MiniMax-Music3レビュー｜歌詞から5分のAI楽曲を生成できる音楽モデル

MiniMax-Music3は、歌詞と音楽の説明から最大5分の楽曲を生成できるオープンウェイト系AI音楽モデルです。短いBGMやループ素材ではなく、イントロ、ヴァース、サビ、ブリッジ、アウトロを含む「1曲」としてのまとまりを狙っている点が大きな特徴です。

結論から言うと、SunoやUdioのようなブラウザ完結型サービスほど手軽ではありませんが、ローカル実行やComfyUIワークフローを試したい人にとってはかなり面白いモデルです。歌詞、楽曲構成、ボーカル、楽器編成、ミックスの方向性まで指定できる一方、長尺生成ではVRAM、生成時間、プロンプトの書き方、権利面の確認が重要になります。

MiniMax-Music3とは

MiniMax-Music3は、MiniMaxが公開したテキスト・トゥ・ミュージックモデルです。Hugging FaceではText-to-Audio、Diffusers、Safetensors、PyTorch、SGLang-Omniなどのタグが付いており、公式モデルカードでは「歌詞と詳細な音楽説明を条件に、表現力のあるボーカル、変化するアレンジ、安定した長尺音質を備えた最大5分の楽曲を生成する」と説明されています。

アーキテクチャ面では、長い楽曲構成を扱う8B Global LLMと、フレーム単位の音響ディテールを補う0.6B Local LLMを組み合わせています。さらにFlow MatchingとFlow-VAEを使い、32kHz、16-bit、ステレオWAVの音声を生成します。音楽生成モデルとしては、歌詞だけでなく「曲全体の進行」をどこまで保てるかが重要なので、この長距離構造を分けて扱う設計は実用上かなり意味があります。

主な機能と仕様

使い方の核心は、歌詞と音楽説明を分けて書くことです。歌詞には歌わせたい言葉を入れ、セクションタグで構成を示します。音楽説明にはジャンル、BPM、キー、ボーカルの質感、感情の変化、楽器編成、ミックスの雰囲気、各セクションでの盛り上がり方を書きます。

公式モデルカードでは、より細かく制御したい場合にStructured Captionを推奨しています。構成はGlobal Metadata、Vocal Details、Arrangementの3つです。たとえば「J-Pop、118 BPM、明るいが少し切ない」「透明感のある女性ボーカル」「Aメロはピアノ中心、サビでドラムとストリングスが広がる」のように分けると、単にジャンル名だけを書くより狙いが伝わりやすくなります。

実際の使い方と出力の見方

まず試すなら、公式デモページを見るのが分かりやすいです。MiniMax-Music3のデモでは、Pop、Rock、R&B、Hip-hop、Dance Pop、Country、Soul、Funk、Blues、Bossa Nova、Urbanなどのジャンル別サンプルが並び、英語タイトルの曲に加えて中国語タイトルの楽曲例も確認できます。

デモを聴くときは、単純にメロディが好みかどうかだけでなく、サビへの移行、ボーカルの一貫性、歌詞の聞き取りやすさ、ドラムやベースの変化、曲の終わり方を見るとモデルの得意不得意が分かりやすくなります。AI音楽では最初の10秒が良くても、2分を超えると構成が薄くなったり、同じ展開を繰り返したりすることがあります。MiniMax-Music3の売りはそこを長尺で保とうとしている点です。

公開直後のユーザー反応を見ると、Hugging FaceのDiscussionではオープンウェイト公開を歓迎する声が目立つ一方、ComfyUIでの使い方、VRAM、低メモリ構成、ライセンス、実際の生成時間に関する質問も多く出ています。つまり、音楽生成モデルとしての期待は高いものの、誰でもワンクリックで完璧に使える段階というより、開発者・上級者が試しながらノウハウを増やしている段階です。

