تست عملی MiniMax Music 3 روی کارت گرافیک شخصی
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
Music 3 از MiniMax یه مدل آهنگسازه که از ترانه و یه توضیح متنی، آهنگ کامل تا پنج دقیقه میسازه: اینترو، ورس، پیشکورس، کورس، بریج، بخش سازی و اوترو. ژانر و تمپو و گام و رنگ صدا رو بهش میدی، و اگه ترانه ندی خودش مینویسه. خروجی هم WAV استریوی ۱۶ بیتی با نرخ ۳۲ کیلوهرتزه. نویسنده مدل رو روی یه سیستم اوبونتو با کارت RTX 6000 (۴۸ گیگابایت) بالا آورده و میگه مصرف واقعی موقع تولید کمی بالای ۲۷ گیگابایت بوده — یعنی روی کارتهای کوچیکتر هم شدنیه.
راهاندازیش کوتاهه: یه محیط پایتون، نصب diffusers و torchaudio، بعد اجرای اسکریپت تولیدی که خود MiniMax داده؛ وزنها هم توی اولین اجرا دانلود میشن. نویسنده اون اسکریپت رو توی یه رابط Gradio پیچیده تا از مرورگر باهاش کار کنه. دو حالت داره: حالت ساده که فقط ژانر و گام و مود میدی و بقیهش با مدله، و حالت studio که خودت ترانه، چینش بخشبهبخش، جنسیت و جنس صدا و سازبندی رو مشخص میکنی. برای خروجی تکرارپذیر، همین دومی نقطهٔ شروع بهتریه.
معماریش سلسلهمراتبیه و کار رو بین دو مدل زبانی تقسیم میکنه. یه مدل بزرگتر با حدود ۸ میلیارد پارامتر (که از یه پایهٔ ۱.۳ میلیاردی مقداردهی اولیه شده) فریمبهفریم اولین codebook از RVQ — یعنی روشی که صدا رو لایهلایه به توکنهای گسسته تبدیل میکنه — رو پیشبینی میکنه و مسئول ساختار کلی و انسجام بلندمدت آهنگه. بعد یه مدل کوچیکتر حدود ۰.۶ میلیاردی، بقیهٔ codebookهای هر فریم رو پر میکنه تا بافت ریز وکال و سازها تخت و بیجون درنیاد.
زیر اینها یه توکنایزر RVQ هشتلایه نشسته، بهعلاوهٔ flow matching — یعنی مدل یاد میگیره نویز تصادفی رو توی یه مسیر پیوسته و نرم به صدای هدف برسونه، نه با یه پرش یکباره. مرحلهٔ آخر هم یه flow VAE که از مدل گفتار MiniMax اقتباس و مخصوص موسیقی دوباره آموزش داده شده، بازنمایی نهفته رو به موج استریوی نهایی تبدیل میکنه. خلاصه یه خط لوله لایهلایهست: ساختار از مدل بزرگ، جزئیات صوتی از مدل کوچیک، و ساخت موج از یه دیکودر اختصاصی.
نتیجهٔ تستها دوگانهست. پرامپت پاپ آکوستیک در گام دو ماژور یه آهنگ منسجم داد که تا آخر از هم نپاشید — کاری که خیلی از مدلهای تولید صدا بعد از ۳۰ تا ۶۰ ثانیه توش کم میارن. ولی آیتمسانگ بولیوودی، با اینکه ترانه و متادیتای صدا دستی داده شده بود، از تلفظ تا فراز و فرود ملودی خیلی دور از موسیقی واقعی فیلمهای هندی درومد. کومبیا هم با وجود پرامپت مشخص برای آکاردئون و سازهای بادی، حالوهوای ژانر رو نگرفت. نویسنده معتقده دادهٔ آموزشی مدل بهشدت به پاپ انگلیسیزبان متمایله.
نکات کلیدی:
- خروجی WAV استریوی ۱۶ بیتی ۳۲ کیلوهرتز، با ساختار کامل آهنگ تا پنج دقیقه.
- معماری دومدلی: یه LLM سراسری ۸ میلیاردی برای ساختار و یه LLM محلی ۰.۶ میلیاردی برای جزئیات صوتی.
- توکنایزر RVQ هشتلایه بههمراه flow matching و یه flow VAE اقتباسشده از مدل گفتار MiniMax.
- مصرف واقعی VRAM موقع تولید روی RTX 6000: کمی بالای ۲۷ گیگابایت.
- حالت studio کنترل بخشبهبخش چینش، ترانه و مشخصات صدا رو میده؛ حالت ساده فقط ژانر و مود میگیره.
- ژانرهای غیرغربی مثل موسیقی فیلم هندی و کومبیا توی تستها شبیه اصل خودشون درنیومدن.
