AREX Feed Article
MiniMax 放出开源权重音乐模型 Music3，一次生成五分钟完整歌曲
北京时间 8 月 14 日 0 时 09 分（UTC 8 月 13 日 16:09），MiniMax 官方账号 发推发布 MiniMax-Music3，自述定位是「下一代开源权重、生产可用且多功能的音乐模型」（Next-Generation Open-Weights Production-Ready & Versatile Music Model）。推文直接指向 Hugging Face 上的权重仓库 。
按 MiniMax 在 中的说明，这个模型一次生成最长五分钟的完整歌曲，输出 32 kHz、16-bit 立体声 WAV。截至本文核对时，发布推文已有 1,761 个赞、240 次转发、122 条引用推文、1,006 次收藏，浏览约 9.9 万次。
歌词带小节标签，一段结构化描述定下整首歌
模型吃两个输入：歌词和音乐描述。歌词里可以用 [Intro]、[Verse]、[Pre-Chorus]、[Chorus]、[Bridge]、[Instrumental]、[Outro] 等小节标签直接规定歌曲结构；音乐描述建议写成三段式——Global Metadata（流派、BPM、调式、情绪走向、聆听场景）、Vocal Details（声线、演唱风格、和声、人声效果）、Arrangement（乐器、律动、低音、打击乐、空间效果）。
架构是分层自回归：8B 的 Global LLM 负责长程音乐结构，逐帧预测第一个 RVQ 码本，参数由 Qwen3-8B 初始化；0.6B 的 Local LLM 补全同一帧内的其余声学码本。两级 LLM 的隐藏状态融合后，经 2.4B 的 Flow Matching 模块进入 Flow-VAE 隐空间，再由 123M 解码器还原成 32 kHz 立体声。Flow-VAE 从 MiniMax 的语音模型改造而来。训练用八层残差矢量量化（RVQ），语义码本 16,384 个条目，七个声学码本各 1,024 个条目。
据 统计，MiniMax 的 放了 26 首示例，覆盖流行、摇滚、R&B、嘻哈、舞曲、乡村、灵魂乐、放克、蓝调、bossa nova、都市音乐 11 个流派，每首都附完整的三段式 caption 供对照。
Hugging Face day 0，ComfyUI 模板就位
发布 21 分钟后，MiniMax 追加一条：「感谢 Hugging Face 团队 @multimodalart，对开源权重音乐模型的 day 0 支持。」
ComfyUI 侧也已经就位。同一份教程显示，模板库里提供现成的「MiniMax Music 3 Text to Music」工作流，转换好的检查点放在 ：除 fp16 主干外还有 INT8 版本，并支持分块解码（tiled_decode）给低显存显卡省内存。
模板默认生成 60 秒，最长约 300 秒，更长的歌吃更多时间和显存。
仓库还带一个 music-caption-rewriter 技能，把一句简短描述扩写成 Music 3 的结构化 caption，安装命令是 npx skills add MiniMax-AI/MiniMax-Music3 --skill music-caption-rewriter。
Suno 公布限额细则三天后，社区开始搬家
时机正好接在 Suno 收紧政策之后。，Suno 从 9 月 3 日起对用户曲库中的全部歌曲实行下载限额：免费用户终身 7 次，8 美元/月的 Pro 每月 20 次，24 美元/月的 Premier 每月 60 次。
限额源于去年与华纳音乐集团的版权和解；Udio 在与环球的诉讼和解后已完全关闭下载，Suno 上月还被德国法院裁定违反美、德版权法。
X 上的反应把两件事直接连了起来。用 DGX Spark 跑本地 AI 的开发者 写道：「就在 Suno 用新政策惹毛整个行业的第二天？！这简直是个 game changer，我已经玩过了，效果很好（it's GOOD），而且能塞进一台 DGX Spark。正在下载。」洛杉矶的 AI 艺术家、ComfyUI 专业用户 说：「这太重磅了。开源音乐模型！要是它能接近 H3 视频模型的水准，会很炸裂。」
也有保留意见。X 用户 听完官方演示后写道：「根据 MiniMax 提供的 demo，这个新模型听起来不算特别惊艳，但我很想自己试试，也想看看别人会做出什么。开源 AI 音乐正在稳步走向前沿水准。」
从闭源 API 到开源权重，音乐线换了走法
MiniMax 上一代音乐模型走的是闭源 API。据第三方模型目录 ，Music 2.6 今年 4 月 10 日上线，标注为闭源，不支持自托管和微调，按次计费 0.18 美元/首。Music3 一发布就把权重放上 Hugging Face，这条音乐线换了走法。
这也是 MiniMax 最近连续开源动作的延续：7 月 31 日发布视频模型 H3 时，就预告将开放权重；8 月 9 日它在 里写下「YES WE WILL KEEP OPEN UNTIL AGI ARRIVES」，并称版权问题落定后会考虑转 Apache-2.0。Music3 目前的许可据 ComfyUI 文档名为「MiniMax-Music3 Community License」，条款文件随权重一起放在 Hugging Face 仓库。
「生产可用」目前是双卡工作站的事
文档同时列明边界：模型经 SGLang-Omni 推理，需要两块 CUDA GPU，GPU 0 跑 Qwen3 与八码本 RVQ 自回归生成，GPU 1 跑 Flow Matching 与波形解码；目前只支持非流式生成；文本提示上限 5,000 token；音频生成上限 9,000 个声学帧。
文档最后一节还写明：小节标签和音乐描述提供的是生成式控制，不是严格的符号保证，生成结果的 tempo、调性、配器、歌词和歌曲结构都可能与要求不完全一致。这是 MiniMax 自己写进文档的边界，也是评估「Production-Ready」时最该先读的一行。