MiniMax Music 3.0 开源发布：8B+0.6B 双模型架构，最长5分钟完整歌曲生成，支持多语言人声
MiniMax 于8月14日正式发布 Music 3.0，这是一款开源权重的音乐生成模型。它的核心能力是：输入歌词和风格描述，就能生成最长5分钟、包含人声演唱的完整歌曲。在开源音乐生成领域，能同时做到"长曲+人声+开源可本地跑"的模型目前并不多见，Music 3.0 的出现填补了这一空白。
这是什么？
Music 3.0 是 MiniMax 推出的第三代音乐生成模型。你只需要提供一段文字描述（比如"复古上海爵士灵魂乐，温暖lo-fi质感，亲密女声"）和可选的歌词，模型就会自动完成作曲、编曲、演唱和混音，输出一首完整的歌曲。
与前代相比，Music 3.0 不是简单升级，而是从底层重新设计了整个生成流程——从音乐描述方式、语言建模到音频渲染全部重构。
模型权重已在 GitHub 和 HuggingFace 上开源，本地运行需要 NVIDIA GPU（CUDA）。
技术架构：三层协作
Music 3.0 的架构由三个核心组件构成，各司其职：
8B Global LLM（长程结构建模）：基于 Qwen3.5-8B 初始化，负责逐帧预测语义 token，同时建模全局上下文。简单说，它决定了整首歌的"大结构"——主题怎么发展、段落怎么推进、情绪怎么起伏。
0.6B Local LLM（帧级声学细节）：随机初始化，在每一帧内沿深度轴预测声学 token。它负责"小细节"——音色质感、咬字发音、乐器音色的微妙变化。
Flow Matching + Flow-VAE（音频渲染）：2.4B 的 Flow Matching 模块和 123M 的 Flow-VAE 解码器，将两个 LLM 的连续隐状态融合后重建为最终音频。这条路径跳过了传统方案中"离散 token 直连解码器"的做法，改用连续表示连接语言模型和声学模型，在保持长程一致性的同时提升了发音准确度和音色连贯性。
此外，模型使用8层残差向量量化（RVQ）来分层表示音乐信息：第一层捕捉核心语义和结构，其余七层逐步编码声学残差。这种设计避免了单一 token 层同时承载结构和音质信息，让长序列预测更稳定。
最终输出规格为 32kHz、16-bit 立体声 WAV。
能做什么？
文字生成歌曲：输入一段自然语言描述和歌词，就能得到完整歌曲。描述可以很简洁，比如"轻快流行，女声，钢琴伴奏"，也可以很详细，指定 BPM、调性、编曲元素、段落结构等。
多语言人声：支持中文、英文、日语等多种语言的人声演唱，且人声听起来像"演唱"而非"合成"——这是 Music 3.0 重点优化的方向之一。
结构化提示词控制：支持在歌词中使用段落标签（如 [Verse]、[Chorus]、[Bridge]、[Outro]），在描述中指定每段的编曲和情绪走向，实现对歌曲结构的精细控制。
music-caption-rewriter skill：官方提供了一个自动扩展工具，能把简短描述自动转化为包含全局元数据、人声细节和编曲安排的结构化提示词，降低使用门槛。
对谁有用？有什么限制？
音乐创作者：可以快速把灵感变成可听的 demo，省去编曲和录制环节。
开发者：权重开源，可以本地部署，不依赖 API 调用，适合集成到自己的产品中。
当前限制：
- 必须使用 NVIDIA GPU（CUDA），暂不支持其他硬件
- 目前仅支持非流式生成，无法实时输出
- 提示词上限 5000 token，声学帧上限 9000
- 生成的速度、调性、编曲、歌词细节不一定完全匹配每一条要求——模型提供的是"生成性控制"而非"精确符号保证"
总结
MiniMax Music 3.0 在开源音乐生成领域树立了新标杆：5分钟长曲、多语言人声、双模型分层架构、开源可本地运行。对于想要快速出 demo 的音乐人和想要自建音乐生成能力的开发者来说，这是一个值得尝试的新选择。
---
来源：
- [MiniMax 官方博客](https://www.minimax.io/blog/minimax-music-3-0-next-generation-open-weights-production-ready-versatile-music-model)
- [GitHub 仓库](https://github.com/MiniMax-AI/MiniMax-Music3)