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
本文の状態
日本語全文を表示中
詳細モードで約4分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
ComfyUI Blog
MiniMax がオープンウェイトの音楽生成モデル「MiniMax Music 3」を ComfyUI に提供し、歌詞と詳細な構造化キャプションに基づいて最大 5 分間の完全な楽曲を生成する機能を公開した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月14日 06:20
AI深層分析
キーポイント
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。
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。
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。
ComfyUI でのオープンソース利用
MiniMax は同モデルを ComfyUI（バージョン 0.33.0 以上）および Comfy Cloud で利用可能とし、ワークフローのダウンロードとモデルウェイトの保存手順を公開してコミュニティへの提供を開始した。
モデルの公開
MiniMax Music 3 の重みは Hugging Face で利用可能である。
重要な引用
MiniMax has released MiniMax Music 3.
The model sustains complete song structures including intro, verse, pre-chorus, chorus, bridge, instrumental break, and outro, without losing the thread on melody, rhythm, or vocal identity.
Instead of decoding audio from discrete tokens alone, the synthesis module fuses the hidden states of both LLMs and passes them through a 2.4B Flow Matching stage.
編集コメントを表示
編集コメント
MiniMax Music 3 は、LLM の構造的理解力とフローマッチングによる音響合成を融合させた技術的アプローチを示しており、オープンソース領域における音楽生成の品質基準を再定義する可能性がある。ComfyUI への統合により、研究者やクリエイターが即座に実験・応用できる環境が整った点は特筆すべき進展である。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
オープンソースコミュニティにとって、またしても大きな一日となりました。ComfyUI にて、新たな最高性能のオープンウェイト音楽生成モデルが登場しました。
MiniMax が「MiniMax Music 3」をリリースしました。歌詞と望む音質の説明を入力するだけで、最大 5 分間の構造的に整合性のある完全な楽曲が、32 kHz ステレオで生成されます。
このモデルはループや断片ではなく、完全な楽曲の作成を目的としています。歌詞と音楽的な説明に基づいて、テーマ、リズム、ボーカルの特徴、そして構成の展開を一貫して維持し、32 kHz・16 ビットのステレオオーディオを出力します。
アーキテクチャは、2 つの言語モデルと連続合成ステージを組み合わせたハイブリッド構造です。8B のグローバル LLM（Qwen3-8B を初期値として使用）が楽曲の長期的な意味的・構造的な進行をモデル化します。一方、0.6B のローカル LLM が各フレーム内の微細な音響ディテールを復元します。
音声は離散トークンのみからデコードするのではなく、合成モジュールは両 LLM の隠れ状態を融合させ、2.4B の Flow Matching ステージと 123M の Flow-VAE デコーダーを経由させています。これらの連続表現は、トークンが持つ情報量を超えた音響情報を担っており、ボーカルの発声、楽器の質感、時間的な連続性といった点でその差が顕著に現れます。
モデルの特徴
5 分間の生成に対応するネイティブサポートにより、フルソングを長期的な一貫性を保って作成できます。イントロ、ヴァース、プリコーラス、コーラス、ブリッジ、インストゥルメンタルブレイク、アウトロを含む完全な楽曲構造も、メロディやリズム、ボーカルのアイデンティティが途切れることなく維持されます。
歌詞にはセクションタグを指定できます。[Intro]、[Verse]、[Pre-Chorus]、[Chorus]、[Post-Chorus]、[Bridge]、[Instrumental]、[Solo]、[Outro] といった構造タグを入力に含めることで、楽曲の構成を自由に設計可能です。
構造化キャプションによる細やかな制御も可能です。単なる自然言語の説明だけでなく、「Global Metadata（ジャンル、BPM、キー、スケール、感情の推移、プロダクションプロフィール）」「Vocal Details（性別、音色、パフォーマンススタイル、ハーモニー、バックボーカル、エフェクト）」「Arrangement（楽器構成、セクションごとの楽器変化、グルーヴ、ベース、パーカッション、テクスチャ、空間効果）」という 3 つのセクションからなる構造化キャプションを入力できます。これにより、全体のスタイルだけでなく、楽曲が時間とともにどのように展開するかまで細かく制御できます。
表現豊かなボーカルも実現可能です。音色やハーモニー、エフェクトに至るまでボーカルパフォーマンスを制御でき、隠れ状態合成パスを採用することで、長いパートでも発音の明瞭さを保ちます。
32 kHz ステレオ出力に対応。16 ビットステレオ WAV 形式で、Flow-VAE デコーダーは音楽のダイナミックレンジとスペクトル特性に合わせて再学習されています。
例:
Gospel Soul
Rock (Instrumental)
Lo-fi Chillhop
始め方
ComfyUI を最新バージョン 0.33.0 に更新するか、Comfy Cloud を利用してください。
以下のワークフローをダウンロードするか、テンプレートライブラリから入手してください。
[MiniMax Music 3 ワークフローのダウンロード]
ワークフロー内の注意事項に従い、モデル重み（weights）をダウンロードして、適切なモデルディレクトリに保存してください。
歌詞と音楽の説明を入力し、ワークフローを実行します。
モデル重み：珞 MiniMaxAI/MiniMax-Music3
いつものように、創作を楽しんでください！
原文を表示
