近日，人工智能领域迎来一项创新成果——MiniMax正式发布其最新研发的音乐生成模型MiniMax-Music3。该模型凭借独特的技术架构，能够根据用户提供的歌词和音乐描述，生成时长最长可达5分钟的完整歌曲，为音乐创作领域带来全新可能。
MiniMax-Music3采用分层自回归架构，由Global LLM（全局语言模型）和Local LLM（局部语言模型）协同工作。其中，Global LLM参数规模达8B，基于Qwen3-8B模型初始化，通过逐帧预测第一个RVQ码本，承担起建模歌曲长程语义与结构变化的重任。在训练过程中，该模型首先适配音乐语义词元的嵌入层和输出层，随后与Local LLM联合建模全部RVQ码本，确保对音乐整体框架的精准把握。
Local LLM则专注于细节处理，其参数规模为0.6B，负责预测每一帧中除第一个码本外的其余声学码本，从而恢复歌曲的细粒度声学信息。这种分工明确的架构设计，使得模型既能把握音乐的整体风格与结构，又能精准呈现每个音符的细节特征。
在输出能力方面，MiniMax-Music3表现卓越。该模型生成的单首歌曲最长可达5分钟，输出格式为32kHz、16-bit立体声WAV文件，能够满足专业音乐制作对音质和时长的要求。无论是流行、摇滚还是古典等不同风格的音乐，该模型都能通过精准的参数控制实现高质量生成。
官方测试数据显示，MiniMax-Music3在长音频生成过程中展现出强大的稳定性。该模型能够始终保持音乐主题的一致性，精准控制节奏变化，并确保歌声身份特征和编曲推进的连贯性。其生成的音乐作品完整覆盖前奏、主歌、预副歌、副歌、桥段、器乐间奏和尾奏等标准音乐结构，为音乐创作者提供了从灵感构思到完整作品的一站式解决方案。
