Saltar al contenido principal
MiniMax Music 3 MiniMax Music 3 es el modelo de generación musical de MiniMax para crear canciones completas de hasta cinco minutos de duración. Condicionado por una letra y una descripción musical detallada, produce canciones estructuralmente coherentes con voces expresivas, arreglos que evolucionan y una calidad de audio estable en piezas largas. Puedes explorar ejemplos generados en la página de demostración oficial. MiniMax Music 3 utiliza una arquitectura autoregresiva jerárquica con un LLM global de 8B para la estructura musical de largo alcance, un LLM local de 0.6B para el detalle acústico a nivel de fotograma y un sistema de síntesis de estados ocultos continuos basado en Flow Matching y un Flow-VAE. Genera audio estéreo de 32 kHz y 16 bits. Los pesos del modelo están disponibles bajo la Licencia Comunitaria de MiniMax-Music3. ComfyUI es compatible de forma nativa con MiniMax Music 3 mediante un flujo de trabajo de ejemplo oficial: MiniMax Music 3 Text to Music.
Asegúrate de que tu ComfyUI esté actualizado.Los flujos de trabajo de esta guía se encuentran en las Plantillas de flujos de trabajo. Si no los encuentras en las plantillas, es posible que tu ComfyUI esté desactualizado.Si faltan nodos al cargar un flujo de trabajo, estas son las posibles razones:
  1. No estás usando la última versión de ComfyUI (versión nocturna)
  2. Algunos nodos fallaron al importarse durante el inicio
La Licencia Comunitaria permite el uso comercial a empresas con ingresos anuales inferiores a 20 millones de USD. Por encima de ese umbral, el uso comercial requiere una licencia comercial de MiniMax, disponible a través de Comfy, el único distribuidor oficial.

Características principales

  • Canciones completas: Genera pistas completas de hasta 5 minutos con intro, verso, preestribillo, estribillo, puente, interludio instrumental y outro
  • Control de dos entradas: Una Caption estructurada define el estilo musical, el estado de ánimo, las voces y el arreglo, mientras que Lyrics, con etiquetas de sección ([Intro], [Verse], [Chorus], [Bridge], [Instrumental], [Outro]), controla la estructura de la canción
  • Coherencia de largo alcance: Mantiene los temas musicales, el ritmo, la identidad vocal y la progresión del arreglo a lo largo de secuencias largas
  • Voces expresivas: Síntesis vocal natural con control sobre la melodía, la pronunciación y las armonías por capas
  • Pesos abiertos: Ejecútalo localmente en ComfyUI con control total sobre cada parámetro

Primeros pasos

MiniMax Music 3 es compatible con ComfyUI con pesos abiertos. Para empezar:
  1. Actualiza ComfyUI a la última versión
  2. Ve a Biblioteca de plantillas > Audio > elige el flujo de trabajo MiniMax Music 3
  3. Sigue las indicaciones de la ventana emergente para descargar los modelos y ejecutar el flujo de trabajo
Los archivos de modelo listos para ComfyUI (modelo de difusión reempaquetado, text encoder y VAE) están alojados en Hugging Face en el repositorio Comfy-Org/MiniMax-Music-3. Los pesos originales del modelo están disponibles en el repositorio MiniMaxAI/MiniMax-Music3.

Flujo de trabajo de texto a música de MiniMax Music 3

Genera una canción completa a partir de una descripción musical estructurada y una letra. Vista previa del flujo de trabajo de texto a música de MiniMax Music 3

