MiniMax 发布 Music3 音乐模型：给歌词和描述，可生成最长 5 分钟歌曲

一、MiniMax Music 3介绍

MiniMax-Music3 是 MiniMax 于 2026 年 8 月 14 日发布的音乐生成大模型，能够创作长达 五分钟 的完整歌曲。在给定歌词和详细音乐描述的条件下，该模型可生成结构连贯、富有表现力的人声、不断演化的编曲以及稳定的长时音频质量的歌曲。

MiniMax Music 3 结合了用于长距离音乐结构建模的 8B 全局大语言模型（Global LLM）、用于帧级声学细节建模的 0.6B 局部大语言模型（Local LLM），以及基于 流匹配（Flow Matching） 和 流变分自编码器（Flow-VAE） 的连续隐状态合成系统。该模型输出 32 kHz、16 位立体声 WAV 音频。

核心特性

• ‌生成能力‌：单首最长 5 分钟，覆盖前奏、主歌、预副歌、副歌、桥段、间奏、尾奏等完整结构。
• 输入方式‌：支持自然语言音乐描述 + 歌词文本联合驱动。
• 输出格式‌：32kHz 采样率、16-bit 深度、立体声 WAV 文件。
• 结构稳定性‌：在长音频中保持主题一致性、节奏稳定、人声身份统一及编曲逻辑推进。

二、相关安装

• Caption（描述）：音乐描述。建议按三个部分编写：Global Metadata（全局元数据）（流派、BPM、调性、音阶、情绪推进、聆听场景、制作风格）、Vocal Details（人声细节）（人声性别、音色、演唱风格、和声、人声效果）、Arrangement（编曲）（主要和次要乐器、律动、低音、打击乐、织体、空间效果）。描述越具体，结果越接近预期
• Lyrics（歌词）：要演唱的歌词，可使用 [Intro]、[Verse]、[Chorus]、[Bridge]、[Instrumental]、[Outro] 等段落标签。标签是结构指令；歌词文本本身传达情绪
• max_duration：目标歌曲时长（秒）（模板默认 60 秒；模型最多支持约 300 秒 / 5 分钟）。歌曲越长，耗时和显存占用越多
• seed：生成用的随机种子。固定种子可复现同一首歌曲；更改种子可获得不同结果
• tiled_decode：以重叠分块方式解码音频 VAE，大幅降低显存占用，适合在低显存 GPU 上生成长歌曲。速度略慢，分块边界处有小概率出现接缝；高显存 GPU 上建议关闭以获得最佳质量

模型安装路径

📂 ComfyUI/
├── 📂 models/
│ ├── 📂 diffusion_models/
│ │ ├── minimax_music3_dit_int8_convrot.safetensors # For low VRAM
│ │ └── minimax_music3_dit_fp16.safetensors
│ ├── 📂 text_encoders/
│ │ └── minimax_music3_text_encoder_pruned_int8_convrot.safetensors
│ └── 📂 vae/
│ └── minimax_music3_dav.safetensors

三、工作流

四、总结

MiniMax Music3这次是真把AI音乐从"能出片段"干到了"能写完整歌"——原生支持5分钟曲式结构，前奏、主歌、副歌、桥段全给你安排明白，还是完全开源免费的。 你要是真拿AI做过音乐内容就知道，让它跑出30秒好听片段太容易，难的是撑完一整首歌还不散架——后半段节奏乱掉、音色变味、结构垮掉是常事。