MiniMax发布Music3音乐模型可生成5分钟歌曲

MiniMax今日正式推出音乐生成模型MiniMax-Music3，这一新工具允许用户通过输入歌词和音乐描述，直接生成最长可达5分钟的完整歌曲，输出格式为32kHz、16-bit立体声WAV文件。相比此前多数音乐生成模型只能产出短片段，Music3在长音频生成能力上实现了显著突破。

支撑这一能力的是精心设计的分层自回归架构。系统由两个模型协同工作：全局语言模型（Global LLM）参数规模为8B，其任务是对歌曲的长程语义与结构变化进行建模，逐帧预测第一个RVQ码本；局部语言模型（Local LLM）参数仅0.6B，负责预测每一帧中其余的声学码本，将细粒度的声学信息逐层补齐。这种“大模型管骨架，小模型填血肉”的分工方式，使得模型能够在长时间尺度内保持音乐主题的一致性。

官方技术细节显示，全局语言模型基于Qwen3-8B初始化，训练过程中先让嵌入层和输出层适配音乐语义词元，随后再与局部模型联合建模全部码本。这种两阶段训练策略有效提升了模型对音乐语义结构的理解能力。在生成效果上，Music3能够在长音频中稳定守住音乐主题、节奏、歌声身份以及编曲的推进，前奏、主歌、预副歌、副歌、桥段、器乐间奏、尾奏等常见歌曲结构一应俱全。

目前，MiniMax已在GitHub和Hugging Face平台放出模型页面，并提供多种风格的生成歌曲示例供用户体验试听。这一开源举措意味着开发者可以自主部署和测试模型，进一步推动音乐生成技术在创作辅助、音频内容制作等场景中的应用落地。随着长音频生成能力的提升，AI音乐创作正从简单的旋律片段走向完整的歌曲结构，未来或将为音乐产业带来更多可能性。