MiniMax سازنده موسیقی

MiniMax Music 3 یک مدل هوش مصنوعی برای ساخت موسیقی از MiniMax است، همان آزمایشگاهی که مدل ویدیوی MiniMax-H3 را ساخته. MiniMax آن را با وزن‌های باز در Hugging Face با نام MiniMaxAI/MiniMax-Music3 منتشر کرده است. این مدل از روی دو چیزی که به آن می‌دهید، یعنی متنی که باید خوانده شود و توصیف موسیقی، آهنگ‌های کامل تا پنج دقیقه می‌سازد.

وجه تمایزش این است که حرف‌های شما را می‌خواند. بیشتر سازنده‌های موسیقی از روی پرامپت برای خودشان متن می‌نویسند؛ اما MiniMax Music 3 همان متنی را که شما نوشته‌اید بخش‌به‌بخش و به ترتیب برچسب‌هایتان اجرا می‌کند: مقدمه، بندها، پیش‌ترجیع، ترجیع‌بندها، بریج، سولو و پایان. توصیف موسیقی بقیه چیزها را تعیین می‌کند، از ژانر، تمپو و گام تا خواننده و اینکه تنظیم از اولین میزان تا آخرین چطور رشد می‌کند. این مدل قطعه بی‌کلام هم می‌سازد، از موسیقی فیلم تا بیت‌های مطالعه.

Mage مدل MiniMax Music 3 را کنار بقیه مدل‌های تصویر، ویدیو و صدایش در مرورگر شما اجرا می‌کند؛ پس چیزی برای دانلود نیست و به کارت گرافیک هم نیازی ندارید. Mage یک پلتفرم خلاق مستقل است و بخشی از MiniMax نیست. آنچه Mage اضافه می‌کند همه چیزهای دور آهنگ است: طرح‌های نامحدود، LoRA روی مدل، کتابخانه خصوصی از همه آثارتان و مدل‌های ویدیویی که می‌توانند آهنگ را به موزیک ویدیو تبدیل کنند.

MiniMax Music 3 دو ورودی می‌خواند و هرکدام یک وظیفه دارد. پرامپت موسیقی را توصیف می‌کند: ژانر و زیرژانر، تمپو بر حسب ضرب در دقیقه، گام، حال‌وهوا و تغییرات آن، اینکه چه کسی و چطور می‌خواند و سازها چه می‌کنند. متن ترانه فقط کلماتی است که باید خوانده شوند و بس. توصیف هرگز خوانده نمی‌شود و متن هم هرگز سبک را تعیین نمی‌کند؛ پس وقتی هرکدام سر جای خودش بماند، آهنگ بهتر درمی‌آید.

در متن ترانه، برچسب‌های بخش به آهنگ شکل می‌دهند. [intro]، [verse]، [pre-chorus]، [chorus]، [bridge]، [solo] یا [outro] را تنها در یک خط بنویسید و خط‌های خوانده‌شده را زیر آن بگذارید. برچسبی که زیرش چیزی نباشد، مثل [solo] قبل از ترجیع‌بند آخر، جا را برای یک قسمت بی‌کلام باز می‌گذارد. یک قانون از همه مهم‌تر است: کلماتی که در همان خط برچسب نوشته شوند حذف می‌شوند، پس همیشه بعد از برچسب یک خط جدید شروع کنید.

در راهنمای پرامپت‌نویسی MiniMax Music 3 یک قالب آماده برای توضیح آهنگ، برگه‌های متن ترانه با برچسب و نمونه‌های کامل در چند سبک پیدا می‌کنی.

