MiniMax Music 3

MiniMax Music 3 は、歌詞と音楽の記述から、表現力豊かなボーカルと長尺の構造を備えた最大5分間の完全な楽曲を生成する音楽生成モデルです。

モデルは、自己回帰ステージと拡散ステージのハイブリッド構成です。8BのQwen3ベースのグローバル言語モデルがフレームごとに1つのセマンティックオーディオトークンを予測し、小型の深度デコーダーが7つの残差RVQコードブックを補完します。これら融合された隠れ状態が条件となり、2.4Bのフローマッチングトランスフォーマーが、重複するチャンク単位でFlow-VAEの潜在変数を生成します。DACスタイルのデコーダーが、これらの潜在変数を44.1 kHzのステレオオーディオに変換します。

使用方法

MiniMax Music 3 は、モジュール化されたパイプラインとして利用できます。

import soundfile as sf
import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

lyrics = """[verse]
Morning light filtering through the pine
Every quiet street is yours and mine
[chorus]
Softly the world begins to breathe"""

prompt = (
    "Genre: acoustic pop. BPM: 96. Key: C major. Warm and intimate, building gently into the chorus. "
    "Vocals: soft female lead, close and breathy, light stacked harmonies in the chorus. "
    "Arrangement: fingerpicked guitar and soft piano; brushed drums and upright bass enter in the chorus."
)

audio = pipe(
    prompt=prompt,
    lyrics=lyrics,
    audio_duration=60.0,
    generator=torch.Generator("cuda").manual_seed(7),
    output="audios",
)[0]

sf.write("minimax_music3.wav", audio.T, pipe.sampling_rate)

メモリ使用量の削減

メモリ使用量の削減に関する詳細については、メモリ使用量の削減ガイドを参照してください。

完全なパイプラインには、bfloat16 で約 23 GB の VRAM が必要です。自動 CPU オフロードを使用すると、生成は約 22 GB の空き VRAM で実行でき、さらに言語モデルのグループオフロードを使用すれば 8 GB に収まります。

import torch
from diffusers import ComponentsManager, ModularPipeline
from diffusers.hooks.group_offloading import apply_group_offloading

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")  # or "mps", "xpu", "cpu"
pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)

# Only needed below ~22 GB of free VRAM — slower, but fits in 8 GB.
apply_group_offloading(
    pipe.language_model, onload_device=torch.device("cuda"), offload_type="leaf_level", use_stream=True
)

ヒント

[intro]、[verse]、[pre-chorus]、[chorus]、[bridge]、[instrumental]、[solo]、[outro] などの構造タグは、lyrics 内でそれぞれ独立した行に配置する必要があります。先頭のタグと同じ行にあるテキストは、モデルの入力仕様により破棄されます。
音楽の説明はボーカルを制御します。ボーカルの性別や音色を明示的に記述してください（例: “warm female vocal”）。そうしないと、モデルがインストゥルメンタルに逸脱する可能性があります。より細かな制御を行うには、説明をグローバルなメタデータ（ジャンル、BPM、キー、感情の進行）、ボーカルの詳細、アレンジメントの3つの部分に構造化してください。
audio_duration は上限値です。言語モデルは停止トークンにより、より早く曲を終了する場合があります。自己回帰ステージは、1秒の音声あたり25フレームを生成し、実行時間の大部分を占めます。
フローマッチング段階のclassifier-free guidance scaleはguiderの設定です（参照推定値は1.7）：pipe.update_components(guider=ClassifierFreeGuidance(guidance_scale=...))で置き換えてください。
パイプラインは、ボコーダーのネイティブである 44.1 kHz ステレオ出力を返します。参照サーバーでは、さらに 32 kHz にリサンプリングされます。この特定のレートが必要な場合は、ご自身でリサンプリングを適用してください。

MiniMaxMusic3ModularPipeline

class diffusers.MiniMaxMusic3ModularPipeline

< source >

( blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = Nonepretrained_model_name_or_path: str | os.PathLike | None = Nonecomponents_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = Nonecollection: str | None = Noneworkflow: str | None = Nonemodular_config_dict: dict[str, typing.Any] | None = Noneconfig_dict: dict[str, typing.Any] | None = None**kwargs )

MiniMax Music 3 による歌詞およびキャプション条件付き音楽生成のための ModularPipeline。

MiniMaxMusic3Blocks

class diffusers.MiniMaxMusic3Blocks

< source >

( )

MiniMax Music 3 を用いた、歌詞およびキャプション条件付きの音楽生成のためのモジュラーなパイプラインです。自己回帰型 Qwen3 言語モデルが、歌詞と音楽の説明からフレームごとのセマンティックコードと隠れ状態を生成します。次に、フローマッチング型トランスフォーマーが、隠れ状態をチャンクごとに Flow-VAE の潜在変数に変換します。最後に、DAC 方式のボコーダーがそれらを 44.1 kHz のステレオ波形にデコードします。

コンポーネント: tokenizer (Qwen2Tokenizer) language_model (Qwen3ForCausalLM) rvq_depth_decoder (MiniMaxMusic3RVQDepthDecoder) condition_encoder (MiniMaxMusic3ConditionEncoder) transformer (MiniMaxMusic3Transformer1DModel) scheduler (FlowMatchEulerDiscreteScheduler) guider (ClassifierFreeGuidance) vocoder (MiniMaxMusic3Vocoder)

