MiniMax випустила модель для створення п’ятихвилинних пісень
MiniMax випустила MiniMax-Music3 — текстову модель для генерації музики з відкритими вагами. Вона створює завершену композицію тривалістю до п’яти хвилин за один запуск. Модель отримує текст пісні з тегами секцій, зокрема [Verse] і [Chorus], а також структурований опис загальних параметрів, вокалу й аранжування. Результат — стереофайл WAV із частотою 32 кГц і розрядністю 16 біт.
Архітектура поєднує 8B Global LLM і 0.6B Local LLM із безперервним синтезом на базі модуля flow matching на 2.4B та Flow-VAE на 123M. Токенізатор використовує вісім шарів залишкового векторного квантування. Під час генерації система працює зі злитими прихованими станами обох мовних моделей і не завантажує декодер дискретного токенізатора.
13 серпня 2026 року MiniMax опублікувала ваги моделі, код для інференсу та три способи розгортання. SGLang-Omni потребує двох CUDA-графічних процесорів, а pipeline для diffusers працює менш ніж із 24 ГБ відеопам’яті й до 8 ГБ із груповим вивантаженням. У ComfyUI є нативний шаблон. Комерційне використання дозволене за умови помітного зазначення «MiniMax-Music3», але продукти із сукупним річним доходом понад US$20 мільйонів потребують попереднього письмового дозволу.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.