MiniMax Music 3とは？
MiniMax Music 3は、2つの入力から最長5分のボーカル入りの楽曲を丸ごと生成します。[Verse]や[Chorus]といったセクションタグ付きの歌詞と、スタイル、ボーカル、アレンジを記した説明文です。Qwen3-8Bから初期化した8Bのグローバル言語モデル、音響の細部を担う0.6Bのローカルモデル、2.4Bのflow-matchingデコーダーを組み合わせ、32 kHz、16ビットのステレオWAVを出力します。
MiniMaxは2026年8月、独自のMiniMax-Music3 Community Licenseのもとで重みをHugging Faceに公開しました。SGLang-Omni、diffusersのパイプライン、ComfyUIで動き、CUDA対応のNVIDIA GPUが必要です。
MiniMax APIのホスト版は最長5分の1曲あたり0.15ドルですが、2026年8月20日以降、音楽と歌詞のAPIは新規ユーザーの受け付けを停止しており、既存の有料顧客しか利用できません。
MiniMax Music 3は使う価値があるか？
MiniMax Music 3は、歌のうまいオープンウェイトモデルの中で商用上の制約が最も軽いモデルです。ライセンスは2つの条件付きで商用製品を認めています。製品のインターフェースに「MiniMax-Music3」の名前を表示すること、そして年間売上が2,000万ドルを超えたらMiniMaxに書面で許可を求めることです。品質ベンチマークでより高い点を取るYuE2は非商用です。
渡した通りの曲を作ります。セクションタグ付きの正確な歌詞と説明文を入力し、MiniMaxは3部構成の構造化キャプション（ジャンル、BPM、キー／ボーカルの詳細／アレンジ）を推奨しています。短いプロンプトをこの形式に展開するskillも公開されています。YuE2チームによる192プロンプトのベンチマークWildSongBenchで、MiniMax Music 3の音素誤り率は6.27%と、テストされたオープンモデルの中で最も低く、歌詞が最も聞き取りやすい結果でした。SongBench平均は6.2830で、YuE2の6.7316、Suno v5の6.8721には及びませんでした。
注意点：ハードウェアと利用経路です。モデルカードはフル精度で24 GB以上のVRAMを持つGPUを求めています。CPUオフロードで約22 GBに下がり、言語モデルを1層ずつ読み込めば速度は落ちるものの8 GBに収まります。推論にはCUDAが必須で、Apple SiliconやAMDのカードでは動きません。出力は32 kHzで、Lyria 3.5の44.1 kHz、YuE2の48 kHzを下回ります。ストリーミングはなく、テンポ、キー、構成は誘導できても保証はされません。サービスとして提供する場合は権利侵害となる出力を防ぐ仕組みを整える必要があり、利用規定は公開する生成コンテンツが機械生成であると明示することを求めています。
結論：自社で楽曲生成を運用し、その成果物を販売したい企業にとっては、歌のうまいモデルの中で最もすっきりしたライセンスです。24 GBのカードがないチームやノートPCで作業するチームなら、ACE-Step 1.5のほうが先に進めます。
真価を発揮する場面
パーソナライズした誕生日ソングのアプリを作る音楽テックのスタートアップ
顧客ごとに名前とエピソードを歌詞に入れた歌を生成する
[Verse]と[Chorus]のタグ付き歌詞テンプレートに情報を差し込み、自前の24 GB GPUでSGLang-Omniの/v1/audio/speechエンドポイントから生成します。アプリに「MiniMax-Music3」を表示していれば、ライセンス上は曲の販売が認められます。
広告代理店の社内オーディオチーム
承認済みのジングルの歌詞から、仕上がったテイクを複数作る
MiniMaxのcaption-rewriter skillでブリーフをBPM、キー、ボーカル、アレンジの指定に展開し、シードを変えてテイクを生成します。音素誤り率が低いため、歌詞が不明瞭で没になるテイクが減ります。
8 GBのGPUでComfyUIを使うYouTuber
動画用のフル尺の曲を、サブスクなしでローカルで作る
ComfyUIのワークフローを読み込み、層ごとのオフロードを有効にします。24 GBのカードより遅いものの1曲あたりの費用はかからず、ライセンスの利用規定により投稿時には機械生成の音楽であると明示する必要があります。
導入前に確認すること
- 導入
