3.0 将语言模型的结构理解能力与声学模型的声音还原能力通过 连续表征 直接连接，在保持长程一致性的同时，进一步提升发音准确性、乐器连贯性和细节保真度。

此外，模型引入了 Structured Caption（结构化描述） 机制，将曲风、BPM、拍号、调性、情绪起伏、主辅乐器进入退出时机、演唱方式、和声编排、人声效果等抽象听感转化为可被模型精确执行的专业编曲框架。

MiniMax Music 3.0项目地址

• 项目官网：https://www.minimax.io/blog/minimax-music-3-0-next-generation-open-weights-production-ready-versatile-music-model
• GitHub仓库：https://github.com/MiniMax-AI/MiniMax-Music3

MiniMax Music 3.0主要功能

• 文本生成音乐：根据自然语言描述生成完整歌曲。
• 歌词驱动创作：结合结构化歌词与音乐描述，生成带人声的歌曲。
• 纯音乐/器乐生成：无需歌词，仅通过描述生成影视配乐、氛围音乐等。
• AI Cover（风格改编）：上传参考音频，通过自然语言描述目标风格，AI 会重新生成编曲、人声和混音，实现整体风格改编（而非简单的声线替换）。
• 歌词生成与编辑：支持基于提示词自动生成歌词，或对已有歌词进行编辑优化。
• 多格式输出：支持 MP3、WAV、PCM 格式，采样率可选 16/24/32/44.1 kHz，比特率可选 32/64/128/256 kbps。
• Prompt 增强系统：内置模板库，可将用户的简单描述自动扩展为音乐逻辑完整、细节丰富的结构化指令，降低专业创作门槛。

MiniMax Music 3.0应用场景

表格

使用方式与定价

• API 调用：官方提供 REST API，music-3.0 为付费模型（120 请求/分钟），music-3.0-free 为免费模型（3 请求/分钟）。按生成计费，每首最长 5 分钟的音乐约 $0.15，歌词生成/编辑服务约 $0.01/首。
• 本地部署：通过 ComfyUI 等工具本地运行开放权重模型，适合需要完全控制生成流程的技术用户。
• 订阅计划：提供 Plus（$20/月）、Max（$50/月）、Ultra（$120/月）等 Token Plan，共享模型资源配额。

注意：生成的音频 URL 链接会在 24 小时后过期，需及时下载保存。商业使用需仔细阅读 MiniMax 音乐服务条款，确保对输入素材拥有合法权利，并按要求标注 AI 生成内容。