8 月 13 日，MiniMax 开源新一代音乐生成模型 Music 3.0。给定一个创意概念与可选的歌词，模型在单次生成中即可完成作曲、编曲、演奏与制作，输出一首最长 5 分钟的完整歌曲。官方强调三大升级：更准确地理解创作意图、更完整多变的编曲、更干净自然的听感——将音乐生成从「产出可听的声音」推进到「实现完整连贯的创作构想」。

三件套的生成架构

Music 3.0 的端到端管线由三部分构成：多级 RVQ 分词器、全局–局部混合大模型（Hybrid-LM）与隐藏状态融合合成栈。

  • 多级 RVQ 分词器：用八层残差向量量化把音乐信息分层表示——第 1 层（16,384 词条的码本）捕捉核心语义与结构，第 2–8 层（每层 1,024 词条）逐层编码声学残差；训练分两阶段，先单独训第 1 层，再八层联合训练。
  • Hybrid-LM：
    • 8B 全局 LLM（基于 Qwen3.5-8B 初始化）逐帧预测语义 token，建模全局上下文；
    • 0.6B 局部 LLM沿深度轴预测帧内声学 token；
    • 训练同样两阶段：先做全局对齐，再做全参数联合训练。
  • 隐藏状态融合与合成栈：推理时融合两个 LLM 的连续隐藏状态（而非离散 token），由 2.4B 的流匹配（flow matching）模块把 LLM 特征映射进 VAE 潜空间，再由 123M 的 Flow-VAE（继承 MiniMax Speech 架构、针对音乐重训）解码成最终音频。

整体管线可概括为：融合的 LLM 特征 → 流匹配 → VAE 隐藏状态 → Flow-VAE 解码器 → 最终音频。

更准确地理解创作意图

结构化描述（Structured Captions）以精细的时间粒度描述音乐——涵盖流派、速度、节拍、调性、用途场景、制作质感、情感走向、乐器进出、律动发展、人声唱法变化等维度。配套的模板式提示增强系统让非专业用户也能借助精选的音乐术语，获得精确的控制力。

更完整多变的编曲

  • 歌词中的分节标签（如 [intro]、[verse]、[chorus]、[bridge]）定义歌曲的宏观结构；
  • 结构化描述可进一步指定每个分节的情绪、配器与人声变化；
  • 全局与局部模型协作，在保证 5 分钟长歌整体稳定的同时，保留分节层面的起伏与差异。

更干净自然的听感

  • 混音更开阔、清晰、均衡，较旧版更少「拥挤感」；
  • 连续特征比离散 token 保留更丰富的声学信息；
  • 人声咬字更准、乐器更连贯，颤音/滑音（glissando、legato）、低频清晰度与密集编曲中的声源分离均有改善；
  • 结构化描述可刻画人声音色、唱法、气声、假声、和声布局与效果，减少高频数字伪影，并把人声呼吸融入表演，使其对情绪与节奏变化做出连贯响应。

获取方式

模型权重以开源方式发布。MiniMax 全家族还包括大语言模型 M3、M2.7、M2.5，视频模型 H3 与语音模型 Speech 2.8。

核心总结

  • 单次生成完成「作曲—编曲—演奏—制作」，最长 5 分钟完整歌曲；
  • 八层 RVQ 分词 + 「8B 全局 / 0.6B 局部」Hybrid-LM，两阶段训练；
  • 推理时融合连续隐藏状态，经 2.4B 流匹配与 123M Flow-VAE 合成音频；
  • 结构化描述实现精细意图控制，分节标签驱动宏观编曲，听感更自然均衡。

原文：MiniMax Music 3.0: Next-Generation Open-Weights, Production-Ready & Versatile Music Model（MiniMax Research，2026-08-13）