Skip to main content
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 formatos largos. 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 superpuestas
  • 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 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 un caption musical estructurado 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

Descarga el JSON o busca “MiniMax Music 3” en la Biblioteca de plantillas
El flujo de trabajo toma dos entradas de texto y produce una canción terminada. El text encoder genera la secuencia de conditioning acústico a partir del caption y la letra, el modelo de difusión sintetiza el latent 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, contexto de escucha, perfil de producción), Vocal Details (género de la voz, timbre, estilo interpretativo, armonías, efectos vocales) y Arrangement (instrumentos principales y secundarios, groove, bajo, percusión, texturas, efectos espaciales). Cuanto más específico seas, más cerca quedará el resultado
  • Lyrics: La letra que se va a cantar, 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 consumen más tiempo y VRAM
  • seed: Semilla aleatoria de la generación. Mantenla fija para reproducir la misma canción; cámbiala para obtener otra versión
  • tiled_decode: Decodifica el VAE de audio en mosaicos superpuestos para reducir el uso de VRAM, útil en canciones largas con GPU de poca VRAM. Es algo más lento y con un pequeño riesgo de costuras en los bordes de los mosaicos. Desactívalo en GPU con mucha VRAM para obtener la mejor calidad

​
Descarga 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 el caption en tres secciones: Global Metadata, Vocal Details y Arrangement. El modelo no solo sigue 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. Deja las etiquetas como las únicas instrucciones estructurales: las etiquetas son ejecutables; el texto de la letra por sí mismo transmite el estado de ánimo, no la estructura
  4. Equilibra duración y recursos: las canciones más largas consumen más tiempo y VRAM. Usa el modelo de difusión INT8 y la decodificación por mosaicos para canciones largas en GPU de poca VRAM

​
Guía para escribir prompts

La página de demos 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 caption estructurado completo escrito en el formato Global Metadata / Vocal Details / Arrangement. Úsalas como referencia para escribir tus propios captions. MiniMax también publica una skill oficial de reescritura de captions musicales que convierte una descripción musical breve y una letra con etiquetas opcional en un caption estructurado detallado de Music 3.0. La skill construye un arreglo coherente sección por sección, con metadatos globales, detalles vocales y descripciones del arreglo, y respeta las restricciones musicales explícitas mientras mantiene el texto de la letra en la entrada de lyrics. Instálala con:

​
Salida

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