MiniMax Music3：几分钟内将歌词转化为完整歌曲

MiniMax 刚刚推出了一款新的 AI 模型，可能会改变你对音乐创作的看法。这款名为 Music3 的模型，只需简单的歌词和对你想要氛围的简短描述，就能生成一首完整的歌曲——最长可达五分钟。无需乐器，无需录音室，只需几个词和大量的 AI 魔法。

输出是 32kHz、16 位立体声 WAV 文件，对于从零开始生成的内容来说，听起来相当专业。但真正有趣的是其背后的技术。

两个模型的故事

Music3 并非一个处理所有事情的大型神经网络。相反，它是一个二人组——两个模型各司其职，和谐共作。可以把它想象成一个乐队，一个成员负责大局，另一个负责细节。

第一个是拥有 80 亿参数的全局语言模型。它是架构师，规划歌曲的长期结构和语义。它逐帧预测第一个码本，基本上决定了歌曲从头到尾的流程。有趣的是，它从 Qwen3-8B 开始，这是一个最初为文本设计的模型，但已被改编为以音乐方式思考。

第二个模型要小得多——只有 6 亿参数——但同样重要。这个局部模型接管每一帧中剩余的声学码本，分层添加精细的音频细节，使歌曲听起来丰富而生动。

所以，一个大脑处理骨架，一个灵活的助手填充血肉。这种分工似乎效果显著。

保持连贯性

AI 音乐生成中最大的挑战之一是在长时间内保持连贯性。许多模型开始很强，但在一分钟左右后失去线索。据 MiniMax 称，Music3 的表现令人印象深刻。它能在整首曲目中保持音乐主题、节奏、人声身份和编曲进展。

它也不会跳过任何结构元素。你会得到前奏、主歌、预副歌、副歌、桥段、器乐间奏和尾声——所有精心制作的歌曲应有的部分。

亲自尝试

MiniMax 已在 GitHub 上发布了模型页面，并附有示例歌曲供你试听。所以如果你好奇这个 AI 能做什么，不必只听他们的一面之词——去听听看，看看它是否击中正确的音符。

关键要点

• Music3 从歌词和描述生成最长 5 分钟的完整歌曲，输出 32kHz 立体声 WAV。
• 双模型架构：一个 8B 全局 LLM 处理结构，而一个 0.6B 局部 LLM 填充声学细节。
• 长形式连贯性：保持主题、节奏、人声身份和编曲贯穿始终。
• 完整歌曲结构：包括前奏、主歌、副歌、桥段等。
• 可在 GitHub 上获取，并提供示例曲目供试听。