MiniMax выпустила модель для создания пятиминутных песен
MiniMax выпустила MiniMax-Music3 — текстовую модель для генерации музыки с открытыми весами. Она создает цельную композицию длительностью до пяти минут за один запуск. На вход подаются текст песни с тегами разделов, включая [Verse] и [Chorus], а также структурированное описание общей информации, вокала и аранжировки. Результат сохраняется как стереофайл WAV с параметрами 32 кГц и 16 бит.
В архитектуру входят 8B Global LLM и 0.6B Local LLM, а также непрерывный синтез на основе модуля flow matching размером 2.4B и Flow-VAE размером 123M. Токенизатор обучен с восемью слоями остаточной векторной квантизации. При генерации используются объединенные скрытые состояния двух языковых моделей, поэтому декодер дискретного токенизатора не загружается.
13 августа 2026 года MiniMax опубликовала веса, код инференса и три варианта развертывания. SGLang-Omni требует два CUDA-графических процессора; pipeline для diffusers работает менее чем с 24 ГБ видеопамяти, а при групповом выгружании — с 8 ГБ. В ComfyUI доступен нативный шаблон. Коммерческое использование разрешено при заметном указании «MiniMax-Music3», однако продуктам с совокупной годовой выручкой свыше US$20 миллионов нужно предварительное письменное разрешение.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.