「MiniMax-Music3-GGUF」フル尺楽曲の生成モデル:必要VRAM 12GB〜・配布ファイル一覧

2026年11月18日

「MiniMax-Music3-GGUF」フル尺楽曲の生成モデル:必要VRAM 12GB〜・配布ファイル一覧

基本情報

項目 内容
リポジトリ ggml-org/MiniMax-Music3-GGUF
公開元のまとめ MiniMax のモデルとライセンスのまとめ
公開日 2026-11-17
ライセンス minimax-music3-community-license
配布形式 GGUF
出典の種類 公開元の一次情報(ggml-org公式リポジトリで一次情報確認)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

ggml-orgより、MiniMaxAIが開発した音楽生成モデル「MiniMax-Music3」のGGUF量子化版リポジトリ「ggml-org/MiniMax-Music3-GGUF」が公開されました。本モデルは、テキスト形式の歌詞および楽曲のスタイル指示文を入力することで、ボーカルと伴奏を含む楽曲を出力するテキスト音声生成(text-to-audio)モデルです。

本GGUF版では、llama.cpp プロジェクトの llama-tts コマンドや llama serve の /tts エンドポイントを介して、ターミナルやローカルサーバーから楽曲生成を行えるようになっています。

なお、本記事で紹介するアーキテクチャや生成品質に関する情報の多くは、変換元である元モデル「MiniMaxAI/MiniMax-Music3」の公式モデルカードに基づいています。

スペック

元モデルおよびGGUF変換版モデルの仕様は以下の通りです。

  • アーキテクチャ(元モデル): 階層的自己回帰モデル(Hybrid-LM)および連続隠れ状態合成(Continuous Hidden-State Synthesis)
  • Global LLM: 8Bパラメータ(Qwen3-8Bから初期化。楽曲全体の構造や意味論的展開をモデル化) – Local LLM: 0.6Bパラメータ(フレームレベルの音響詳細をモデル化) – Synthesis: 2.4Bパラメータの Flow Matching および 123Mパラメータの Flow-VAE Decoder
  • トークナイザ: 8層の Residual Vector Quantization(RVQ)。第1層(セマンティック)は16,384エントリー、残り7層(アコースティック)は各1,024エントリー
  • 出力仕様:
  • 元モデルの標準出力: 32 kHz、16-bit ステレオ WAV オーディオ – GGUF版の生成仕様注記: 44.1 kHz ステレオオーディオ(ボーカルおよび伴奏) – 最大生成長: 最大5分間(9,000アコースティックフレーム、25 fps換算)
  • 入力フォーマット:
  • [Lyrics] 構造([Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Outro] などのセクションタグをサポート) – [Tags] または指示文(ジャンル、BPM、キー、ボーカル表現、楽器編成などの構造化キャプション) – テキストプロンプト制限: 最大5,000トークン
  • ライセンス条件: MiniMax-Music3 Community License(MiniMax-Music3 コミュニティライセンス)のもとで配布されています。

性能・品質

元モデル「MiniMaxAI/MiniMax-Music3」のモデルカードでは、再生・生成に関する再現例として以下の比較・検証表が公開されています。

Use case Request Result
Text-to-music View script minimax_ttm.wav

モデルカードの記載によると、本モデルは最長5分に及ぶ楽曲全体の一貫性を維持したまま生成できる点が大きな特長とされています。イントロからAメロ、サビ、間奏、アウトロに至るまで、テーマやリズム、ボーカルの同一性、アレンジの展開を破綻させずに維持できます。また、Global LLMとLocal LLMの隠れ状態を融合させてFlow Matchingへ渡す合成手法により、ボーカルの明確な発音や楽器の質感表現において高い品質を実現していると説明されています。

一方で制限事項として、セクションタグや音楽説明による制御は生成的なガイダンスとして機能するものであり、生成されるテンポ、キー、指定した楽器編成、歌詞、曲構造が要求した詳細と常に厳密に一致するとは限らない点が挙げられています。

得意なこと・想定用途

MiniMax-Music3は、入力された歌詞と音楽のスタイル指示文(プロンプト)から、ボーカルと伴奏が融合したフル尺(最長5分間)の楽曲を生成することを得意としています。従来の短尺モデルとは異なり、曲全体を通してテーマやリズム、ボーカルの声質、アレンジの進行を崩さずに一貫した楽曲構造を維持できます。

