MiniMax-Music3 是什么：五分钟整曲的开放权重模型

MiniMax-Music3 是 MiniMax 在 2026 年 8 月 13 日发布的音乐生成模型。你给它歌词和一段音乐描述，它直接生成一首最长 5 分钟的完整歌曲，人声和编曲都包含在内。一句话概括，这是一个把权重放出来、能本地跑的整曲生成模型。

它是什么：一口气写完一整首歌

官方说，模型能在整首歌里保持主题、节奏、歌声身份和编曲推进，结构覆盖前奏、主歌、预副歌、副歌、桥段、器乐间奏和尾奏。做过 AI 音乐的人都知道，歌一长，人声和配器容易越唱越飘，官方把长程一致性放在最显眼的位置，冲的就是这个痛点。它属于 MiniMax-Music 系列，托管 API 那边还挂着 Music-2.6 等前代型号。

关键规格：8B 管谱子，再接一段流匹配

架构上，官方叫它 Hybrid-LM，分层自回归。全局 LLM 是 8B，由 Qwen3-8B 初始化，逐帧预测第一个 RVQ 码本，负责整首歌的语义和结构走向。局部 LLM 只有 0.6B，在每一帧里补齐其余七个声学码本，管细节。你可以把它想成一个人写总谱，另一个人负责每一小节的音色质感。第一个语义码本有 16384 个条目，其余七个各 1024 个条目。

出声这一步没有只靠离散 token 解码。官方把两个 LLM 的最终隐状态融合起来，交给 2.4B 的 Flow Matching 和 123M 的 Flow-VAE 解码器，输出 32kHz、16 位的立体声 WAV。几部分加起来 11B 出头，Hugging Face 上的完整权重约 57.4GB，下载前要给硬盘留位置。

输入是文本，输出是音频。歌词里可以写 [Verse]、[Chorus]、[Bridge] 这类段落标签，音乐描述负责风格、情绪、人声和配器。提示词上限 5000 个 token，生成上限 9000 个声学帧，按每秒 25 帧算是 6 分钟，给官方宣称的 5 分钟留了余量。

能力和成绩：有样例，没有跑分

这一块要说实话：官方没有公布标准基准成绩，我也没查到可信的第三方对照评测。官方给的是演示页，以及一个能复现的端到端示例，脚本和参考音频都放在 Hugging Face 上。音乐生成本来就偏主观，听感比分数更说明问题，建议自己去演示页听一遍再决定。

控制方式比较细。官方推荐用结构化描述，分成全局信息（流派、BPM、调式、情绪走向）、人声细节（性别、音色、和声）和编曲（主副乐器、各段落的配器变化）三块。仓库里还带了一个 music-caption-rewriter 技能，能把一句简短描述扩写成这种格式。官方也承认，段落标签和描述提供的是生成层面的引导，不是符号层面的硬保证，速度、调性、乐器、歌词和结构都可能与要求有出入。

怎么用、多少钱

本地部署的权重在 Hugging Face、GitHub 和 ModelScope 都能下。官方推荐的推理框架有 SGLang、diffusers 和 ComfyUI，ComfyUI 有官方教程。硬件方面，GitHub 说明里写的是用 SGLang-Omni 跑双 CUDA 显卡；Hugging Face 模型卡给的 diffusers 路线更亲民，全精度可在 24GB 以内的单卡上跑，开启 CPU 卸载约占 22GB，再配合逐层流式加载，8GB 显卡也塞得下，代价是更慢。目前只支持 CUDA，也只支持非流式生成。

不想折腾的话，官方定价页建议去 MiniMax Audio 生成音乐。托管 API 那边，定价页列出的是 Music-3.0，每首最长 5 分钟收 0.15 美元，歌词生成每首 0.01 美元。但从 2026 年 8 月 20 日起，音乐和歌词生成 API 不再向新用户开放，老付费用户可以继续用。这个托管型号和开放权重版在官方页面里是两个名字，别默认它们完全等同。本地跑没有 API 费，算力、存储和折腾时间要自己扛。

和谁比：前代与在线服务

对比前代 Music-2.6，官方定价页里两者同为每首 0.15 美元，官方也没有公布它们之间的对比分数。能确认的差别是：Music 3 有可下载的权重，可以本地跑，也可以按许可证自行修改。

对比 Suno、Udio 这类在线音乐服务，思路不同。它们通过自己的平台使用，Music 3 则让你拿到权重自己部署。代价是门槛：要显卡，要装环境，没有现成的编辑界面。至于谁的音质更好，没有可信的对照评测，AI主线不在这里下结论，建议拿同一份歌词和描述各生成几首，自己听。

适合谁，以及几个坑

做产品的人最该先读许可证。它叫 MiniMax-Music3 Community License，商业产品或服务的界面上要显著标注“MiniMax-Music3”，你和关联方相关业务的年收入超过 2000 万美元，要事先向 MiniMax 申请书面授权。向第三方提供生成服务的，还得部署并持续维护防滥用措施。附带的使用政策也值得看一眼，比如在公共环境发布内容要明确标注为机器生成，不得冒充他人，不得用于军事用途。网上有文章把它写成 CC BY-NC，和官方 LICENSE 文件对不上，以文件原文为准。

做内容的创作者，拿它写配乐、歌曲小样、短视频 BGM 都合适，前提是有显卡，或者愿意走 MiniMax Audio。要留意的是，歌词和成品是否侵权要自己负责，许可证明确说了不得侵犯第三方知识产权。搞选型的技术负责人，要把非流式、5000 token 的提示词上限和对齐不精确算进去，实时场景和需要严格对齐某个节拍或调性的场景，先拿小样试过再说。AI主线的看法是，这个模型最值得看的不是音质，而是“整曲生成加开放权重”这个组合，它让本地跑完整歌曲这件事第一次有了像样的官方实现。