MiniMax Music 3 发布：开源、长音频、分层架构的音乐生成模型

2026年8月14日

MiniMax 在 Hugging Face 上线了 Music 3，能生成最长 5 分钟的完整歌曲，而且完全开源。这不是又一个只跑十几秒 sample 的 demo，而是可以直接本地部署、跑完整曲子的方案。

架构：一层管结构，一层管细节

Music 3 的架构把任务拆成了两层。一个 8B 的 Global LLM（基于 Qwen3-8B 初始化）负责长程的音乐结构和语义推进，一个 0.6B 的 Local LLM 负责每帧内的声学细节。两层模型的隐藏状态在合成阶段融合，再经过 Flow Matching（2.4B）和 Flow-VAE Decoder（123M）输出 32 kHz 立体声 WAV。

这种分层设计在音频生成里不算新鲜，但在音乐场景下做得比较完整。Global 层让歌曲的主题、节奏、人声特征在长序列里保持一致；Local 层补全高频细节。输出采样率 32 kHz、16-bit，比很多同级别模型常见的 24 kHz 稍高。

控制方式：歌词加结构化描述

模型接受两个输入：歌词和音乐描述。歌词里可以嵌 section tag，比如 [Verse]、[Chorus]、[Bridge]、[Outro] 等。音乐描述建议用 Structured Caption 的三段式：Global Metadata（风格、BPM、调性、情绪曲线）、Vocal Details（人声性别、音色、表现方式）、Arrangement（乐器编排、段落演变）。

官方还提供了一个 music-caption-rewriter 工具，能把简短的自然语言描述扩展成结构化格式。

部署门槛：8GB 显存能跑

这是 Music 3 比较务实的地方。完整精度需要 24GB+ VRAM，通过自动 CPU offloading 可以降到 22GB，再配合流式加载 LLM 的层级，8GB 显存的卡也能跑，只是速度会慢一些。

支持的推理框架有三个：SGLang-Omni、diffusers 和 ComfyUI。SGLang-Omni 的部署命令比较直接：

sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000

diffusers 的 pipeline 已集成，社区 PR 还在 review 中（huggingface/diffusers#14456），目前需要直接从 PR commit 安装。

限制

模型有不少硬限制，部署前需要心里有数：

需要 CUDA，不支持其他加速后端
只支持非流式生成，无法边生成边听
文本 token 上限 5,000，音频帧上限 9,000（约 5 分钟）
section tag 和音乐描述是生成性控制，不是符号保证，生成的调性、BPM、配器不一定完全匹配请求

这些限制在长音频生成领域比较常见，但官方明确列出来，比那种「理论上能生成 5 分钟实际经常崩」的产品要诚实。

社区现状

Hugging Face 页面显示下载量 25，不算高。模型发布才不久，而且音乐生成类模型的下载动机和用户群体比较分散——有人下载本地跑，有人直接调 API，有人只是看看架构。

目前社区有 3 个 finetune 版本、4 个量化版本，5 个 Spaces 在用这个模型。生态正在建立中。

结语

MiniMax Music 3 的核心价值是开源、支持长音频、显存适配灵活。对于想在自己机器上跑音乐生成，或者基于开源模型做二次开发的人，这是一个可以直接用的方案。它目前不支持流式输出，文本和音频长度都有硬限制，是否影响你的使用场景需要自己评估。