MiniMax 開源 Music 3.0：單次生成 5 分鐘整曲，基於千問底座

MiniMax Music 3.0 是一個開源權重的音樂生成模型，能讓你通過一段文字提示詞和可選的歌詞，一次性生成長達 5 分鐘的完整歌曲，包含編曲、樂器演奏和人聲演唱。

過去用 AI 做長音訊，往往唱著唱著樂器就丟了，或者前半段是爵士、後半段情緒就垮了。Music 3.0 的核心目標就是解決這種結構漂移，讓樂器聽起來有物理質感，讓人聲聽起來像真實演唱而不是死板的合成音。

它能做什麼

你只需要輸入音樂風格、節奏、調性等描述，再加上帶有結構標記的歌詞，比如標明主歌、副歌、橋段或尾聲，模型就能直接吐出一首製作完成的成品歌曲。

它支援各種複雜的曲風，從帶有老式混音質感的上海爵士、大編制的流行搖滾，到 126 BPM 的漸進浩室電音都能駕馭。歌詞演唱的咬字與呼吸感相比早期模型自然不少。

更方便的是它內建的提示詞增強系統。普通人不需要掌握複雜的配器術語，輸入日常表達，系統會藉助結構化模版把它拆解成包含樂器進退場、低頻律動走向以及段落情緒起伏的專業指令。

在硬體門檻上，根據影片創作者的實測，整個完整模型體積只有 9.8 GB 左右，中端顯示卡就能裝下。如果換用 int8 量化版本，絕大多數入門級低端顯示卡也能順利執行，本地部署門檻壓得非常低。

它是怎麼做到的

Music 3.0 重構了音樂生成的整套流程，把它拆成了三個互相協作的核心環節：分詞器、混合語言模型和連續音訊渲染棧。

為了避免單個 Token 層既管結構又管音質導致過載，它採用了八層殘差向量量化技術。第一層專門穩定音樂語義和宏觀結構，後面七層則逐層補充聲音細節與聲學殘差。

中間的語言模型分為兩層。負責全域性架構的是一個 8B 大模型，基於 Qwen3.5-8B 初始化，負責按幀預測語義並把控整首歌的走勢；負責區域性細節的是一個 0.6B 小模型，專門填充幀內的聲學細節。兩者通過兩階段訓練完成端到端對齊。

最後的音訊生成沒有沿用傳統的離散解碼路線，而是把兩個語言模型的連續隱藏狀態融合在一起，輸入給一個 2.4B 的流匹配模組，再由 123M 的 Flow-VAE 解碼還原成高保真音訊。這種連續特徵的直接對接，讓整首歌在維持長程結構穩定的同時，大幅減少了樂器雜音和發音模糊。

為什麼重要

對音樂創作者和獨立開發者來說，Music 3.0 的吸引力在於它是少有的高質量開源權重音樂模型。你不必被商業平臺的按次計費或時長切片限制捆綁，可以在本地低視訊記憶體裝置上自由除錯整首 5 分鐘的完整歌曲Demo。

我們認為，MiniMax 這一次的做法非常務實。它沒有硬堆超大引數，而是把 Qwen3.5-8B 底座與流匹配輕量化結合，把 9.8 GB 的體量做到了接近商用級製作的質感。不過需要注意的是，複雜配器的真實動態和人聲感情細膩度依然依賴高質量的提示詞輸入，新手最好先直接使用它的模版系統上手。