MiniMax发布音乐生成大模型Music3：支持5分钟完整歌曲生成，采用分层自回归架构

SmartHey8月14日消息，MiniMax于8月14日正式发布全新音乐生成模型MiniMax-Music3，支持根据用户输入的歌词与音乐描述，端到端生成最长5分钟的高质量完整歌曲。

该模型创新性地采用分层自回归架构，兼顾宏观结构控制与微观声学细节还原：

Global LLM（全局语言模型）参数量为8B，负责逐帧预测首个RVQ码本，精准建模整首歌曲的长程语义连贯性、段落逻辑与结构演进（如主歌→副歌→桥段等）；其基座基于Qwen3-8B初始化，训练阶段首先适配音乐专属语义词元的嵌入层与输出层，再与Local LLM协同联合建模全部RVQ码本。

Local LLM（局部语言模型）参数量为0.6B，专注于每帧内其余声学RVQ码本的精细化预测，高效重建音高、音色、动态与空间感等细粒度声学特征。

在输出能力上，MiniMax-Music3可生成最高达5分钟的单曲，输出格式为32kHz采样率、16-bit精度的立体声WAV文件，满足专业级音频交付需求。

据官方介绍，模型在长时序生成中显著提升稳定性，能持续保持统一的音乐主题、稳定节奏律动、人声演唱身份一致性以及编曲的自然推进，完整覆盖前奏、主歌、预副歌、副歌、桥段、器乐间奏及尾奏等标准流行音乐结构。