MiniMax发布开源音乐大模型Music3：支持歌词+结构化描述生成5分钟完整歌曲

开源即可用：面向创作者的端到端音乐生成模型

MiniMax于2026年8月13日正式发布MiniMax-Music3——一款开源权重（open-weights）的文本到音乐生成模型。该模型接受两类独立输入：带分段标签（如[Intro]、[Chorus]、[Bridge]等）的歌词文本，以及包含全局元数据、人声细节与编曲信息的结构化音乐描述。单次推理即可输出最长5分钟、32 kHz采样率、16位深度的立体声WAV文件。模型权重、推理代码及三条文档完备的服务部署路径（SGLang-Omni、Diffusers、ComfyUI）均在发布当日同步公开，具备即刻生产部署能力，非仅研究预览。

商业授权与适用场景明确

MiniMax-Music3采用社区许可证（MiniMax-Music3 Community License），允许商业使用，但要求在产品用户界面中显著标注‘MiniMax-Music3’；年营收超过2000万美元的企业须另行获得MiniMax书面授权；第三方托管生成服务还需自行实施并持续维护侵权内容防护机制。目标用户覆盖个人创作者、独立工作室及中型团队。行业应用场景包括游戏开发（自适应关卡配乐）、广告与品牌代理（本地化广告音床、声音标识）、短视频与创作者工具、e-learning、播客、健身健康类App、零售门店背景音频，以及音乐科技SaaS平台。

混合架构：全局+局部语言模型协同建模

模型核心为Hybrid-LM架构：一个80亿参数的全局大语言模型（Global LLM）负责逐帧预测首层语义RVQ码本，捕捉长程音乐结构；一个6亿参数的局部语言模型（Local LLM）则在每一帧内预测其余七层声学RVQ码本，细化残差特征。模型卡注明Global LLM初始化自Qwen3-8B，但MiniMax研究院博文提及Qwen3.5-8B，具体基础检查点尚未最终确认。训练采用八层残差向量量化（RVQ）：首层语义码本含16,384个条目，承载音乐语义与宏观结构；后续七层声学码本各含1,024个条目，编码频谱细节。训练策略为先优化语义层，再联合优化全部八层。

连续合成路径：跳过离散解码，直通潜空间

合成阶段摒弃传统离散RVQ令牌解码方式，转而融合Global与Local LLM的最终隐藏状态，以此条件化一个24亿参数的流匹配（flow-matching）模块，映射至潜空间；该潜空间由继承自MiniMax Speech的1.23亿参数Flow-VAE解码。推理时完全不加载离散分词器解码器，实现端到端连续信号生成。

多路径部署支持低门槛落地

MiniMax提供了三条清晰文档化的部署路径：（1）参考服务器SGLang-Omni，需双CUDA GPU（GPU 0运行Qwen系列LLM与RVQ自回归生成，GPU 1运行流匹配与DAV解码）；（2）Diffusers模块化流水线，在全精度下显存占用约24 GB，启用自动CPU卸载后降至约22 GB，采用叶级分组卸载可进一步压至8 GB；（3）ComfyUI原生‘Text to Music’模板，使用Comfy-Org提供的FP16/INT8重打包权重，适配创作者工作流。

编者观点

对中国AI音乐初创企业与AIGC工具开发商而言，Music3的开源策略与明确商业化条款释放了重要信号：高质量生成能力正加速从实验室走向可集成、可合规商用的工程组件，开发者需同步构建版权风控与品牌合规能力，而非仅聚焦模型性能。