Another big day for the open source community! A new state of the art open weights music generation model has arrived in ComfyUI. MiniMax has released MiniMax Music 3. Give it lyrics and a description of the sound you want, and it returns a complete, structurally coherent song up to five minutes, in 32 kHz stereo.
MiniMax Music 3 is built for complete songs rather than loops or clips: conditioned on lyrics and a music description, it holds themes, rhythm, vocal identity, and arrangement progression together across the full track, and outputs 32 kHz, 16-bit stereo audio.
The architecture is a hybrid of two language models and a continuous synthesis stage. An 8B Global LLM (initialized from Qwen3-8B) models the song’s long-range semantic and structural progression. A 0.6B Local LLM restores fine-grained acoustic detail within each frame. Instead of decoding audio from discrete tokens alone, the synthesis module fuses the hidden states of both LLMs and passes them through a 2.4B Flow Matching stage and a 123M Flow-VAE decoder. Those continuous representations carry more acoustic information than tokens can which shows up in vocal articulation, instrumental texture, and temporal continuity.
Model Highlights
Full songs with long-range coherence: Native support for generation up to five minutes. The model sustains complete song structures including intro, verse, pre-chorus, chorus, bridge, instrumental break, and outro, without losing the thread on melody, rhythm, or vocal identity.
Lyrics with section tags: The lyrics input accepts explicit structure tags: [Intro], [Verse], [Pre-Chorus], [Chorus], [Post-Chorus], [Bridge], [Instrumental], [Solo], and [Outro]. You decide the song structure.
Fine-grained control via Structured Captions — Beyond a plain-language description, the model accepts a Structured Caption with three sections: Global Metadata (genre, BPM, key, scale, emotional progression, production profile), Vocal Details (gender, timbre, performance style, harmony, backing vocals, effects), and Arrangement (instruments, section-level instrument evolution, groove, bass, percussion, textures, spatial effects). This lets you steer not just the overall style but how the song develops over time.
Expressive vocals — Vocal performance is controllable down to timbre, harmony, and effects, and the hidden-state synthesis path is what keeps articulation clean across long passages.
32 kHz stereo output — 16-bit stereo WAV, with the Flow-VAE decoder retrained for the dynamic range and spectral characteristics of music.
Examples
Gospel Soul
Rock (Instrumental)
Lo-fi Chillhop
Getting Started
Update ComfyUI to the latest version 0.33.0 or go to Comfy Cloud.
Download the workflow below, or find it in the template library.
Download MiniMax Music 3 Workflow
Follow the note in the workflow to download the model weights and save them in the correct model directory.
Add your lyrics and music description, then run the workflow.
Model weights: 珞 MiniMaxAI/MiniMax-Music3
As always, enjoy creating!
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み