想给短视频配首原创 BGM，闭源平台开始限制下载次数，开源竞品又只能吐几十秒片段？MiniMax Music 3 就是冲这个来的。约 11B 参数的开源权重，一次生成最长 5 分钟的完整歌曲，歌词、编曲、演唱全包，本地显卡就能跑，还没有生成次数上限。它到底能不能打，上手试一遍才知道。
产品概述
MiniMax Music 3 是稀宇科技推出的开源音乐生成模型，2026 年 7 月 16 日先通过 API 上线，8 月 13 日放出完整权重。它把 AI 音乐生成从”几秒片段”直接拉到”5 分钟完整成品歌”，输入歌词和音乐描述，一次就能出作曲、编曲、演唱、混音全包的一首歌。
官方把它定位成”生产级”模型，而不是又一个技术 demo。全模型约 11.1B 参数，拆成 8B 全局模型、0.6B 局部模型、2.4B 流匹配模块和 123M 声码器四部分。权重同时上架 HuggingFace、GitHub、ModelScope，ComfyUI 当天就跟进支持。
最关键的差异在开源：闭源平台 Suno、Udio 开始收紧下载和商用条款，而它的社区许可证允许显示模型名即可商用，年营收超 2000 万美元才需要书面授权。对想掌握音乐生产主权的创作者和开发者来说，这是一条绕开平台抽成的路。
官网：https://www.minimaxi.com | 项目地址：https://github.com/MiniMax-AI/MiniMax-Music3
核心功能
聊完定位，直接看它到底硬在哪儿。这模型最狠的一点，是把”长歌后半段崩坏”这个行业老问题给治了。
完整 5 分钟长歌。 原生覆盖前奏、主歌、预副歌、副歌、桥段、器乐间奏、尾奏完整结构，主题、节奏、人声身份、编曲推进在长序列里保持一致。开源竞品 Stable Audio Open 只能出约 47 秒短元素，这一下把差距拉到了数量级。
双输入控制。 歌词决定”唱什么、段落怎么分”，支持 [Verse]、[Chorus]、[Bridge]、[Hook]、[Intro]、[Outro] 结构标签；音乐描述决定”怎么唱、什么风格”，分全局元数据、人声细节、编曲三部分，能精确到音色、气声、假声、和声、延迟和 Auto-Tune 效果。
表达力人声。 人声表演可控到音色、和声与效果器层面，隐藏状态合成路径保证长段落里发音清晰连贯。第三方实测里，歌词、咬字、可用质量都被认为是开源模型里的第一梯队。
本地可跑、无次数上限。 全精度约需 24GB 显存，开启分层 offload 后 8GB 显卡也能跑，只是慢一些。一张游戏显卡就能通宵批量出歌，对比 Suno 自 9 月 3 日起限制 Pro 用户每月 20 首下载，本地模型没有任何天花板。
纯音乐与自动写词。 is_instrumental 标记一键跳过人声，适合背景配乐；没有歌词时开启歌词优化器，模型能从一句概念直接写词成歌。
这套能力的底层，是”双语言模型连续合成”的分层架构。音频先经八层残差向量量化器压缩，第一层承载语义结构、用 16384 词条大码本，下方七层声学层各用 1024 词条；生成时由 8B 全局模型逐帧预测第一码本、负责整首歌的长程推进，0.6B 局部模型负责帧内七层声学细节。两者分工，让 5 分钟歌曲每帧只需一次 8B 前向计算，兼顾连贯与算力。
上手体验
聊完功能，最想知道的肯定是实际用起来什么感觉。它给了三条路径，门槛从零到高都有。
路径一：托管 API，一句话出歌。 注册开放平台拿到 key，调用音乐生成接口，提供歌词和一句描述，约 0.15 美元生成一首最长 5 分钟的完整歌曲，返回 MP3 链接。
路径二：ComfyUI，免费无上限。 更新 ComfyUI 到 0.33.0，导入官方工作流模板，把权重放到模型目录，填歌词和描述就能跑。这是目前最省心的本地方案，全精度要 24GB 显存，开 offload 后 8GB 也能跑。
路径三：diffusers 或 SGLang-Omni 编程接入。 适合开发者，SGLang-Omni 支持把语言模型生成和波形解码拆到多张 GPU 上，适合做服务化部署。
第一印象是：门槛比想象中低，但也没低到”装完就能玩”。最大的拦路虎是 CUDA 依赖，Mac 用户和没有 NVIDIA 显卡的人基本被挡在本地部署门外，只能走 API 或在线 demo。
使用技巧
摸清门道后，有几招能让出歌质量明显上一个台阶。很多人不知道，这套模型真正的控制力藏在下面几个细节里。
-
先定方向再写歌词。 用官方 demo 页的多风格样例先确认听感，再动手，能少返工。 -
