5分钟整首歌，AI一次生成：MiniMax Music3让“写歌”变成了“打字”

输入一段歌词，再补一句“想要什么风格”，AI就能给你一首完整的歌——前奏、主歌、副歌、桥段、间奏、尾奏，全都有。这不是预告，是MiniMax今天已经上线的产品：Music3音乐生成模型。

先说最直观的突破：它能一口气生成最长5分钟的完整歌曲，输出的是32kHz、16-bit立体声WAV文件。比起过去那种只能生成十几秒、几十秒片段的工具，这次是量级上的变化——不是“一段旋律”，而是一首完整作品。

怎么做到的？核心是一套“分工协作”的双模型架构。

一个8B参数的全局语言模型当“总导演”，负责整首歌的骨架：主题怎么推进、段落怎么切换、情绪怎么起伏。它逐帧预测第一个声学码本，把歌曲的长程结构定下来。有趣的是，这个“总导演”是从阿里的Qwen3-8B初始化来的，训练时先让嵌入层和输出层适应音乐语义词元，再和局部模型联合精调。

另一个是0.6B参数的局部模型，干的是细活儿：补全每一帧剩下的声学码本，把鼓点、音色、混响这些血肉一点点填回去。

一个大模型管结构，一个小模型补细节——这套思路不算新鲜，但用在音乐生成上，效果是关键。官方说，模型能在长音频里稳稳守住主题、节奏、人声身份和编曲的推进，不会唱着唱着跑偏或变形。

目前官方已经在Hugging Face放出了模型页面，还有生成示例可以直接试听，搜MiniMax-Music3就能找到。

从Suno到Udio，再到今天的MiniMax-Music3，AI音乐生成正在从“demo级”走向“成品级”。当一首歌的结构、情绪、音色都能被模型稳稳掌控时，真正的分水岭也许不是“能不能生成”，而是“值不值得发”。至少从今天起，写歌这个词，含义又变了一点。