ダウンロード先とローカル構成

モデル本体はMiniMaxAI/MiniMax-Music3のHugging Faceページから確認できます。GitHubリポジトリはMiniMax-AI/MiniMax-Music3です。SGLang-Omniでサーブする場合は、公式モデルカードとSGLang-Omni cookbookの例を合わせて読むと流れがつかみやすくなります。

sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000

生成リクエストでは、歌詞をinput、音楽説明をinstructionsに入れます。SGLang-Omni側では共有のspeech API形式を使いますが、TTSのように声色を選ぶモデルではありません。voiceや参照音声を指定するより、ボーカルの性別、声質、歌い方、ハーモニー、エフェクトをcaption側に書く考え方です。

DiffusersではModularPipelineとして使う導線が用意されています。ただし、公式モデルカードの時点では特定のPRコミットからDiffusersを入れる案内になっているため、通常の安定版Diffusersに完全統合済みかどうかは導入時に確認したほうが安全です。

必要VRAMとハードウェア

公式モデルカードでは、フル精度は24GB以上のVRAMに収まると説明されています。自動CPUオフロードを使うと約22GB、さらにlanguage modelをレイヤー単位でストリーミングオフロードすれば8GBクラスのGPUにも収められるとされています。ただし、8GB構成は速度低下が大きく、長尺生成では待ち時間も伸びやすい点に注意が必要です。

ComfyUIで使う場合は、ComfyUI公式のMiniMax Music 3チュートリアルが実用的です。FP16のdiffusion model、低VRAM向けINT8 diffusion model、INT8 text encoder、VAEの配置先が示されており、出力はComfyUIのaudioフォルダへ保存されます。

公式ComfyUI workflowをダウンロード

ComfyUIで試す場合は、Comfy-Org公式のworkflow JSONをそのまま使えます。audio_minimax_music_3.jsonをダウンロードしてComfyUIに読み込むと、MiniMax Music 3のText to Musicワークフローを確認できます。初回は必要なモデルファイルを所定のフォルダに配置してから実行してください。

モデル配置や低VRAM向けのINT8ファイル、max_duration、seed、tiled_decodeなどの設定は、ComfyUI公式チュートリアルにまとまっています。まずは短い尺でcaptionと歌詞の反応を確認し、狙いが固まってから3〜5分の長尺生成に進むと失敗が少なくなります。

主流AI音楽モデルとの比較

MiniMax-Music3は、オンラインではSuno、Udio、ElevenLabs Music、ローカル/オープン系ではMeta MusicGen、Stable Audio Open、YuEなどと比較されます。方向性としては「手軽なWebサービス」ではなく、「歌詞付き長尺曲をローカルやワークフローに組み込みやすいモデル」に近いです。

制作現場で考えると、すぐにSNS用の曲を作りたい人はSunoやUdioのほうが楽です。自分のワークフローに組み込みたい、ComfyUIでseedやcaptionを管理したい、長尺曲の構造を細かく試したい、ローカルAIとして研究したい人にはMiniMax-Music3のほうが魅力があります。

MiniMaxのモデル動向を追うなら、動画生成のMiniMax H3レビューも合わせて読むと、同社が音声、動画、生成ワークフローをどの方向へ広げているかが分かりやすくなります。動画系モデルの流れはLTX-2.5レビューとも比較しやすいです。

ライセンス・商用利用・著作権の注意点

MiniMax-Music3は、MITやApache 2.0のような完全に緩いライセンスではなく、MiniMax-Music3 Community Licenseで公開されています。商用サービスのUI上で「MiniMax-Music3」を表示する条件、年間売上が一定規模を超える場合の追加許諾、生成サービスとして提供する場合の安全対策などが定められています。

音楽生成では、モデルのライセンスだけでなく、歌詞、声質、既存曲との類似、配信プラットフォームの規約も重要です。既存アーティストの声や楽曲を真似る、他人の歌詞を無断で使う、AI生成であることを隠して公開する、といった使い方はリスクが高くなります。商用利用する場合は、入力素材と出力音源の管理を分けて記録しておくと後で確認しやすくなります。

