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 é um modelo de geração de música que produz canções completas de até cinco minutos a partir de letras e uma descrição musical, com vocais expressivos e estrutura de longo alcance.

O modelo é um híbrido de um estágio autoregressivo e um estágio de difusão: um modelo de linguagem global baseado em Qwen3 de 8B prevê um token de áudio semântico por quadro, enquanto um decodificador de profundidade pequeno preenche sete codebooks residuais RVQ, e os estados ocultos fundidos deles condicionam um transformer de flow-matching de 2.4B que produz latentes Flow-VAE em blocos sobrepostos. Um decodificador estilo DAC converte os latentes em áudio estéreo de 44,1 kHz.

Uso

MiniMax Music 3 está disponível como um pipeline modular.

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)

Reduzir o uso de memória

Consulte o guia Reduzir o uso de memória para mais detalhes sobre as diversas técnicas de economia de memória.

O pipeline completo requer ~23 GB de VRAM em bfloat16. Com o offloading automático para CPU, uma geração é executada em ~22 GB de VRAM livre, e, adicionalmente, o group-offloading do modelo de linguagem cabe em 8 GB.

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
)

Dicas

  • Tags de estrutura, como [intro], [verse], [pre-chorus], [chorus], [bridge], [instrumental], [solo] e [outro], devem estar cada uma em sua própria linha em lyrics. O texto na mesma linha que uma tag inicial é descartado pelo contrato de entrada do modelo.
  • A descrição da música controla os vocais: descreva explicitamente o gênero e o timbre vocal (por exemplo, “vocal feminino quente”) ou o modelo pode se desviar para uma faixa instrumental. Para um controle mais detalhado, estruture a descrição em metadados globais (gênero, BPM, tonalidade, progressão emocional), detalhes vocais e arranjo.
  • audio_duration é um limite superior — o modelo de linguagem pode encerrar a música antes com um token de parada. O estágio autoregressivo gera 25 quadros por segundo de áudio e domina o tempo de execução.
  • A escala de orientação sem classificador da etapa de correspondência de fluxo é uma configuração de guia (o valor de referência de inferência é 1.7): substitua-a por pipe.update_components(guider=ClassifierFreeGuidance(guidance_scale=...)).
  • O pipeline retorna a saída estéreo nativa de 44,1 kHz do vocoder. O servidor de referência também faz a reamostragem para 32 kHz; aplique sua própria reamostragem se precisar dessa taxa exata.

MiniMaxMusic3ModularPipeline

classe 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 )

Uma ModularPipeline para geração de música condicionada por letras e legendas com MiniMax Music 3.

MiniMaxMusic3Blocks

classe diffusers.MiniMaxMusic3Blocks

< >

( )

Pipeline modular para geração de música condicionada por letras e descrições usando MiniMax Music 3. Um modelo de linguagem autoregressivo Qwen3 gera códigos semânticos por quadro e estados ocultos a partir das letras e da descrição da música; um transformer de flow-matching converte os estados ocultos em latentes Flow-VAE em blocos; e um vocoder estilo DAC os decodifica em uma forma de onda estéreo a 44,1 kHz.

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

Entradas: prompt (str): A descrição da música (gênero, clima, vocais, instrumentação, arranjo). lyrics (str): A letra a ser cantada. Tags de estrutura, como [verse] ou [chorus], devem estar cada uma em sua própria linha; o texto na mesma linha de uma tag inicial é descartado pelo contrato de entrada do checkpoint. audio_duration (float, opcional, padrão 60.0): Limite superior para a duração do áudio gerado, em segundos. O modelo de linguagem pode parar antes. Limitado a 9000 frames (seis minutos). generator (Generator, opcional): Gerador do Torch para geração determinística. num_inference_steps (int, opcional, padrão 30): Número de passos de Euler de flow-matching por chunk. output_type (str, opcional, padrão np): Formato de saída: ‘np’ ou ‘pt’.

Saídas: audios (Tensor | ndarray): A forma de onda estéreo gerada, com formato (batch, channels, samples) em [-1, 1].

MiniMaxMusic3ConditionEncoder

classe 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 )

Projeta os estados ocultos por quadro da etapa autoregressiva para a linha do tempo latente do Flow-VAE.

Cada quadro gerado carrega num_condition_layers estados ocultos de tamanho condition_hidden_dim (um do modelo de linguagem e um para cada etapa do codebook residual). Eles são misturados com pesos softmax aprendidos, projetados e reamostrados da taxa de quadros do modelo de linguagem para a taxa de quadros latente com interpolação de vizinho mais próximo.

forward

< >

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

Parâmetros

  • hidden_states (torch.Tensor de forma (batch, frames, num_condition_layers * condition_hidden_dim)) — Estados ocultos concatenados por quadro da etapa autoregressiva.

Retorna

torch.Tensor de forma (batch, latent_length, out_dim)

a sequência de condicionamento alinhada ao espaço latente.

MiniMaxMusic3RVQDepthDecoder

classe 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 )

O modelo de linguagem local do MiniMax Music 3. Dentro de cada quadro de áudio, ele prevê autoregressivamente os sete codebooks residuais RVQ (c1..c7) a partir do estado oculto do modelo de linguagem global e do código semântico do quadro, e expõe os estados ocultos por etapa que condicionam o transformer de flow-matching.

Ele também possui a tabela de incorporação para os livros de códigos residuais, que o pipeline usa para incorporar quadros completos para o loop de feedback do modelo de linguagem global.

forward

< >

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

Parâmetros

  • inputs_embeds (torch.Tensor de forma (batch, steps, hidden_size)) — Incorporações de sequência de profundidade projetadas: o estado oculto global seguido pelos códigos incorporados amostrados até o momento, cada um passado por projection.

Retorna

torch.Tensor de forma (batch, steps, hidden_size)

estados ocultos normalizados; a última etapa alimenta a próxima cabeça do codebook.

MiniMaxMusic3Vocoder

classe diffusers.MiniMaxMusic3Vocoder

< >

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

O decodificador de forma de onda Flow-VAE do MiniMax Music 3 (um decodificador no estilo DAC). Ele decodifica latentes de fluxo compatível de forma (batch, latent_channels, length) em formas de onda estéreo em sampling_rate; os dois canais de áudio são decodificados como dois fluxos dobrados de latent_channels // 2.

forward

< >

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

Parâmetros

  • latents (torch.Tensor de forma (batch, latent_channels, length)) — Latentes do Flow-VAE com Flow-matching.

Retorna

torch.Tensor de forma (batch, 2, samples)

a forma de onda estéreo em [-1, 1].

Update on GitHub

←LTXVideo MiniMax-H3→