结构标签是你的最大杠杆。 写歌词时按 [Verse]、[Chorus]、[Bridge] 分段，模型才会按你想要的段落推进情绪，而不是自由发挥。 -
Caption 三段都要填。 全局元数据、人声细节、编曲分别指定 BPM、调式、音色、乐器进出点，控制力会比只写一句”流行歌”强得多。 -
配乐直接开纯音乐。 只做 BGM 时把 is_instrumental设为 true，跳过人声，出片更快更干净。 -
分轨靠外部工具。 官方不输出分轨，需要单独调鼓、贝斯、主唱时，用专业分轨软件或 DAW 二次处理。
竞品对比
把它放进 2026 年的 AI 音乐市场，位置其实很清晰：开源阵营里它独占”完整长曲”，闭源阵营里它拼不过成品精致度，但赢在主权。
| 产品 | 开放程度 | 单次最长 | 核心特点 | 价格（截至 2026 年 8 月） |
|---|---|---|---|---|
| MiniMax Music 3 | 开源权重 | 5 分钟 | 完整长曲、结构可控、本地可跑 | 本地免费，API 约 $0.15/首 |
| Suno V5 | 闭源托管 | 8 分钟 | 成品质量高、生态成熟 | Pro $10/月，9 月起下载限 20 首/月 |
| Udio | 闭源托管 | 15 分钟 | 人声情感最深、分段编辑 | Pro $10/月 |
| Stable Audio Open | 开源权重 | 约 47 秒 | 短元素、音效 | 免费，非商用研究许可 |
| 天工 SkyMusic | 闭源托管 | 数分钟 | 中文人声最强 | 约 ¥30/月 |
这张定位图的逻辑是：闭源平台擅长精致但开始设限，开源竞品停在短片段，MiniMax Music 3 是第一个把”开源、5 分钟长曲、可商用”三者同时给到的模型。它不做 Suno 杀手，而是补上”本地音乐生产主权”这块空白。真要挑刺，中文歌词表现缺公开盲测数据，是它相对天工最没底气的一环。
用户反馈
社区的声音两极分明，但正面的都集中在同一个点上：开源且能用。
正面评价里，36 氪的普通用户连用半个月后说，旋律流畅温柔、没有机械感，乐器搭配不突兀，新手不用研究复杂参数。海外创作者实测后称它是”测过最好的开源音乐模型”，歌词、咬字、可用质量都强，甚至能跑在 8GB 显卡上。
负面反馈更具体：提细致要求时领会不到位，想让鼓点轻一点，反复生成还是偏重；长一点的音乐中间会出现旋律衔接不自然的突兀；还有人指出它不输出分轨，需要单独调音轨时得再配工具。最普遍的不满，是中文歌词表现和生成速度都缺公开数据，难以做采购决策。
多维评分
评分基于官方文档、第三方实测和社区反馈，未做独立盲测的部分已在解读里标注。
| 维度 | 星级 | 权重 | 解读 |
|---|---|---|---|
| 功能完整性 | ★★★★☆ | 20% | 长曲、结构控制、纯音乐、自动写词齐全，缺分轨导出 |
| 易用性 | ★★★★☆ | 15% | ComfyUI 门槛低，但本地部署强依赖 CUDA，Mac 被挡门外 |
| 性能表现 | ★★★☆☆ | 15% | 长歌连贯是亮点，生成速度缺公开基准，8GB offload 偏慢 |
| AI 能力 | ★★★★☆ | 15% | Hybrid-LM 双模型分工是实打实的架构创新，人声表达力强 |
| 价格合理性 | ★★★★★ | 10% | 权重免费，API $0.15/首，商用门槛低 |
| 生态集成 | ★★★★☆ | 10% | ComfyUI、diffusers、SGLang-Omni 三框架当日或快速支持 |
| 文档与支持 | ★★★☆☆ | 10% | README 和模型卡完整，中文歌词表现缺数据 |
| 更新频率 | ★★★★☆ | 5% | 7 月 API 上线、8 月开源，迭代节奏快 |
加权总分约 4.15 / 5。扣分主要在性能表现和文档支持两处，都是”缺数据”而不是”做错了”，随着独立评测补上，分数还有上浮空间。
优缺点
优点
-
开源权重 + 完整 5 分钟长曲 + 可商用，三者第一次同时到位 -
Hybrid-LM 分层架构治住了长歌后半段崩坏的行业痛点 -
双输入控制精细，歌词结构标签和 Caption 三分部都是真能落地的控制手段 -
本地部署无生成次数上限，一张显卡就能批量出歌
缺点
-
不输出分轨，需要单独调音轨时要外接专业工具 -
本地部署强依赖 NVIDIA CUDA，Mac 和 AMD 用户基本被挡门外 -
中文歌词表现、生成速度都缺公开盲测数据 -
