미니맥스, 5분 완곡 생성 오픈소스 음악 모델 ‘Music 3.0’ 공개

미니맥스 Music 3.0은 텍스트 프롬프트와 가사를 입력받아 편곡, 연주, 보컬까지 포함된 최장 5분 길이의 완곡을 단 한 번에 만들어내는 오픈 가중치 음악 생성 모델입니다.

기존 AI 음악 모델은 곡이 길어질수록 지정한 악기가 사라지거나 보컬의 감정선이 중간에 무너지는 문제가 흔했습니다. Music 3.0은 이러한 구조적 드리프트를 해결해 악기의 물리적 질감과 자연스러운 라이브 보컬을 유지하는 데 집중했습니다.

무엇을 할 수 있나

사용자는 장르, 템포, 조성 등의 설명과 함께 벌스, 코러스, 브릿지 같은 메타 태그가 포함된 가사를 입력하기만 하면 됩니다. 모델은 재즈부터 파워 팝, 126 BPM의 프로그레시브 하우스까지 다양한 스타일의 완곡을 출력합니다.

전문적인 음악 용어를 모르는 사용자를 위해 프롬프트 강화 시스템도 탑재했습니다. 평이한 문장으로 원하는 분위기를 적으면, 시스템이 구조화된 캡션 템플릿을 통해 악기 배치와 감정선 변화를 포함한 정교한 음악 지침으로 자동 변환해 줍니다.

로컬 실행 장벽도 매우 낮습니다. 외부 리뷰에 따르면 전체 모델 크기는 약 9.8GB 수준으로 중급 그래픽카드에 무리 없이 올라가며, int8 양자화 버전을 사용할 경우 보급형 저사양 GPU에서도 원활하게 구동할 수 있습니다.

어떻게 작동하나

Music 3.0은 토크나이저, 하이브리드 언어 모델, 연속 오디오 렌더링 스택으로 이어지는 3단계 파이프라인으로 설계되었습니다.

음악 정보 표현에는 8계층 잔차 벡터 양자화 기술을 썼습니다. 첫 번째 계층이 곡의 뼈대와 의미를 안정적으로 잡고, 나머지 7개 계층이 미세한 음향 잔차를 순차적으로 채워 넣어 긴 호흡의 곡에서도 일관성을 유지합니다.

언어 모델은 Qwen3.5-8B 기반의 8B 글로벌 모델과 0.6B 로컬 모델의 협업 구조입니다. 글로벌 모델이 프레임 단위로 곡의 전체 흐름을 잡고, 로컬 모델이 프레임 내부의 음향 디테일을 예측하는 투 트랙 학습을 거쳤습니다.

마지막 음원 복원 단계에서는 이산 토큰 대신 두 언어 모델의 연속 은닉 상태를 결합합니다. 이를 2.4B 플로우 매칭 모듈과 123M 크기의 Flow-VAE 디코더로 전달해 고음질 오디오를 출력함으로써 발음 부정확 현상과 악기 음 왜곡을 줄였습니다.

왜 중요한가

인디 창작자나 개발자에게 상용 플랫폼의 길이 제한이나 구독료 부담 없이 로컬에서 5분짜리 완곡을 뽑아낼 수 있는 오픈소스 모델의 등장은 실질적인 이점입니다.

Qwen3.5-8B 기반에 플로우 매칭을 접목해 전체 용량을 9.8GB 안팎으로 묶어내면서도 완성도 높은 사운드를 구현한 점은 매우 실용적인 접근으로 보입니다. 원하는 사운드를 정밀하게 뽑아내려면 프롬프트 구조에 익숙해지는 과정이 필요하지만, 로컬 음악 생성 도구로서 충분히 설치해 볼 만한 가치가 있습니다.