入力: prompt (str): 音楽の記述（ジャンル、ムード、ボーカル、楽器編成、アレンジ）。 lyrics (str): 歌う歌詞。構造タグ（[verse] や [chorus] など）は、それぞれ独立した行に配置する必要があります。先頭のタグと同じ行にあるテキストは、チェックポイントの入力規約により破棄されます。 audio_duration (float, 任意, デフォルト値 60.0): 生成される音声の長さの上限（秒）。言語モデルはこれより早く停止する場合があります。上限は 9000 フレーム（6 分）です。 generator (Generator, 任意): 決定論的な生成のための Torch ジェネレーター。 num_inference_steps (int, 任意, デフォルト値 30): チャンクごとの flow-matching Euler ステップ数。 output_type (str, 任意, デフォルト値 np): 出力形式: ‘np’ または ‘pt’。

出力: audios (Tensor | ndarray): [-1, 1] の範囲で、形状が (batch, channels, samples) の生成されたステレオ波形。

MiniMaxMusic3ConditionEncoder

class diffusers.MiniMaxMusic3ConditionEncoder

< source >

( condition_hidden_dim: int = 4096num_condition_layers: int = 8out_dim: int = 2048input_sampling_rate: int = 24000input_hop_length: int = 960output_sampling_rate: int = 44100output_hop_length: int = 512 )

自己回帰ステージのフレームごとの隠れ状態を、Flow-VAEの潜在タイムラインに射影します。

各生成フレームには、num_condition_layers 個の、サイズが condition_hidden_dim の隠れ状態（言語モデル由来の 1 個と、残差コードブックステップごとの 1 個）が含まれます。これらは学習された softmax 重みで混合され、射影された後、最近傍補間により言語モデルのフレームレートから潜在フレームレートへリサンプリングされます。

forward

< source >

( hidden_states: Tensor ) → torch.Tensor of shape (batch, latent_length, out_dim)

パラメータ

hidden_states (torch.Tensor、形状 (batch, frames, num_condition_layers * condition_hidden_dim)) — 自己回帰ステージからのフレームごとの隠れ状態を連結したもの。

戻り値

torch.Tensor、形状 (batch, latent_length, out_dim)

潜在変数に整列された条件付けシーケンス。

MiniMaxMusic3RVQDepthDecoder

class diffusers.MiniMaxMusic3RVQDepthDecoder

< source >

( hidden_size: int = 4096num_layers: int = 4num_attention_heads: int = 16intermediate_size: int = 6144audio_vocab_size: int = 1024num_codebooks: int = 8max_position_embeddings: int = 16 )

MiniMax Music 3 のローカル言語モデルです。各オーディオフレーム内で、グローバル言語モデルの隠れ状態とフレームのセマンティックコードから、7 つの残差 RVQ コードブック（c1..c7）を自己回帰的に予測し、フローマッチングトランスフォーマーを条件づける各ステップの隠れ状態を公開します。

また、残差コードブック用の埋め込みテーブルも保持しており、パイプラインはこれを使用して完全なフレームを埋め込み、グローバル言語モデルのフィードバックループに利用します。

forward

< source >

( inputs_embeds: Tensor ) → torch.Tensor of shape (batch, steps, hidden_size)

パラメータ

inputs_embeds (torch.Tensor、shape (batch, steps, hidden_size)) — 射影された深度シーケンス埋め込み: グローバルな隠れ状態に、これまでにサンプリングされた埋め込みコードを続けたもので、それぞれがprojectionを通過しています。

戻り値

torch.Tensor、形状 (batch, steps, hidden_size)

正規化された隠れ状態;最後のステップは次のcodebook headに供給されます。

MiniMaxMusic3Vocoder

class diffusers.MiniMaxMusic3Vocoder

< source >

( latent_channels: int = 128decoder_input_dim: int = 1024decoder_hidden_dim: int = 1536upsampling_ratios: tuple = (8, 8, 4, 2)sampling_rate: int = 44100 )

MiniMax Music 3 の Flow-VAE ウェーブフォームデコーダー（DAC 形式のデコーダー）です。(batch, latent_channels, length) の形状を持つ flow-matched 潜在変数を sampling_rate のステレオウェーブフォームにデコードします。2 つのオーディオチャネルは、それぞれ latent_channels // 2 のストリームとして折り畳まれてデコードされます。

forward

< source >

( latents: Tensor ) → torch.Tensor of shape (batch, 2, samples)

パラメータ

latents (torch.Tensor、形状 (batch, latent_channels, length)) — Flow-matched Flow-VAE の潜在変数です。

戻り値

torch.Tensor、形状 (batch, 2, samples)

[-1, 1] 範囲のステレオ波形。

Update on GitHub

Diffusers

MiniMax Music 3

使用方法

メモリ使用量の削減

ヒント

MiniMaxMusic3ModularPipeline

class diffusers.MiniMaxMusic3ModularPipeline

MiniMaxMusic3Blocks

class diffusers.MiniMaxMusic3Blocks

MiniMaxMusic3ConditionEncoder

class diffusers.MiniMaxMusic3ConditionEncoder

forward

MiniMaxMusic3RVQDepthDecoder

class diffusers.MiniMaxMusic3RVQDepthDecoder

forward

MiniMaxMusic3Vocoder

class diffusers.MiniMaxMusic3Vocoder

forward