انتشار مدل وزن‌باز MiniMax Music 3؛ تولید آهنگ‌های کامل ۵ دقیقه‌ای از روی متن و ترانه

شرکت MiniMax مدل وزن‌باز MiniMax Music 3 را منتشر کرده است؛ مدلی که می‌تواند از روی متن ترانه بخش‌بندی‌شده و توصیف متنی سبک صدا، قطعات موسیقی ساختاریافته بسازد. این مدل تا ۵ دقیقه صدای استریو با نرخ نمونه‌برداری ۳۲ کیلوهرتز تولید می‌کند که شامل صدای خواننده، سازبندی و گذارهای طبیعی میان بخش‌های مختلف آهنگ است. بسته نصبی ComfyUI این مدل در پلتفرم Hugging Face از مرز ۹۵۰ هزار دانلود عبور کرده است؛ هرچند این آمار تمام درخواست‌های دریافت فایل را نیز در بر می‌گیرد و صرفاً به معنای تعداد نصب‌های یکتا نیست.

امکان دانلود وزن‌های مدل به توسعه‌دهندگان اجازه می‌دهد تا بدون وابستگی به APIهای میزبانی‌شده، کنترل کاملی بر نحوه استقرار، کوانتیزه‌سازی (Quantization)، تنظیم دقیق (Fine-tuning) و مدیریت داده‌ها داشته باشند. با این حال، دسترسی وزن‌باز همچنان با مجوز کاربری اختصاصی، هزینه‌های سخت‌افزاری و مسئولیت مدیریت خط تولید صوتی همراه است.

نگاهی کلی به مشخصات این انتشار

معماری تولید آهنگ در چند مرحله

مدل Music 3 از یک معماری خودرگرسیو سلسله‌مراتبی (Hierarchical Autoregressive) بهره می‌برد؛ به این معنی که هر بخش جدید به بخش‌های قبلی وابسته است، در حالی که مدل‌های مجزا در مقیاس‌های زمانی کلان و خرد کار می‌کنند. این تقسیم وظایف به سیستم اجازه می‌دهد ساختار کلی آهنگ را در طول چند دقیقه حفظ کند و هم‌زمان جزئیات آکوستیک را در تک‌تک فریم‌ها بازسازی نماید.

1. برنامه‌ریزی سراسری: یک مدل زبانی سراسری ۸ میلیارد پارامتری که بر پایه Qwen3-8B مقداردهی اولیه شده است، وظیفه ردیابی متن ترانه، تم‌ها، ریتم، هویت صوتی خواننده و تنظیم کلی را در سراسر آهنگ بر عهده دارد.
2. جزئیات محلی: یک مدل زبانی محلی ۰.۶ میلیارد پارامتری، اطلاعات آکوستیک کوتاه‌برد را در دل هر فریم مدل‌سازی می‌کند.
3. سنتز فضای نهان (Latent synthesis): یک ترنسفورمر منطبق بر جریان (Flow-matching transformer) وضعیت‌های مدل زبانی را قطعه به قطعه به بردارهای نهان Flow-VAE تبدیل می‌کند تا خروجی نهایی شکل بگیرد.