MiniMax представи модел за създаване на петминутни песни
MiniMax представи MiniMax-Music3 — текстов модел за музика с отворени тегла, който генерира цялостни песни с продължителност до пет минути в една генерация. Той приема текст с обозначения за секции като [Verse] и [Chorus], както и структурирано описание на общите характеристики, вокалите и аранжимента. Резултатът е стерео WAV файл с качество 32 kHz и 16-битова дълбочина.
Архитектурата включва 8B Global LLM и 0.6B Local LLM, комбинирани с непрекъснат синтез чрез модул за flow matching с размер 2.4B и Flow-VAE с размер 123M. Токенизаторът използва осем слоя за остатъчна векторна квантизация. При извеждане системата използва слетите скрити състояния на двата езикови модела и не зарежда декодера на дискретния токенизатор.
На 13 август 2026 г. MiniMax публикува теглата, кода за инференс и три начина за обслужване. SGLang-Omni използва два CUDA графични процесора, а pipeline-ът за diffusers работи с под 24 GB VRAM и до 8 GB при групово разтоварване. ComfyUI също има готов шаблон. Търговската употреба е разрешена при видимо изписване на „MiniMax-Music3“; продукти с общи годишни приходи над US$20 милиона изискват предварително писмено разрешение.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.