MiniMax 开源 Music 3.0：单次生成 5 分钟整曲，基于千问底座

MiniMax Music 3.0 是一个开源权重的音乐生成模型，能让你通过一段文字提示词和可选的歌词，一次性生成长达 5 分钟的完整歌曲，包含编曲、乐器演奏和人声演唱。

过去用 AI 做长音频，往往唱着唱着乐器就丢了，或者前半段是爵士、后半段情绪就垮了。Music 3.0 的核心目标就是解决这种结构漂移，让乐器听起来有物理质感，让人声听起来像真实演唱而不是死板的合成音。

它能做什么

你只需要输入音乐风格、节奏、调性等描述，再加上带有结构标记的歌词，比如标明主歌、副歌、桥段或尾声，模型就能直接吐出一首制作完成的成品歌曲。

它支持各种复杂的曲风，从带有老式混音质感的上海爵士、大编制的流行摇滚，到 126 BPM 的渐进浩室电音都能驾驭。歌词演唱的咬字与呼吸感相比早期模型自然不少。

更方便的是它内置的提示词增强系统。普通人不需要掌握复杂的配器术语，输入日常表达，系统会借助结构化模版把它拆解成包含乐器进退场、低频律动走向以及段落情绪起伏的专业指令。

在硬件门槛上，根据视频创作者的实测，整个完整模型体积只有 9.8 GB 左右，中端显卡就能装下。如果换用 int8 量化版本，绝大多数入门级低端显卡也能顺利运行，本地部署门槛压得非常低。

它是怎么做到的

Music 3.0 重构了音乐生成的整套流程，把它拆成了三个互相协作的核心环节：分词器、混合语言模型和连续音频渲染栈。

为了避免单个 Token 层既管结构又管音质导致过载，它采用了八层残差向量量化技术。第一层专门稳定音乐语义和宏观结构，后面七层则逐层补充声音细节与声学残差。

中间的语言模型分为两层。负责全局架构的是一个 8B 大模型，基于 Qwen3.5-8B 初始化，负责按帧预测语义并把控整首歌的走势；负责局部细节的是一个 0.6B 小模型，专门填充帧内的声学细节。两者通过两阶段训练完成端到端对齐。

最后的音频生成没有沿用传统的离散解码路线，而是把两个语言模型的连续隐藏状态融合在一起，输入给一个 2.4B 的流匹配模块，再由 123M 的 Flow-VAE 解码还原成高保真音频。这种连续特征的直接对接，让整首歌在维持长程结构稳定的同时，大幅减少了乐器杂音和发音模糊。

为什么重要

对音乐创作者和独立开发者来说，Music 3.0 的吸引力在于它是少有的高质量开源权重音乐模型。你不必被商业平台的按次计费或时长切片限制捆绑，可以在本地低显存设备上自由调试整首 5 分钟的完整歌曲Demo。

我们认为，MiniMax 这一次的做法非常务实。它没有硬堆超大参数，而是把 Qwen3.5-8B 底座与流匹配轻量化结合，把 9.8 GB 的体量做到了接近商用级制作的质感。不过需要注意的是，复杂配器的真实动态和人声感情细腻度依然依赖高质量的提示词输入，新手最好先直接使用它的模版系统上手。