信息卡

一句话定位

MiniMax 官方发布的高性能音乐生成模型：输入歌词 + 音乐风格描述，直接生成最长 5 分钟、结构连贯完整的歌曲，输出 32kHz/16-bit 立体声 WAV。

为什么上热度榜

官方"整曲生成"新招牌：同时管住长程结构与帧级声学细节，月下载约 19,501 次、点赞 1.26k，且 diffusers 原生接入、一条命令起 API 服务，成为音乐生成类当期开源顶流。歌词直接决定演唱内容、风格描述控制编曲走向，创作者心智模型简单直观。

规格与技术亮点

双 LLM 分层架构：Global LLM（8B，从 Qwen3-8B 初始化）逐帧预测第一个语义 RVQ 码本，负责长程结构；Local LLM（0.6B）补全帧内其余 7 个声学码本。隐藏态融合后经 Flow Matching（2.4B）与 Flow-VAE 解码路径渲染音频；8 层 RVQ tokenizer，音频帧率 25fps。限制：文本 prompt 上限 5000 token、音频上限 9000 帧。注意：Safetensors 元数据显示 2B 参数，与卡片描述的组件参数量存在出入，页面未解释。

使用方式与代码示例

from diffusers import ModularPipeline
pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3")
pipe.load_components(dtype=torch.bfloat16)
audios = pipe(prompt="音乐描述", lyrics="歌词", audio_duration=60.0,
              generator=torch.Generator("cuda").manual_seed(7), output="audios")

也可用 SGLang-Omni 起服务：`sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000`，POST `/v1/audio/speech`（input=歌词、instructions=音乐描述）。

部署建议（本地/云端/量化选择）

权重以 bf16 分片分发，需 CUDA GPU；本地用 diffusers 脚本逐首生成，云端以 sgl-omni 包成 HTTP 服务供前端调用。未提供官方量化版本。

典型应用场景

• 短视频/播客定制背景与人声歌曲；2. 广告配乐批量产出；3. 作词后的 Demo 试听；4. 游戏关卡音乐流水线；5. 有声书与广播剧的主题曲、插曲定制。

同类对比

相对 Suno 等闭源产品是可私有部署的开源替代；对比 MusicGen（偏器乐短片段）、ACE-Step、YuE 等前代开源方案，本作把带人声的整曲时长推到 5 分钟量级并保持段落连贯，32kHz 立体声与 diffusers 官方管线支持让生态位更完整。

资源导航

模型卡、仓库 LICENSE 文件、diffusers 安装 PR（页面附固定 commit）、SGLang-Omni 服务文档。