- Hugging Faceから重みをダウンロードし、sgl-omni serveで起動するか、diffusersのモジュラーパイプラインを読み込みます。後者は対応がマージされるまでプルリクエストのコミットからdiffusersをインストールします。ComfyUIのチュートリアルでノードの手順も説明されています。
- 連携
- SGLang-OmniはOpenAI形式の/v1/audio/speechエンドポイントを提供し、歌詞をinput、説明をinstructionsに入れます。diffusers ModularPipeline、ComfyUIにも対応。
- データとプライバシー
- 自前でホストするため、プロンプトと音声は手元のハードウェアにとどまります。モデルカードは学習データを説明していません。
- 大規模利用時のコスト
- 自前でホストすれば1曲ごとの料金はなく、費用はGPU時間です。APIの1曲0.15ドルは2026年8月20日より前から有料だったアカウントのみが対象で、年間売上2,000万ドル超の商用利用にはMiniMaxの書面による許可が必要です。
- 制限
- テキストプロンプトは5,000トークン、音声は9,000音響フレーム（毎秒25フレーム）まで。ストリーミング非対応。CUDA必須。 指定したテンポ、キー、構成が正確に守られるとは限りません。
良い点
- オープンウェイトで、年間売上2,000万ドルまで商用利用可
- 自分の歌詞から最長5分のボーカル入りの曲を丸ごと生成
- WildSongBenchのオープンモデルで最も低い音素誤り率（6.27%）
- SGLang-Omni、diffusers、ComfyUIで動作。層ごとの読み込みで8 GBのカードにも対応
- 構造化キャプションでBPM、キー、ボーカル、アレンジを指定
気になる点
- CUDAのみ。フル速度には24 GBのVRAMが必要
- 出力は32 kHzで競合より低い
- ホストAPIは2026年8月20日から新規受け付け停止
- 商用製品は「MiniMax-Music3」の表示と悪用防止策が必要
- ストリーミングなし。テンポや構成は保証されない
おすすめの人
ボーカルの明瞭な商用楽曲生成を自社でホストしたく、24 GBのNVIDIA GPUを用意できる企業。
MiniMax Music 3の代替
MiniMax Music 3：よくある質問
- MiniMax Music 3は使う価値があるか？
- MiniMax Music 3は歌詞を最長5分まではっきり歌い上げ、その結果を販売することも認めています。条件は24 GBのNVIDIAカードを用意し、製品に名前を表示することです。 評価は5点満点中4.2点です。
- MiniMax Music 3の料金は？
- 重みはMiniMax-Music3 Community Licenseのもとで無料、商用利用も可。年間売上が2,000万ドルを超える場合は書面による許可が必要。MiniMax API：最長5分の1曲0.15ドル、2026年8月20日以降は既存の有料ユーザーのみ。
- MiniMax Music 3の欠点は？
- CUDAのみ。フル速度には24 GBのVRAMが必要; 出力は32 kHzで競合より低い; ホストAPIは2026年8月20日から新規受け付け停止; 商用製品は「MiniMax-Music3」の表示と悪用防止策が必要; ストリーミングなし。テンポや構成は保証されない.
- MiniMax Music 3は誰に向いているか？
- ボーカルの明瞭な商用楽曲生成を自社でホストしたく、24 GBのNVIDIA GPUを用意できる企業。
- チームや本番環境でMiniMax Music 3を使うと費用はいくらか？
- 自前でホストすれば1曲ごとの料金はなく、費用はGPU時間です。APIの1曲0.15ドルは2026年8月20日より前から有料だったアカウントのみが対象で、年間売上2,000万ドル超の商用利用にはMiniMaxの書面による許可が必要です。
- MiniMax Music 3は企業データを扱っても安全か？
- 自前でホストするため、プロンプトと音声は手元のハードウェアにとどまります。モデルカードは学習データを説明していません。
- MiniMax Music 3の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はYuE2-3B, ACE-Step 1.5, Lyria 3.5 、 Eleven Music v2.5です。
回答確認日：2026年11月7日
MiniMax Music 3の開発元の方へ：この評価をサイトに掲載できます
