MiniMax が MiniMax-Music3 を投入 ── 5分曲生成を支える「二層構造」LM
音楽生成AIの壁、それは「長い尺で崩れないこと」だ。MiniMaxが今回公開したMusic 3は、最大5分の完全な楽曲を、イントロからアウトロまで一貫性を持って生成できる点が最大の強み。特に、グローバルな構造とローカルな音響を分けて処理する設計思想には、既存のモデルとは異なるアプローチが見える。
▸何が変わったのか
最大の特徴は、歌詞と詳細な音楽記述を入力することで、最大5分の完成曲をネイティブに生成できる点だ。単なるループではなく、イントロ、ヴァース、プリコーラス、サビ、ブリッジ、インストゥルメンタルブレイク、アウトロといった構造を維持しつつ、ボーカルのアイデンティティやアレンジの進行も安定させている。出力は32kHz・16bitステレオWAVで、高音質を求めるクリエイター向けのスペックだ。入力としては、セクションタグ（[Intro], [Verse]等）付きの歌詞と、スタイルや感情の移り変わりを含む「Music description」を使う。さらに精密な制御のために、ジャンルやBPM、ボーカルの質感、楽器配置などを記述する「Structured Caption」が推奨されている。
◈前モデル / 競合との比較
提供テキスト内に前バージョン（MiniMax Music 2など）や競合モデル（Suno, Udio等）との直接的なベンチマーク比較数値は記載されていない。ただし、5分間の長尺生成における「構造的一貫性」をネイティブサポートしている点で、短尺中心の既存モデルとは差別化されていると考えられる。
◈技術背景と意義
このモデルの裏側にあるのは、タスクを分割して処理する「ハイブリッドLM」アーキテクチャだ。まずは8BパラメータのGlobal LLM（Qwen3-8Bベース）が楽曲全体の長期的な構造や意味論的な流れを予測する。その上で、0.6BパラメータのLocal LLMがフレーム単位の微細な音響情報を補完する。最後に、Flow MatchingとFlow-VAEを用いた連続隠れ状態合成システムが、離散的なトークンだけでなく連続的な表現も含めて波形を生成する。この「全体像」と「局所詳細」を別々のモデルで担当させることで、長尺でも破綻しない音楽性が実現されているわけだ。
▸こんな人・用途に
・映画やゲームのサウンドトラック制作：5分間のドラマチックな変化を伴うBGMを一発で生成したい場合
・ポッドキャストやYouTubeのオープニング/エンディング：特定のリズム感やボーカルスタイルを指定して、ブランドイメージに合わせた曲を作る場合
・音楽プロデューサー：アレンジメントのアイデア出しとして、特定の楽器配置やグルーヴ感を試行錯誤する場合
▸Hacker Newsの反応
正直、反応は割れている。コードで音楽を作るという手法自体は熱い支持を集める一方、MiniMax-Music3本体については「魂のないゴミ」といった辛辣な批判が目立ち、AI生成への不信感が色濃い空気感だ。
「素晴らしい記事だ。音楽ソフトウェアやハードウェアには数十年興味を持っていて、ロックダウン中は本腰を入れて掘り下げた。難しさがある反面、非常に刺激的な体験だったよ。」
「記事冒頭の「コード詩」は、Robert S K Milesの「Bit Shift Variations in C-Minor」を連想させる。C言語214バイトでチープチューンを作るあの作品だ。Computerphileでも紹介されていたな。」
「小ツッコミだけど、CD品質は44.1kHzだ。ナイキストの定理では、再生したい最高周波数の2倍以上のサンプリングレートが必要とされている。記事の説明は少し曖昧だな。」
「既存のシステムとの関係性はどうか？ 例えばCsoundとはどう違うのか、比較した情報はある？」
「そんな魂のないゴミを、実際に聴きたいと思う人はいるのか？ AI生成音楽には魅力を感じない。」
◆入手方法・リンク
Hugging Face上でオープンソースとして公開されている。具体的なGitHubリポジトリリンクは提供情報にないため、Hugging Faceのページからコードとウェイトを確認することになるだろう。また、MiniMax Music 3 Demoを通じて実際の生成品質を体験することも可能だ。
SOURCE: MiniMax (2026-08-07)
