Hugging Face's logo

Diffusers documentation

MiniMax Music 3

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

MiniMax Music 3

MiniMax Music 3 是一款音乐生成模型，能够根据歌词和音乐描述生成时长最长五分钟的完整歌曲，并具备富有表现力的人声和长程结构。

该模型是自回归阶段与扩散阶段的混合体：一个基于 8B Qwen3 的全局语言模型每帧预测一个语义音频 token，同时一个小型深度解码器填充七个残差 RVQ 码本，它们融合后的隐藏状态作为条件输入一个 2.4B 的 flow-matching transformer，以重叠块的方式生成 Flow-VAE 潜变量。一个 DAC 风格的解码器将这些潜变量转换为 44.1 kHz 立体声音频。

用法

MiniMax Music 3 以模块化流水线形式提供。

import soundfile as sf
import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

lyrics = """[verse]
Morning light filtering through the pine
Every quiet street is yours and mine
[chorus]
Softly the world begins to breathe"""

prompt = (
    "Genre: acoustic pop. BPM: 96. Key: C major. Warm and intimate, building gently into the chorus. "
    "Vocals: soft female lead, close and breathy, light stacked harmonies in the chorus. "
    "Arrangement: fingerpicked guitar and soft piano; brushed drums and upright bass enter in the chorus."
)

audio = pipe(
    prompt=prompt,
    lyrics=lyrics,
    audio_duration=60.0,
    generator=torch.Generator("cuda").manual_seed(7),
    output="audios",
)[0]

sf.write("minimax_music3.wav", audio.T, pipe.sampling_rate)

减少内存使用

有关各种内存节省技术的详细信息，请参阅 减少内存使用 指南。

完整流水线在 bfloat16 下需要约 23 GB 的 VRAM。使用自动 CPU 卸载后，生成过程仅需约 22 GB 的可用 VRAM；若同时对语言模型进行组卸载，则 8 GB 即可满足需求。

import torch
from diffusers import ComponentsManager, ModularPipeline
from diffusers.hooks.group_offloading import apply_group_offloading

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")  # or "mps", "xpu", "cpu"
pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)

# Only needed below ~22 GB of free VRAM — slower, but fits in 8 GB.
apply_group_offloading(
    pipe.language_model, onload_device=torch.device("cuda"), offload_type="leaf_level", use_stream=True
)

提示

  • 诸如 [intro]、[verse]、[pre-chorus]、[chorus]、[bridge]、[instrumental]、[solo] 和 [outro] 等结构标签，在 lyrics 中必须各自独占一行。与行首标签位于同一行的文本会被模型的输入约定丢弃。
  • 音乐描述用于控制人声：请明确描述人声的性别和音色（例如“温暖的女声”），否则模型可能会偏向纯器乐。若要实现精细控制，请将描述结构化为全局元数据（流派、BPM、调性、情感走向）、人声细节以及编曲。
  • audio_duration 是一个上限——语言模型可能会通过停止标记提前结束歌曲。自回归阶段每秒生成 25 帧音频，并且主导了运行时间。
  • flow-matching 阶段的 classifier-free guidance scale 是一个 guider 设置（参考推理值为 1.7）：使用 pipe.update_components(guider=ClassifierFreeGuidance(guidance_scale=...)) 进行替换。
  • pipeline 返回声码器原生的 44.1 kHz 立体声输出。参考服务器会额外将其重采样为 32 kHz；如果您需要该特定采样率，请自行应用重采样。

MiniMaxMusic3ModularPipeline

class diffusers.MiniMaxMusic3ModularPipeline

< >

( blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = Nonepretrained_model_name_or_path: str | os.PathLike | None = Nonecomponents_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = Nonecollection: str | None = Noneworkflow: str | None = Nonemodular_config_dict: dict[str, typing.Any] | None = Noneconfig_dict: dict[str, typing.Any] | None = None**kwargs )

一个用于基于歌词和描述条件生成音乐的 ModularPipeline，基于 MiniMax Music 3。

MiniMaxMusic3Blocks

class diffusers.MiniMaxMusic3Blocks

< >

( )

基于 MiniMax Music 3 的模块化流水线，用于根据歌词和描述生成音乐。自回归 Qwen3 语言模型根据歌词和音乐描述生成逐帧的语义编码和隐藏状态；流匹配 Transformer 将隐藏状态逐块转换为 Flow-VAE 潜在表示；DAC 风格的声码器将其解码为 44.1 kHz 的立体声波形。

