/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
MiniMax-Music3
Библиотека
gguf
Опубликована
14 авг 2026

minimax-music3-GGUF

Генерация аудиоТекст → аудио3 профессии

MiniMax Music 3 GGUF — конвертированная в формат GGUF версия модели MiniMax Music 3, опубликованная ChrisColeTech на основе MiniMaxAI/MiniMax-Music3.

1 287скачиваний за 30 дней13лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для генерации полноценных музыкальных композиций с вокалом по текстовому описанию музыки и тексту песни.

В состав входят авторегрессионный текстовый энкодер, flow-matching DiT-трансформер и Audio VAE. Указаны квантованные компоненты GGUF: текстовый энкодер размером около 8,88 ГБ и трансформер около 2,70 ГБ; Audio VAE занимает около 217 МБ. Модель генерирует стерео-аудио с частотой 44,1 кГц и длительностью до примерно пяти минут. Поддерживаются описания жанра, темпа, тональности, настроения, вокала и аранжировки, а также структурные теги вроде intro, verse и chorus. Языки и точный размер исходной модели не указаны.

Модель подходит для создания песен в различных жанрах, включая synth-pop и pop-punk, с заданными характеристиками вокала, инструментовки и продакшна. К сильным сторонам относятся генерация вокальных композиций, управление музыкальными параметрами и возможность локального запуска через ComfyUI с обновлённым GGUF Loader. Ограничения включают необходимость явного описания вокала, поддержку только перечисленных структурных тегов и заметное время генерации даже на RTX 5090; рекомендуемая длительность ограничена 300 секундами. Лицензия указана как other, без дополнительных условий в README.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MiniMax Music 3 GGUF

The MiniMax Music 3 autoregressive text encoder + flow-matching DiT, converted to GGUF.

Complete songs with vocals from a caption (music description) + lyrics. Up to ~5 min, stereo 44.1 kHz.


Samples

Synth-Pop - 2:29 min (Q8_0 GGUF)

  • ~7.3 min on an RTX 5090 (32 GB), peak 9.7 GiB.
ParameterValue
PromptPolished modern synth-pop with a cinematic lift. 104 BPM, A minor. Bright, wide and euphoric, building from a restrained verse into a soaring chorus. High-fidelity studio production: pristine and clean, crisp transients, wide stereo image, deep controlled sub, glossy modern mastering. No vinyl noise, no tape hiss, no lo-fi texture. Vocal Details: Clear, confident female lead, forward and centered in the mix, pop-clean and articulate with strong sustained notes in the chorus. Bright airy top end, tight controlled vibrato. Stacked octave harmonies and a layered choir-like double on the chorus, wide and shimmering.

Punk-funk — 1:01 (Q8_0 GGUF)

  • ~5 min on an RTX 5090 (32 GB), peak 9.7 GiB.
ParameterValue
PromptModern pop-punk, fast and bright four-piece band, in the vein of late-nineties California skate punk. 172 BPM, E major, straight eighths, relentless forward drive. Energetic, sunny and a little bratty, sing-along and radio-ready. High-fidelity modern rock production: tight and punchy, crisp cymbals, clear midrange, powerful but controlled low end, polished commercial master. No lo-fi texture, no vinyl noise, no tape hiss. Snotty melodic male lead with a bright nasal edge and a slight sneer, sung not screamed, forward and dry in the center with a short slapback. Big shouted gang-vocal "whoa-oh" backups stacked wide across the chorus, and a second harmony vocal a third above the lead on the hook.

Components used to generate

ComponentFile~SizeDownload
Text Encoderminimax_music3_text_encoder_pruned_Q8_0.gguf8.88 GBLink
Transformerminimax_music3_dit_Q8_0.gguf2.70 GBLink
Audio VAEminimax_music3_dav.safetensors217 MBLink

⚠ Must use the updated GGUF Loader ⚠

In comfy:

  • Open the ComfyUI Manager
  • Change the channel to "Channel (remote)"
  • and search for comfyui-gguf-loader

image

Use the workflow Link

image

Caption in three parts:

  • global metadata (genre, BPM, key, mood)
  • vocal details
  • arrangement.

Note: Describe the vocal explicitly (ie. "warm female vocal, close and breathy" etc.) or it drifts.

Structure tags each on their own line:

[intro]

[verse]

[pre-chorus]

[chorus]

[bridge]

[instrumental]

[solo]

[outro].

Note: These are the only tags the model uses.


Recommended settings

ParameterValueNotes
duration120–300300s Max
steps30Euler scheduler
guidance /CFG1.7flow stage

Sources

Base modelMiniMaxAI/MiniMax-Music3
Source weightsComfy-Org/MiniMax-Music-3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · gguf

Можно запустить

Подбираем GPU…

Ревизия весов
b16f914

0 моделей