minimax
publicado
peso del modelo para crear composiciones completas de hasta cinco minutos de duración, que comprende la estructura musical y emite estéreo de 32 kHz en formato WAV de 16 bits.
Music 3 se controla mediante un mensaje de la letra de la canción (con etiquetas como [Estribillo] o [Solo]) y una descripción musical (género, BPM, clave, escala, etc.).
MiniMax aconseja romper
rápido
sobre metadatos, detalles vocales y arreglos, pero si eres demasiado vago para escribir a mano, puedes ejecutar la solicitud a través de una habilidad especial
reescritor-de-títulos-musicales
.
🟡
mecanica
Debajo del capó hay una arquitectura jerárquica autorregresiva de dos niveles. Global LLM es responsable de cómo se organiza toda la pista, Local LLM es responsable de cómo suena en un momento dado.
🟢
Máster en Derecho Global
: Qwen3-8B, cuyas incrustaciones y capas de salida se sintonizaron con tokens de música semántica en la etapa de entrenamiento. Mantiene la estructura de seguimiento y predice cuadro por cuadro el primer libro de códigos RVQ - semántico, con 16.384 entradas.
🟢
Máster en Derecho local (0,6 mil millones)
: dentro de cada cuadro, completa los 7 libros de códigos acústicos restantes y devuelve finos detalles acústicos.
Normalmente, el audio se decodifica directamente a partir de tokens RVQ discretos. Aquí, el módulo de síntesis fusiona los estados ocultos finales de ambos LLM: son continuos y queda más información sobre la articulación vocal, la textura del instrumento y la continuidad del tiempo.
Luego, el flujo sigue la cadena: fusionando estados ocultos → Coincidencia de flujo a 2.4B → Latencia Flow-VAE → Decodificador Flow-VAE a 123M → 32 kHz estéreo. No se necesita en absoluto un decodificador tokenizador discreto por inferencia.
Flow-VAE se toma de MiniMax Speech y se vuelve a entrenar para el rango dinámico y el espectro de la música.
🟡
Disponibilidad
El modelo se ejecuta en
SGLang
,
Difusores faciales abrazados
y
Cómoda interfaz de usuario
.
ella es exactamente
encaja en
en 24 GB de VRAM, con la descarga automática de CPU habilitada, consumirá unos 22 GB.
Y si habilita la transmisión capa por capa para el modelo de idioma, entonces es muy posible ejecutarlo incluso en tarjetas con 8 GB de memoria de video, pero tendrá que esperar mucho más para obtener el resultado.
🟡
Limitaciones
🟠
Actualmente, la generación de streaming no es compatible en absoluto; el modelo sólo devuelve la pieza terminada.
🟠
El mensaje de entrada está limitado a una longitud de 5000 tokens.
🟠
La salida de audio alcanza un techo de 9.000 fotogramas acústicos.
📌
Licencia:
Licencia comunitaria MiniMax-Music3
🟡
página del proyecto
🟡
Pesos
🟡
Demostración
🖥
GitHub
@ai_machinelearning_big_data