组件： tokenizer (Qwen2Tokenizer) language_model (Qwen3ForCausalLM) rvq_depth_decoder (MiniMaxMusic3RVQDepthDecoder) condition_encoder (MiniMaxMusic3ConditionEncoder) transformer (MiniMaxMusic3Transformer1DModel) scheduler (FlowMatchEulerDiscreteScheduler) guider (ClassifierFreeGuidance) vocoder (MiniMaxMusic3Vocoder)

输入： prompt (str)： 音乐描述（流派、情绪、人声、配器、编曲）。 lyrics (str)： 要演唱的歌词。诸如 [verse] 或 [chorus] 的结构标签必须各自独占一行；与行首标签位于同一行的文本会被检查点（checkpoint）的输入约定丢弃。 audio_duration (float，可选，默认值为 60.0)： 生成音频时长的上限（以秒为单位）。语言模型可能会提前停止。上限为 9000 帧（六分钟）。 generator (Generator，可选)： 用于确定性生成的 Torch 生成器。 num_inference_steps (int，可选，默认值为 30)： 每个块（chunk）的 flow-matching Euler 步数。 output_type (str，可选，默认值为 np)： 输出格式：‘np’ 或 ‘pt’。

输出： audios (Tensor | ndarray)： 生成的立体声波形，形状为 (batch, channels, samples)，取值范围为 [-1, 1]。

MiniMaxMusic3ConditionEncoder

class diffusers.MiniMaxMusic3ConditionEncoder

< >

( condition_hidden_dim: int = 4096num_condition_layers: int = 8out_dim: int = 2048input_sampling_rate: int = 24000input_hop_length: int = 960output_sampling_rate: int = 44100output_hop_length: int = 512 )

将自回归阶段的逐帧隐藏状态投影到 Flow-VAE 潜在时间轴上。

每个生成的帧都携带 num_condition_layers 个大小为 condition_hidden_dim 的隐藏状态（一个来自语言模型，每个残差码本步骤各一个）。这些状态通过学习得到的 softmax 权重进行混合，经过投影后，使用最近邻插值从语言模型的帧率重采样到潜在帧率。

forward

< >

( hidden_states: Tensor ) → torch.Tensor of shape (batch, latent_length, out_dim)

参数

  • hidden_states（形状为 (batch, frames, num_condition_layers * condition_hidden_dim) 的 torch.Tensor）— 自回归阶段中逐帧拼接的隐藏状态。

返回值

形状为 (batch, latent_length, out_dim) 的 torch.Tensor

潜在对齐的条件序列。

MiniMaxMusic3RVQDepthDecoder

class diffusers.MiniMaxMusic3RVQDepthDecoder

< >

( hidden_size: int = 4096num_layers: int = 4num_attention_heads: int = 16intermediate_size: int = 6144audio_vocab_size: int = 1024num_codebooks: int = 8max_position_embeddings: int = 16 )

MiniMax Music 3 的本地语言模型。在每个音频帧内，它基于全局语言模型的隐藏状态以及该帧的语义码，自回归地预测七个残差 RVQ 码本（c1..c7），并暴露出用于条件化 flow-matching transformer 的逐步隐藏状态。

它还负责管理残差码本的嵌入表，流水线使用该嵌入表对完整帧进行嵌入，以支持全局语言模型的反馈回路。

forward

< >

( inputs_embeds: Tensor ) → torch.Tensor of shape (batch, steps, hidden_size)

参数

  • inputs_embeds（形状为 (batch, steps, hidden_size) 的 torch.Tensor）— 投影后的深度序列嵌入：由全局隐藏状态和迄今为止采样的嵌入码组成，每个部分都经过 projection 处理。

返回值

形状为 (batch, steps, hidden_size) 的 torch.Tensor

归一化后的隐藏状态；最后一步将结果输入下一个码本头。

MiniMaxMusic3Vocoder

class diffusers.MiniMaxMusic3Vocoder

< >

( latent_channels: int = 128decoder_input_dim: int = 1024decoder_hidden_dim: int = 1536upsampling_ratios: tuple = (8, 8, 4, 2)sampling_rate: int = 44100 )

MiniMax Music 3 的 Flow-VAE 波形解码器（一种 DAC 风格的解码器）。它将形状为 (batch, latent_channels, length) 的流匹配潜在变量解码为采样率为 sampling_rate 的立体声音频波形；两个音频通道作为两条折叠的 latent_channels // 2 流进行解码。

forward

< >

( latents: Tensor ) → torch.Tensor of shape (batch, 2, samples)

参数

  • latents（形状为 (batch, latent_channels, length) 的 torch.Tensor）— Flow-matched Flow-VAE 潜变量。

返回值

形状为 (batch, 2, samples) 的 torch.Tensor

[-1, 1] 中的立体声波形。

Update on GitHub

←LTXVideo MiniMax-H3→