ComfyUI 中的 MiniMax Music 3：AI 音乐生成

​

主要特性

• 完整歌曲：生成最长 5 分钟的完整曲目，包含前奏、主歌、预副歌、副歌、桥段、器乐间奏和尾奏
• 双输入控制：结构化的 Caption 定义音乐风格、情绪、人声和编曲，而带章节标签（[Intro]、[Verse]、[Chorus]、[Bridge]、[Instrumental]、[Outro]）的 Lyrics 控制歌曲结构
• 长程一致性：在长序列中保持音乐主题、节奏、人声特征和编曲推进
• 富有表现力的人声：自然的人声合成，可控制旋律、发音和分层和声
• 开放权重：在 ComfyUI 中本地运行，可完全控制每个参数

​

入门

1. 将 ComfyUI 更新到最新版本
2. 前往 模板库 > 音频 > 选择 MiniMax Music 3 工作流
3. 按照弹窗提示下载模型并运行工作流

​

MiniMax Music 3 文生音乐工作流

• Caption（描述）：音乐描述。建议按三个部分编写：Global Metadata（全局元数据）（流派、BPM、调性、音阶、情绪推进、聆听场景、制作风格）、Vocal Details（人声细节）（人声性别、音色、演唱风格、和声、人声效果）、Arrangement（编曲）（主要和次要乐器、律动、低音、打击乐、织体、空间效果）。描述越具体，结果越接近预期
• Lyrics（歌词）：要演唱的歌词，可使用 [Intro]、[Verse]、[Chorus]、[Bridge]、[Instrumental]、[Outro] 等段落标签。标签是结构指令；歌词文本本身传达情绪
• max_duration：目标歌曲时长（秒）（模板默认 60 秒；模型最多支持约 300 秒 / 5 分钟）。歌曲越长，耗时和显存占用越多
• seed：生成用的随机种子。固定种子可复现同一首歌曲；更改种子可获得不同结果
• tiled_decode：以重叠分块方式解码音频 VAE，大幅降低显存占用，适合在低显存 GPU 上生成长歌曲。速度略慢，分块边界处有小概率出现接缝；高显存 GPU 上建议关闭以获得最佳质量

​

模型下载

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   ├── minimax_music3_dit_fp16.safetensors
│   │   └── minimax_music3_dit_int8_convrot.safetensors
│   ├── 📂 text_encoders/
│   │   └── minimax_music3_text_encoder_pruned_int8_convrot.safetensors
│   └── 📂 vae/
│       └── minimax_music3_dav.safetensors

​

提示词技巧

1. 按三个部分编写描述：Global Metadata、Vocal Details、Arrangement。模型不仅遵循整体风格，还会跟随歌曲随时间推进的音乐发展
2. 在歌词中使用段落标签：[Intro]、[Verse]、[Pre-Chorus]、[Chorus]、[Post-Chorus]、[Bridge]、[Instrumental]、[Solo]、[Outro] 为模型提供明确的结构控制
3. 标签是唯一的结构指令：标签是可执行的；歌词文本本身只传达情绪，不传达结构
4. 平衡时长与资源：歌曲越长，耗时和显存占用越多。在低显存 GPU 上生成长歌曲时，可使用 INT8 扩散模型并开启分块解码

​

提示词编写指南

npx skills add MiniMax-AI/MiniMax-Music3 --skill music-caption-rewriter

​

输出