音乐生成

MiniMax 十月十三日开放 Music 3 权重，这是一个音乐生成模型，能从歌词与文字描述产出最长五分钟的完整歌曲。它不是单一大模型端到端吐波形，而是由一个八B 与一个零点六B 的语言模型配对，再加一套流匹配（Flow Matching）声谱合成系统组成。 为什么音乐要拆成两个语言模型？ 长歌曲要同时管全局结构与局部细节。一个八B 级模型负责词曲级的宏观规划，决定主歌副歌的情绪走向、配器与段落切换；一个零点六B 的小模型负责更细的局部条件，把宏观意图落实到每一小节。两者配对，可以在长程一致性和局部韵律之间分工，比让一个巨型模型独自承担要稳。 流匹配比扩散快在哪？ 音乐波形很长，早期扩散模型要多步去噪，生成五分钟音频代价高昂。流匹配把生成建模成一条从噪声到音频的直线，用更少的函数评估步数就能采样出声谱，再解码成波形。这让完整歌曲的生成时间从分钟级往可交互方向压。 开源音乐模型的边界在哪？ 权重开放后，创作者可以本地微调曲风、商用免版税，但也把「用 AI 批量铺歌」的门槛拉平。五分钟完整歌曲意味着短视频、游戏配乐的供给会爆炸，真正稀缺的不再是「做出一首歌」，而是「哪首值得被听见」。 五分钟完整歌和单段伴奏差在哪？ 单段伴奏没有结构，拼起来会断层。完整歌曲要求模型自己规划前奏、主歌、副歌、桥段与尾奏的情绪曲线，并让歌词与配器随段落推进而变化。双模型配对的价值就在这里：大模型管结构，小模型管细节，最终输出才像一首完整作品而不是一段循环。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 你在部署或复现这个技术细节时踩过什么坑？欢迎到论坛交换实测数据与配置片段。