Ejecutar en Comfy Cloud

Abrir en Comfy Cloud

Descargar flujo de trabajo

Descargar el JSON o buscar “MiniMax Music 3” en la biblioteca de plantillas
El flujo de trabajo toma dos entradas de texto y produce una canción finalizada. El codificador de texto genera la secuencia de acondicionamiento acústico a partir de la descripción y la letra, el modelo de difusión sintetiza el latente de audio y el VAE de audio lo decodifica en una pista estéreo de 32 kHz guardada como MP3. Controles del flujo de trabajo:
  • Caption: La descripción musical. Escríbela en tres secciones: Global Metadata (género, BPM, tonalidad, escala, progresión emocional, escenario de escucha, perfil de producción), Vocal Details (género vocal, timbre, estilo de interpretación, armonías, efectos vocales) y Arrangement (instrumentos principales y secundarios, groove, bajo, percusión, texturas, efectos espaciales). Cuanto más específica sea, más se acercará el resultado
  • Lyrics: La letra que se cantará, con etiquetas de sección como [Intro], [Verse], [Chorus], [Bridge], [Instrumental] y [Outro]. Las etiquetas son las instrucciones estructurales; el texto de la letra transmite el estado de ánimo
  • max_duration: Duración objetivo de la canción en segundos (la plantilla usa 60 segundos por defecto; el modelo admite hasta unos 300 segundos / 5 minutos). Las canciones más largas tardan más y consumen más VRAM
  • seed: Semilla aleatoria para la generación. Mantenla fija para reproducir la misma canción; cámbiala para obtener una versión diferente
  • tiled_decode: Decodifica el VAE de audio en mosaicos superpuestos para reducir el uso de VRAM, útil para canciones largas en GPU con poca VRAM. Es un poco más lento y tiene un pequeño riesgo de costuras en los límites de los mosaicos. Desactívalo en GPU con mucha VRAM para obtener la mejor calidad

Descargas de modelos

Modelo de difusión (FP16)

minimax_music3_dit_fp16.safetensors → ComfyUI/models/diffusion_models/

Modelo de difusión (INT8)

minimax_music3_dit_int8_convrot.safetensors → ComfyUI/models/diffusion_models/ (para poca VRAM)

Codificador de texto (INT8)

minimax_music3_text_encoder_pruned_int8_convrot.safetensors → ComfyUI/models/text_encoders/

VAE

minimax_music3_dav.safetensors → ComfyUI/models/vae/
Coloca los archivos en los siguientes directorios:

Consejos para escribir prompts

  1. Estructura la descripción en tres secciones: Global Metadata, Vocal Details y Arrangement. El modelo sigue no solo un estilo global, sino también el desarrollo musical de la canción a lo largo del tiempo
  2. Usa etiquetas de sección en la letra: [Intro], [Verse], [Pre-Chorus], [Chorus], [Post-Chorus], [Bridge], [Instrumental], [Solo] y [Outro] le dan al modelo un control estructural explícito
  3. Mantén las etiquetas como las únicas instrucciones estructurales: Las etiquetas son ejecutables; el texto de la letra en sí transmite el estado de ánimo, no la estructura
  4. Equilibra la duración y los recursos: Las canciones más largas tardan más y consumen más VRAM. Usa el modelo de difusión INT8 y la decodificación en mosaicos para canciones largas en GPU con poca VRAM

Guía para escribir prompts

La página de demostración oficial muestra 26 pistas de ejemplo de 11 géneros (pop, rock, R&B, hip-hop, dance pop, country, soul, funk, blues, bossa nova y urbano), cada una con su descripción estructurada completa escrita en el formato Global Metadata / Vocal Details / Arrangement. Úsalas como referencia para escribir tus propias descripciones. MiniMax también publica una habilidad oficial de reescritura de descripciones musicales que convierte una breve descripción musical y una letra etiquetada opcional en una descripción estructurada detallada de Music 3.0. La habilidad construye un arreglo coherente sección por sección con metadatos globales, detalles vocales y descripciones del arreglo, preservando las restricciones musicales explícitas y manteniendo el texto de la letra en la entrada de letra. Instálala con:

Salida

ComfyUI guarda la canción generada en ComfyUI/output/audio/audio_minimax_music3.mp3 (o con el nombre de archivo definido en el nodo SaveAudioAdvanced).