本モデルでは、歌詞テキスト内に特定の構造タグを挿入することで、楽曲の展開を緻密にコントロールできます。利用可能な主な構造タグと入力パラメーターの役割は以下の通りです。

  • 歌詞セクションタグ: [Intro], [Verse], [Pre-Chorus], [Chorus], [Post-Chorus], [Bridge], [Instrumental], [Solo], [Outro] などのタグを各行に配置することで、曲の段落変化を直接指定可能です。
  • グローバルメタデータ: ジャンル、サブジャンル、BPM、キー(調)、スケール、感情の展開、リスニングシナリオ、プロダクションプロファイルなどを指定できます。
  • ボーカル構成: 性別、声質、歌唱スタイル、ハーモニーやバックボーカルの構成、ボーカルエフェクトの指定が可能です。
  • アレンジ構成: 主楽器および副楽器、各セクションにおける楽器の変化、グルーヴ、ベースライン、パーカッション、空間エフェクトなどを細かく設定できます。

また、自然言語の短い説明文から上記のような構造化キャプション(Global Metadata、Vocal Details、Arrangement)へ自動拡張するプロンプト支援ツールとして music-caption-rewriter スキルが公式から提供されています。これを利用することで、歌詞の本文を維持したまま表現豊かな指示文を作成できます。

今回登場したGGUF版(ggml-org/MiniMax-Music3-GGUF)は、これらの高度な音楽生成機能を、llama.cpp のエコシステムを活用してローカルのターミナルやシンプルなHTTPサーバー経由で手軽に試す用途に適しています。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 2.4B(元モデル MiniMaxAI/MiniMax-Music3 の値)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
RTX 4070 / 3060 12GB など 12GB Q8_0 8.5GB 10.2GB
RTX 4090 / 3090 など 24GB BF16 16.0GB 19.2GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

公開元の配布形式は GGUF です。

ライセンス minimax-music3-community-license: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(minimax-music3-community-license)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

配布ファイル

ggml-org/MiniMax-Music3-GGUF で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
MiniMax-Music3-BF16.gguf 17.18GB
MiniMax-Music3-Q8_0.gguf 9.13GB
mmproj-MiniMax-Music3-BF16.gguf 6.64GB

入手方法

GGUF変換版モデルは、Hugging Faceの ggml-org/MiniMax-Music3-GGUF リポジトリにて公開されています。利用に際して事前のライセンス同意手続き(gated)は不要です。

本モデルは ggml-org/convert を使用して自動変換されており、llama.cpp に含まれるコマンドラインツールやサーバー機能から直接呼び出して使用できます。

ターミナルから直接音声ファイルを生成する場合は、以下のコマンドを実行します。

llama-tts -hf ggml-org/MiniMax-Music3-GGUF -f song.txt --output out.wav

また、ローカルサーバーを立ち上げて /tts エンドポイント経由で生成を行う場合は、以下のコマンドで起動します。

llama serve -hf ggml-org/MiniMax-Music3-GGUF

なお、約3分を超える長い楽曲を生成する場合は、十分な文脈を確保するために -c 20480 のように大きめのコンテキスト長を指定することが推奨されています。

元モデル(MiniMaxAI/MiniMax-Music3)の入手および利用方法

変換元であるオリジナルモデル MiniMaxAI/MiniMax-Music3 を使用する場合は、Hugging Face CLI などを用いてダウンロードが可能です。

hf download MiniMaxAI/MiniMax-Music3 --local-dir /path/to/minimax_ttm

元モデルは複数のフレームワークに対応しており、用途に合わせて以下の方法で導入・利用できます。

  • SGLang-Omni: 共有スピーチAPI経由で推論サーバーを構築可能です。以下のコマンドで起動できます。
    bash sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000 curl を用いたリクエストでは、input に歌詞を、instructions に音楽の説明文を渡して生成を行います。
  • Diffusers: 開発中のPRコミットからインストールのうえ、ModularPipeline を使用してPythonスクリプトから呼び出せます。自動CPUオフロード(enable_auto_cpu_offload)や、言語モデルレイヤー単位のグループオフロード(apply_group_offloading)といった各種最適化機能が用意されています。
  • ComfyUI: 公式チュートリアルが提供されており、ノードベースの環境に組み込んで楽曲生成が行えます。
  • プロンプト拡張スキルの追加: 以下のコマンドでキャプション拡張ツールを導入できます。
    bash npx skills add MiniMax-AI/MiniMax-Music3 --skill music-caption-rewriter

関連記事

次に読むなら

出典