细致指令领会不到位，长曲中段偶有旋律衔接不自然
适用人群
不是所有人都该上本地部署，先对号入座再决定。
短视频与播客创作者。 需要批量产出有版权自主权的背景音乐和片头，本地闭环不依赖平台曲库，是最直接的受益者。
独立音乐人与制作人。 用它做 demo 打样、风格探索，一句描述快速试出多版本编曲，比硬着头皮写省时间。
游戏与开发团队。 为小游戏、独立项目本地生成主题曲和环境音乐，无订阅成本，数据还能留在自有环境。
AI 应用开发者。 开源权重可微调、可嵌入，SGLang-Omni、diffusers、ComfyUI 多框架接入，适合做音乐产品的技术基座。
只想尝鲜的普通用户。 没有 NVIDIA 显卡就别折腾本地部署了，走在线 demo 或 API 更快，省下的时间比省下的钱值钱。
定价方案
价格这块，它走的是”本地免费、API 按量”的双轨，比纯订阅制灵活。
| 方案 | 费用 | 限制 | 适合 |
|---|---|---|---|
| 开源权重 | 免费 | 需自备 CUDA 显卡，商用年营收超 $2000 万需书面授权 | 本地批量、深度定制 |
| 托管 API | $0.15/首（≤5 分钟） | 付费 120 RPM、20 并发，免费档 3 RPM | 快速出片、服务化集成 |
| 在线 Demo | 免费 | 免费额度有限 | 尝鲜、试听 |
截至 2026 年 8 月，这个定价放在同类里相当能打：API 单首成本只有 Suno Pro 订阅摊薄后的零头，开源更是直接把边际成本压到电费。唯一要留意的，是商用前得看清社区许可证里对年营收和防滥用的具体条款。
常见问题
把最容易被问到的十个问题一次讲清，省得你去翻文档。
Q1：MiniMax Music 3 能免费商用吗？
A1：可以，但有条件。 显示 MiniMax-Music3 模型名即可商用，相关产品年营收超 2000 万美元时才需书面授权，对外提供服务还需建立合理的防滥用和防侵权措施。
Q2：只有 8GB 显存能本地跑吗？
A2：能，但慢。 官方 diffusers 示例提供低内存方案，把语言模型逐层搬进 GPU，可把显存需求降到 8GB，只是速度比满血部署慢，适合测试而非高流量服务。
Q3：Mac 能本地运行吗？
A3：目前不能。 官方把 CUDA 列为必要条件，主要支持 NVIDIA GPU，没有提供 Apple Silicon 的正式部署方式，Mac 用户只能走 API 或在线 demo。
Q4：能生成纯音乐吗？
A4：能。 歌词留空，或把 is_instrumental 设为 true，就能生成无人声的纯音乐版本，适合背景配乐和音效。
Q5：它和 Suno、Udio 比，谁音质更好？
A5：没有权威盲测结论。 第三方实测普遍认为 Suno V5 在清晰度、乐器质感和风格控制上仍领先，Music 3 是开源模型里的第一梯队，谁更好要看你更看重主权还是成品精致度。
Q6：生成一首歌要多久？
A6：缺公开基准数据。 官方未给出统一的生成耗时，本地速度取决于显卡和 offload 策略，8GB 模式明显更慢，采购前建议用自己的硬件实测。
Q7：支持中文歌词吗？
A7：支持，但表现缺数据。 官方 demo 覆盖多语言，中文歌词的具体咬字和声调表现尚未有公开盲测，建议用中文歌词试生成后再下结论。
Q8：能导出分轨吗？
A8：不能。 官方输出是合成人声与伴奏混合后的整轨，模型卡未把逐轨分离列为核心输出，需要单独调音轨时得外接分轨工具或 DAW。
Q9：API 和开源权重版本有什么区别？
A9：同模型不同交付。 API 是托管服务，返回 MP3、按首计费；开源权重是完整 checkpoint，本地跑、输出 WAV、免费无上限，两者底层是同一套模型。
Q10：怎么开始用最快？
A10：先试在线 demo，再决定部署。 官方 demo 页可直接试听多风格样例，确认听感后，有显卡走 ComfyUI，没有就走 API，别一上来就折腾本地部署。
结论
MiniMax Music 3 的价值不在”音质吊打谁”，而在它把”本地出完整歌曲”从不可能变成了标配。当闭源平台开始限制下载、开源竞品停在几十秒时，它用约 11B 参数一次性给全了开源、长曲、可控、可商用四件事。
对创作者，这是把音乐生产主权拿回手里的起点；对开发者，这是可微调、可嵌入、可闭环的音乐基座。它的短板同样明确：无分轨、依赖 CUDA、中文表现缺数据。
建议从官方 demo 试听开始，再拿一首带结构标签的短歌本地跑一遍。你会第一次发现，”生成一首歌”和”写完一首歌”之间，只剩你的歌词和描述。