MiniMax 釋出 Music 2.5：支援 14 種段落標籤控制，人聲細節更逼真

用 AI 創作音樂，過去很長一段時間都像在拉老虎機。你在提示詞裡寫上一堆風格形容詞，按下生成鍵，剩下的全看運氣：副歌不知道什麼時候冒出來，人聲聽起來常常像是被塞進了鐵皮罐頭，咬字也含糊不清。

MiniMax 正式釋出了新一代音樂生成模型 MiniMax Music 2.5。這次升級的核心目的非常明確，就是要攻克 AI 音樂長期以來的兩大痛點：一是創作過程不可控，二是聲音質感不夠真。

目前，該模型已經在 MiniMax 官網開放了產品體驗，相關的 API 介面也同步上線。

告別抽卡，像專業製作人一樣排布段落

以往的 AI 音樂模型最讓專業創作者頭疼的地方，在於結構的完全隨機。你想要在第二段加一段電吉他間奏，或者希望副歌前有一段情緒鋪墊，模型往往根本不聽指揮。

Music 2.5 開放了全段落標籤控制功能。創作者可以在歌詞與提示詞中，自由組合使用包括前奏（Intro）、橋段（Bridge）、間奏（Interlude）、情緒鋪墊（Build-up）以及副歌（Hook）在內的 14 種結構變體。

這意味著你可以在動手寫歌前，就規劃好整首作品的起承轉合。比如指定哪一段只留原聲吉他清唱，哪一段開始加入密集的鼓點做情緒遞進，真正擺脫了全靠運氣猜結果的模式。

聽得見換氣聲，還有百種樂器與自動混音

在聽感和物理真實度上，新模型也下了不少功夫。官方演示裡的人聲去掉了常見的機械電音感，歌手的自然呼吸、細微顫音，以及胸腔與頭腔共鳴的切換都清晰可聞。

在男女聲對唱的處理上，聲音也不再是生硬地疊在同一個音軌裡，而是有了主副呼應與層次分明的和聲質感。

針對中文創作環境，Music 2.5 特意強化了華語流行（C-Pop）與說唱（C-Rap）的旋律邏輯與發音。哪怕是語速極快的中英文混雜歌詞，咬字依然乾淨清晰，幾乎沒有吞字或含糊帶過的情況。

底層的音色庫則擴充到了 100 多種樂器。更聰明的是，模型學會了根據風格自動做混音適配：遇到 80 年代流行風就還原清脆的合成器與鼓點律動，遇到復古爵士則會自動加上帶顆粒感的黑膠底噪。

為什麼重要

對於自媒體創作者、獨立遊戲開發者和廣告製作團隊來說，Music 2.5 意味著 AI 音樂終於從整活玩具跨進了實用工具的門檻。以前在素材庫裡翻找半天配樂、或者花高價約稿的成本，現在通過結構標籤幾分鐘就能搭出符合畫面節奏的商業級 Demo。

在行業競爭上，當海外的 Suno 和 Udio 還在用即興生成的驚豔感吸引普通使用者時，MiniMax 顯然選擇把重心壓在專業工作流的落地。這種向工業化交付靠攏的打法，會逼著整個賽道加快從好玩走向可用的步伐。

我們認為，MiniMax 押注段落級標籤和華語深度最佳化非常務實。國內主流音樂語境在發音咬字和情緒推進上一直有獨特門檻，海外模型很難徹底吃透，這讓 Music 2.5 具備了天然的本土優勢。不過，純靠文本標籤來控制編曲依然存在上限，未來如果能進一步支援分軌音訊匯出和精細的引數調節，才算真正打通專業音訊工程的最後一公里。