minimax-ai/minimax-music3

MiniMax Music 3 Генерация полноценных песен до 5 минут из текста на 8GB VRAM MiniMax выпустили высокопроизводительную модель для генерации музыки, способную создавать структурно связные песни длительностью до пяти минут по текстовому описанию и лирике. Модель выдаёт стерео-аудио 32 кГц / 16-бит 8B параметров (инициализирован из Qwen3-8B) отвечает за долгосрочную музыкальную структуру Local LLM: 0.6B параметров (покадровые акустические детали) Flow Matching: 2.4B параметров (непрерывный синтез скрытых состояний) Flow-VAE Decoder: 123M параметров (финальное декодирование в волновую форму) Формат вывода: 32 kHz, 16-bit stereo WAV Максимальная длительность: ~5 минут (9 000 акустических кадров при 25 кадрах/сек) Лимит промпта: 5 000 токенов 🔘 Что умеет модель Полные песни с долгосрочной связностью Поддерживает нативно всю структуру композиции: [Intro] , [Verse] , [Pre-Chorus] , [Chorus] , [Post-Chorus] , [Bridge] , [Instrumental] , [Solo] , [Outro] с сохранением темы, ритма, вокальной идентичности и развития аранжировки Тонкий контроль через два входа Lyrics — сам текст песни с секционными тегами Music description — жанр, темп, тональность, эмоциональная прогрессия, тембр вокала, инструментовка Structured Caption для максимального контроля Global Metadata: жанр, поджанр, BPM, тональность, сценарий прослушивания Vocal Details: пол вокалиста, тембр, стиль, гармонии, бэк-вокал Arrangement: основные и второстепенные инструменты, грув, бас, перкуссия, эффекты Работает на 8GB видеокартах благодаря apply_group_offloading (медленнее, но помещается) ⚠️ Ограничения - Требуется CUDA для инференса - Только non-streaming генерация - Секционные теги задают направление, но не гарантируют точное соблюдение темпа/тональности/структуры - Лирика и описание - инструменты влияния, а не жёсткие правила Hugging Face Demo-страница с примерами GitHub ComfyUI туториал SGLang cookbook