MiniMax、5 分間の完全楽曲生成モデル「Music 3」をオープンウェイトで公開

記事の3ポイント

1. 1

   フル曲生成と長期的整合性の実現

   本モデルはループや断片ではなく、イントロからアウトロまでの構造を維持した最大 5 分間の完全な楽曲生成に対応し、メロディやリズム、ボーカルアイデンティティの整合性を保つ。

2. 2

   ハイブリッドアーキテクチャによる高品質出力

   8B のグローバル LLM で構造的進行をモデル化し、0.6B のローカル LLM で音響詳細を復元するハイブリッド構造を採用。さらにフローマッチングと Flow-VAE デコーダーを組み合わせることで、トークンベースの手法を超えた音質を実現している。

3. 3

   構造化キャプションによる精密な制御

   ジャンルや BPM といったグローバルメタデータから、ボーカルの特徴、楽器の進化、空間効果に至るまでを指定できる「Structured Caption」をサポートし、楽曲の時間経過に伴う発展を細かく操れる。