MiniMax Music 3 は、最長 5分の完全な楽曲を生成するための MiniMax の音楽生成モデルです。歌詞と詳細な音楽の説明を条件として、表情豊かなボーカル、展開するアレンジ、安定した長時間オーディオ品質を備えた、構造的に一貫性のある楽曲を生成します。公式デモページで生成済みの例を確認できます。
MiniMax Music 3 は、階層的自己回帰アーキテクチャを採用しており、長期的な楽曲構造を担う 8B のグローバル LLM、フレームレベルの音響詳細を担う 0.6B のローカル LLM、そして Flow Matching と Flow-VAE に基づく連続的な隠れ状態合成システムを備えています。32 kHz、16ビットのステレオオーディオを出力します。モデルの重みは、MiniMax-Music3 コミュニティライセンスの下で利用可能です。
ComfyUI は、公式のサンプルワークフロー MiniMax Music 3 Text to Music を使用して、MiniMax Music 3 をネイティブにサポートしています。
主な機能
- 完全な楽曲: イントロ、バース、プリコーラス、コーラス、ブリッジ、間奏、アウトロを含む、最大5分間の完全なトラックを生成
- 2つの入力による制御: 構造化されたキャプションが音楽スタイル、ムード、ボーカル、アレンジを定義し、セクションタグ（
[Intro]、[Verse]、[Chorus]、[Bridge]、[Instrumental]、[Outro]）付きの歌詞が楽曲の構造を制御 - 長期的な一貫性: 長いシーケンスにわたって音楽テーマ、リズム、ボーカルの個性、アレンジの進行を維持
- 表現豊かなボーカル: メロディー、発音、レイヤードハーモニーの制御を備えた自然なボーカル合成
- オープンウェイト: ComfyUIでローカルに実行し、すべてのパラメーターを完全に制御
はじめに
MiniMax Music 3 は、オープンウェイトで ComfyUI にてサポートされています。はじめるには：- ComfyUI を最新バージョンにアップデートします
- テンプレートライブラリ > オーディオ に移動し、MiniMax Music 3 ワークフローを選択します
- ポップアップに従ってモデルをダウンロードし、ワークフローを実行します
MiniMax Music 3 テキストから音楽生成ワークフロー
構造化された音楽キャプションと歌詞から、完成した楽曲を生成します。
ワークフローをダウンロード
JSON をダウンロード、またはテンプレートライブラリで 「MiniMax Music 3」 を検索
- Caption（キャプション）：音楽の説明。Global Metadata（グローバルメタデータ）（ジャンル、BPM、調、音階、感情の流れ、リスニングシナリオ、制作プロファイル）、Vocal Details（ボーカル詳細）（ボーカルの性別、音色、歌唱スタイル、ハーモニー、ボーカルエフェクト）、Arrangement（アレンジ）（主要・副次楽器、グルーヴ、ベース、パーカッション、テクスチャ、空間効果）の 3 つのセクションで記述します。具体的なほど結果が意図に近づきます
- Lyrics（歌詞）：歌う言葉。
[Intro]、[Verse]、[Chorus]、[Bridge]、[Instrumental]、[Outro]などのセクションタグを使用できます。タグが構造の指示であり、歌詞テキスト自体はムードを伝えます - max_duration：目標とする楽曲の長さ（秒）（テンプレートのデフォルトは 60 秒。モデルは約 300 秒 / 5 分まで対応）。曲が長いほど時間と VRAM を消費します
- seed：生成のランダムシード。固定すると同じ曲を再現でき、変更すると別のテイクが得られます
- tiled_decode：オーディオ VAE を重複タイルでデコードし、VRAM 使用量を大幅に削減します。低 VRAM GPU での長い曲に有効です。少し遅くなり、タイル境界に継ぎ目が生じるリスクがわずかにあります。高 VRAM GPU ではオフにして最高品質を得るのがおすすめです
モデルのダウンロード
拡散モデル（FP16）
minimax_music3_dit_fp16.safetensors → ComfyUI/models/diffusion_models/
拡散モデル（INT8）
minimax_music3_dit_int8_convrot.safetensors → ComfyUI/models/diffusion_models/（低 VRAM 向け）
テキストエンコーダー（INT8）
minimax_music3_text_encoder_pruned_int8_convrot.safetensors → ComfyUI/models/text_encoders/
VAE
minimax_music3_dav.safetensors → ComfyUI/models/vae/
プロンプト作成のヒント
- キャプションを 3 つのセクションで構成：Global Metadata、Vocal Details、Arrangement。モデルは全体のスタイルだけでなく、時間とともに展開する楽曲の音楽的発展も追従します
- 歌詞にセクションタグを使用：
[Intro]、[Verse]、[Pre-Chorus]、[Chorus]、[Post-Chorus]、[Bridge]、[Instrumental]、[Solo]、[Outro]でモデルに明確な構造制御を与えます - タグを唯一の構造指示にする：タグは実行可能な指示です。歌詞テキスト自体は構造ではなくムードを伝えます
- 長さとリソースのバランス：曲が長いほど時間と VRAM を消費します。低 VRAM GPU で長い曲を生成する場合は、INT8 拡散モデルとタイルデコードを使用します
プロンプト作成ガイド
公式デモページでは、11 ジャンル（ポップ、ロック、R&B、ヒップホップ、ダンスポップ、カントリー、ソウル、ファンク、ブルース、ボサノバ、アーバン）にわたる 26 曲のサンプルを紹介しており、各曲に Global Metadata / Vocal Details / Arrangement 形式で書かれた完全な構造化キャプションが付いています。独自のキャプションを作成する際の参考にしてください。 MiniMax は公式の音楽キャプションリライタースキルも公開しています。簡潔な音楽説明と任意のタグ付き歌詞を、詳細な Music 3.0 構造化キャプションに変換します。このスキルはグローバルメタデータ、ボーカル詳細、アレンジ説明を含む一貫したセクション構成を構築し、明示的な音楽的制約を保持しつつ、歌詞テキストは歌詞入力に残します。インストール方法：出力
生成済みの曲はComfyUI/output/audio/audio_minimax_music3.mp3 に保存されます（または SaveAudioAdvanced ノードで設定したファイル名）。