MiniMax、5分間の楽曲を一括生成できるオープン音源モデル「Music 3.0」公開

MiniMax Music 3.0 は、テキストプロンプトと歌詞を入力するだけで、作曲から編曲、楽器演奏、ボーカルまでを含んだ最長 5 分間の楽曲を一括生成できるオープンウェイトの音楽生成モデルです。

従来の音楽 AI では、曲が長くなるにつれて指定した楽器が消えたり、ボーカルの質感が途中で崩れたりする課題がありました。Music 3.0 はそうした構造の破綻を抑え、生演奏に近い楽器の響きと自然な歌唱を維持することに特化しています。

何ができるのか

ジャンルやテンポ、調性、曲の雰囲気に加え、Aメロ、サビ、間奏などの構成タグを付けた歌詞を入力すれば、完成されたトラックを丸ごと出力できます。

上海ジャズやパワーポップ、126 BPM のプログレッシブハウスまで幅広いジャンルに対応し、歌詞の発音やつなぎも滑らかに処理されます。

専門知識がないユーザー向けにプロンプト拡張システムも備えています。日常的な言葉で作りたいイメージを伝えるだけで、モデルが理解できる構造化キャプションに展開し、楽器の出番や展開ごとの感情表現を指示してくれます。

手軽さも特徴です。検証レポートによると、フルモデルのファイルサイズは約 9.8 GB に収まっており、中性能 GPU で十分に動作します。さらに int8 量子化版を使えば、ローエンドの環境でもローカル実行が可能です。

どのような仕組みか

Music 3.0 はトークナイザー、ハイブリッド言語モデル、音声合成スタックの 3 つの要素で構成されています。

音響情報の表現には 8 層の残差ベクトル量子化を採用しています。第 1 層で曲の骨格と意味を捉え、残りの 7 層で細かな音響ディテールを段階的にエンコードすることで、長いシーケンスでも破綻しにくい設計です。

言語モデル部分は、Qwen3.5-8B をベースにした 8B のグローバルモデルと、フレーム内の音響トークンを予測する 0.6B のローカルモデルによる二段構えです。全体の大枠と局所的な音響を分離して学習します。

最終出力では、離散トークンをそのまま変換するのではなく、言語モデルの連続的な隠れ状態を融合させて 2.4B のフローマッチングモジュールに入力し、123M の Flow-VAE で音声を復元します。これにより、発音の明瞭さと楽器の質感を大幅に向上させています。

なぜ重要か

インディーゲーム開発者やクリエイターにとって、商用クラウドの従量課金や生成時間制限を気にせず、ローカルで最長 5 分のフル楽曲を作れるオープンモデルの価値は非常に高いと言えます。

Qwen3.5-8B を土台にしつつ、約 9.8 GB という手頃なサイズにまとめたバランス感覚は実用的だと感じます。高度なアレンジを狙い通りに引き出すにはプロンプトの調整に多少の慣れが必要ですが、まずは手元の環境で試してみる価値のある選択肢です。