MiniMax 发布 Music3 音乐模型：输入歌词和描述，生成最长 5 分钟完整歌曲

核心突破：从“短片段”到“完整长歌”

MiniMax 今日正式推出新一代音乐生成模型 MiniMax-Music3。与以往只能生成短片段或简化编曲的模型不同，Music3 允许用户输入歌词和任意音乐描述，并输出长达 5 分钟的完整歌曲。生成结果以 32kHz、16-bit 立体声 WAV 文件呈现，保证了较高的音频保真度与空间感。

在音乐生成领域，长音频的连贯性一直是个难题。许多模型在生成几秒到十几秒的片段时表现良好，但一旦拉长到数分钟，就容易出现主题漂移、节奏不稳、歌声身份前后不一等问题。MiniMax 官方表示，Music3 在长音频生成中能够稳稳守住音乐主题、节奏、歌声身份和编曲的推进，并且完整保留前奏、主歌、预副歌、副歌、桥段、器乐间奏、尾奏等结构。

模型能力一览

• 输入：歌词文本 + 音乐风格/情绪/编曲描述
• 输出：最长 5 分钟的完整歌曲，结构完整
• 音频规格：32kHz 采样率，16-bit 位深，立体声 WAV 格式
• 结构支持：前奏、主歌、预副歌、副歌、桥段、器乐间奏、尾奏
• 亮点：长音频下保持音乐主题、节奏、歌声身份与编曲推进的一致性和连贯性

分层自回归架构：大模型管骨架，小模型填血肉

Music3 的核心技术是一套分层自回归（Hierarchical Autoregressive）架构，由两个分工明确的语言模型组成：

全局语言模型（Global LLM）

• 参数量：8B
• 职责：逐帧预测第一个 RVQ 码本，负责建模整首歌的长程语义与结构变化
• 初始化：基于 Qwen3-8B 进行初始化，训练时先让嵌入层和输出层适配音乐语义词元，再与局部模型联合建模全部码本

局部语言模型（Local LLM）

• 参数量：0.6B
• 职责：预测每一帧中其余的声学码本，逐步补全细粒度的声学信息
• 定位：在大模型确定的结构骨架之上，填充具体的音色、和声与质感

这种“一粗一细”的协作方式，让模型既能把握歌曲的整体走向，又能在局部细节上做到高质量还原，从而在长音频生成中保持稳定性和表现力。

技术解读：两个模型如何协同

在自回归生成中，音频被编码为多层次的码本序列（RVQ）。全局语言模型以歌词和描述为条件，逐帧生成第一层码本，相当于勾勒出音乐的“骨架”——包括旋律走向、和弦进行、段落划分等宏观结构。随后，局部语言模型基于这一骨架，逐帧预测剩余的码本层，逐层补全音色、泛音、混响等声学细节，就像为骨架填充“血肉”。两者联合训练，确保高层结构与低层细节的一致。

官方演示与开放

MiniMax 已在 Hugging Face 上公开了模型页面，并提供生成的歌曲示例供用户试听。开发者与音乐爱好者可以前往以下地址查看模型详情和样例：

Hugging Face 模型地址：https://huggingface.co/MiniMaxAI/MiniMax-Music3

总结

MiniMax-Music3 的发布，再次推动了 AI 音乐生成在“完整性”和“结构性”上的进步。通过 8B 全局模型与 0.6B 局部模型的分工配合，它实现了对长篇幅歌曲的稳定控制，并为创作者提供了更接近真实音乐制作流程的生成工具。随着模型开放，我们有望看到更多基于该模型的创意应用出现。