MiniMax Music 3.0：MiniMax 推出的开放权重生产级全能 AI 音乐生成模型

一、MiniMax Music 3.0是什么

MiniMax Music 3.0是稀宇科技MiniMax于2026年8月发布的开放权重、生产级全能音乐生成开源模型。该模型主打完整歌曲生成，区别于市面上多数只能生成短片段、Loop循环的AI音乐模型，支持单次生成最长5分钟完整歌曲，可一次性完成作曲、编曲、人声演唱、混音输出，输出32kHz、16bit立体声WAV音频文件。

模型提供开源权重、本地部署代码、提示词改写工具，既支持开发者本地私有化部署，也支持调用MiniMax云端API服务，面向开发者、内容创作者、音频工作室提供AI音乐生成能力。

二、功能特色

1. 5分钟完整歌曲生成
   单次推理输出完整音乐作品，可稳定保留曲风、节奏、人声音色，原生支持前奏、主歌、副歌、桥段、器乐间奏、尾奏等标准歌曲结构，规避长音频常见的旋律重复、跑调、结构崩坏问题。

2. 歌词+音乐描述双维度可控生成
   支持输入带段落标签歌词，使用[Verse]主歌、[Chorus]副歌、[Bridge]桥段标记划分歌曲段落；同时可以输入音乐描述，自定义曲风、BPM、情绪、人声音色、配器、混音效果，实现词曲协同生成。

3. 内置提示词重写工具music‑caption‑rewriter
   仓库自带本地提示词改写技能，无需调用外部API，可把简短自然语言提示自动扩写为标准化结构化提示，分为全局元数据、人声细节、编曲三层，精细控制分段落编曲变化。

4. 结构化提示词机制
   支持结构化Caption输入，将歌曲全局设定、人声特征、配器编曲分开描述，对不同段落做差异化编曲设定，提升长歌曲生成稳定性。

5. 双模式使用
   支持云端API调用快速生成，也支持完整权重本地私有化部署，输出标准立体声WAV音频，可直接用于二次剪辑、后期混音。

三、技术细节

MiniMax Music3.0采用Hybrid‑LM分层双大模型架构，结合残差矢量量化RVQ与Flow Matching音频解码链路，兼顾全局歌曲结构与局部音频音质。

1. 双LLM分层分工

• 8B全局LLM：基于Qwen3‑8B初始化，负责整首歌曲全局结构、长程音乐语义，输出第一层RVQ语义码元，把控整体曲风、歌曲段落排布。

• 0.6B局部LLM：负责单帧细微声学细节，预测剩余7层RVQ声学码本，还原人声、乐器细节音色。

2. 8层RVQ残差矢量量化
   1层语义码本（16384条目）+7层声学码本（每层1024条目），训练优先收敛语义层，再联合全部码本训练；推理时直接融合LLM隐态特征，不依赖独立分词器解码。

3. Flow Matching音频合成链路
   双LLM输出特征送入2.4B Flow Matching模块，经过Flow‑VAE潜空间，再由123M Flow‑VAE解码器输出最终32kHz立体声音频；Flow‑VAE基于MiniMax语音模型改造优化，适配音乐大动态频谱。

4. 部署硬件约束
   本地部署必须使用两张CUDA显卡：GPU0运行LLM自回归生成与RVQ计算，GPU1承担Flow Matching与音频解码；仅支持SGLang‑Omni推理框架，不支持流式生成，为一次性完整输出模式。
   文本提示词上限5000token，最大音频对应9000声学帧，上限5分钟。

四、应用场景

• 短视频自媒体创作：短视频BGM、主题曲、片头片尾配乐，生成带人声的完整歌曲，免去编曲找伴奏流程。

• 游戏与互动内容：游戏背景音乐、角色主题曲、剧情插曲，适配不同剧情情绪切换。

• 播客、有声内容：播客片头片尾曲、节目主题音乐。

• 音乐人辅助创作：快速产出歌曲Demo、编曲草稿，辅助词曲构思，作为创作参考素材。

• 企业内容生产：品牌宣传短片配乐、活动主题曲原型生成。

• 开发者二次开发：私有化部署，嵌入SAAS平台、音频工具，搭建自有AI音乐服务。

五、使用方法

方式1：云端API调用（快速体验）

1. 注册MiniMax开放平台账号，获取API密钥；

2. 请求接口，input字段传入带段落标记的歌词文本，instructions传入音乐风格、情绪、配器等描述；

3. 接口返回音频资源地址，下载WAV音频文件。

方式2：本地私有化部署

1. 克隆GitHub项目仓库；

2. 从Hugging Face下载完整模型权重；

3. 安装SGLang‑Omni推理框架，配置双CUDA显卡环境；

4. 启动推理服务，可使用内置music‑caption‑rewriter工具预处理提示词；

5. 调用本地接口，传入歌词与音乐描述，生成本地WAV音频文件。

注意：本地部署硬件门槛较高，需要两张NVIDIA CUDA显卡，普通消费单卡无法完整运行整套模型。

六、竞品对比

七、常见问题解答

Q：MiniMax Music3.0可以在单张消费显卡上面本地跑吗？

A：官方要求本地部署需要两张CUDA显卡，分别承担LLM生成与Flow音频解码任务，单张显卡无法完成整套推理，消费级单卡不能完整运行完整模型。

Q：模型生成的音乐可以直接商用吗？

A：商用权限需要仔细阅读HuggingFace模型卡与GitHub仓库的许可证协议，权重为开放权重，不等于完全无限制商用，正式商用前确认许可条款。

Q：提示词写的BPM、调性，模型一定严格遵守吗？

A：提示词属于生成引导，无法做到100%锁定BPM、调性、配器细节，生成结果会存在一定随机性浮动。

Q：模型支持流式分段生成吗？

A：不支持流式，当前版本为一次性完整输出全部音频，不能边生成边播放。

Q：为什么长生成会偶尔出现旋律漂移？

A：虽然架构优化长程音乐语义，但AI生成本身存在随机性，长5分钟生成依然存在概率出现局部旋律偏移，使用结构化提示词可以降低该现象概率。

Q：music‑caption‑rewriter工具需要联网调用API吗？

A：不需要，是仓库内置本地技能，本地运行即可完成提示词扩写，不需要外部网络接口。

八、相关链接

• GitHub仓库：https://github.com/MiniMax‑AI/MiniMax‑Music3

• HuggingFace模型权重地址：https://huggingface.co/MiniMaxAI/MiniMax‑Music3

九、总结

MiniMax Music3.0作为开放权重的生产级AI音乐模型，解决了多数开源AI音乐模型只能生成短片段的痛点，依靠分层Hybrid‑LM架构实现最长5分钟带人声完整歌曲的生成，同时提供配套提示词工具，兼顾云端API便捷调用与本地私有化部署两种模式，为内容创作者、音频从业者、开发者提供了一套完整的AI音乐生成方案，但本地部署硬件门槛较高，生成结果存在AI模型固有的随机性，正式生产使用需要结合人工后期调整。