プロンプト例

MiniMax-Music3では、歌詞と音楽説明を分けるのが基本です。日本語曲を狙う場合でも、音楽説明は英語で書いたほうが安定する場合があります。歌詞は日本語、captionは英語、という分け方も現実的です。

[Verse] 夜明け前の駅で 君の声を探した まだ冷たいホームに 小さな光が落ちる [Chorus] 走り出すよ 迷いながらでも この胸の鼓動だけ 信じていたい Music description: J-pop ballad, 92 BPM, A major, intimate female vocal, soft piano intro, warm acoustic guitar in verse, wide strings and gentle drums in chorus, emotional but hopeful, clean modern mix, cinematic reverb.

短いテストでは60秒程度で雰囲気を確認し、良い方向性が見えたら3〜5分に伸ばすほうが効率的です。長尺にするほど、同じフレーズの繰り返し、歌詞の聞き取りにくさ、セクション移行の不自然さが出やすいため、最初から5分で何度も回すより、captionを固めてから本番生成するほうが無駄が少なくなります。

よくある質問

MiniMax-Music3は無料で使えますか？

モデルウェイトはHugging Faceで公開されています。ただし、ローカル実行にはGPU、ストレージ、セットアップ時間が必要です。オンラインAPIやクラウドGPUを使う場合は、それぞれの料金がかかる可能性があります。

日本語の歌詞でも使えますか？

日本語歌詞で試すことはできます。ただし、公開直後の段階では英語サンプルのほうが確認しやすく、日本語の発音、アクセント、歌詞の明瞭さは生成条件によって差が出ると見たほうがよいです。captionは英語で詳しく書き、歌詞だけ日本語にする方法も試す価値があります。

8GB GPUでも本当に動きますか？

公式モデルカードでは、レイヤー単位のストリーミングオフロードにより8GB GPUにも収められると説明されています。ただし、速度はかなり遅くなる可能性があります。実用的に試すなら24GB前後、低VRAMならComfyUIのINT8モデルやtiled decodeを検討するのが現実的です。

SunoやUdioよりおすすめですか？

目的次第です。すぐに完成曲を作るならSunoやUdioのほうが簡単です。ローカル実行、研究、ComfyUI連携、細かいcaption制御、オープンウェイトの検証を重視するならMiniMax-Music3が有力です。

商用利用できますか？

可能性はありますが、Community Licenseの条件確認が必要です。商用UIでの表示、年間売上規模、安全対策、第三者の権利侵害を防ぐ運用などが関わります。音源を公開・販売する場合は、歌詞や声質、既存曲との類似にも注意してください。

ボーカルなしのBGMも作れますか？

インスト曲も作れます。歌詞欄を空にするのではなく、captionで「instrumental」「no vocal」「cinematic ambient」「lofi background music」などを明確に指定し、必要に応じて短めの尺で試すと調整しやすくなります。

参考情報

• MiniMaxAI/MiniMax-Music3 – Hugging Face
• MiniMax-AI/MiniMax-Music3 – GitHub
• MiniMax Music 3 Demo
• MiniMax Music 3 in ComfyUI
• SGLang-Omni MiniMax Music 3 cookbook
• MiniMax-Music3 Community License

まとめ

MiniMax-Music3は、AI音楽生成の中でも「歌詞付き長尺曲」を正面から扱う注目モデルです。最大5分、Structured Caption、32kHzステレオ、ComfyUI/SGLang/Diffusers対応という組み合わせは、短いBGMモデルや完全オンライン型サービスとは違う魅力があります。

一方で、ローカル環境の負荷は軽くありません。24GB級GPUなら試しやすいものの、8GB環境ではオフロード前提で速度も落ちます。商用利用ではライセンス、著作権、声や歌詞の権利にも注意が必要です。まずは公式デモや短尺生成で方向性を確認し、使い込むならComfyUIやSGLang-Omniでcaptionの作り方を詰めていくのがよいでしょう。