• برچسب بخش‌ها تنها در یک خط
• متن اورجینال، هر خط خوانده‌شده در یک خط
• هر بار که ترجیع‌بند برمی‌گردد، آن را کامل تکرار کن
• یک [outro] تا آهنگ تمام شود، نه اینکه ناگهان قطع شود

MiniMax توصیه می‌کند توضیح آهنگ سه بخش داشته باشد. اول، تصویر کلی: ژانر و زیرژانر، تمپو، گام و تونالیته، مسیر احساسی از اولین میزان تا آخرین، صحنه‌ای که آهنگ در آن پخش می‌شود و اینکه میکس چه صدایی داشته باشد. دوم، وکال: جنسیت خواننده، تمبر و رجیستر صدا، شیوهٔ اجرای بندها و ترجیع‌بند، هارمونی‌ها یا وکال‌های پشتیبان و افکت‌هایی مثل ریورب یا دیلی. سوم، تنظیم، به‌صورت یک خط زمانی: در مقدمه چه نواخته می‌شود، در اولین ترجیع‌بند چه چیزی وارد می‌شود، در بریج چه چیزی کنار می‌رود و آهنگ چگونه تمام می‌شود.

حتماً خواننده را توصیف کن. MiniMax اشاره می‌کند آهنگی که در توضیحش اسمی از صدا نیامده، ممکن است به یک قطعهٔ بی‌کلام تبدیل شود. جزئیات را هم خودت تعیین کن: هر چه را باز بگذاری، مدل با معمولی‌ترین انتخابش پر می‌کند. پس «پاپ آکوستیک» یک تنظیم کلیشه‌ای می‌دهد، ولی «بالاد ایندی فولک پاپ، ۸۴ BPM، سل ماژور، گیتار فینگرپیکینگ و پیانوی نمدی در بندها، ویولن‌سل و درامِ بروشی در اولین ترجیع‌بند» همان آهنگی را می‌دهد که در ذهنت می‌شنوی.

برای آهنگی که مدل متنش را از روی یک توضیح می‌نویسد، به‌جای آن از Eleven Music استفاده کن. MiniMax Music 3 مدلی است برای متن‌هایی که خودت نوشته‌ای.

• اول ژانر، تمپو و گام
• خواننده و شیوهٔ اجرا را مشخص کن
• تنظیم را بخش به بخش بچین
• میکس را توصیف کن: گرم، عریض، خام یا صیقلی

تنظیم «مدت» بیشترین زمانی است که آهنگ می‌تواند ادامه پیدا کند، تا پنج دقیقه. این یک سقف است، نه هدف: وقتی متن و تنظیم تمام شود، MiniMax Music 3 خودش آهنگ را پایان می‌دهد. یک برگهٔ کوتاه متن، هر مدتی که بگذاری آهنگ کوتاهی می‌دهد، و متن بلند با مدت کوتاه در همان سقف قطع می‌شود، حتی وسط یک خط.

پس متن را مطابق طولی که می‌خواهی برنامه‌ریزی کن. تقریباً یک بند و یک ترجیع‌بند یک دقیقه را پر می‌کند؛ دو بند، سه ترجیع‌بند و یک بریج سه چهار دقیقه. یک روش کاربردی این است که توضیح را با مدت کوتاه و فقط یک بند و ترجیع‌بند امتحان کنی، وقتی صدا درست شد seed را نگه داری و بعد آهنگ کامل را بسازی.

برای موسیقی بدون وکال، متن را خالی بگذار یا «بی‌کلام» را روشن کن و کل توضیح را صرف خود موسیقی کن. سازها را به ترتیب ورودشان بنویس، همراه با گام و هر تغییر گام، فضای اتاق و نحوهٔ پایان قطعه. یک موسیقی متن سینمایی که با یک ویولن‌سل تنها شروع می‌شود و به ارکستر کامل می‌رسد، یا یک بیت لو‌فای مناسب درس خواندن با پیانوی الکتریک کهنه و خش‌خش صفحهٔ vinyl، هر دو از همان مدلی درمی‌آیند که آواز هم می‌خواند.

برای افکت‌های صوتی کوتاه و صدای محیط، Seed Audio ابزار بهتری است و موسیقی‌های پس‌زمینه و لوپ‌ها در صفحهٔ تولید موسیقی با هوش مصنوعی آمده‌اند؛ به این صفحه سر بزن: تولیدکنندهٔ موسیقی با هوش مصنوعی.

چون وزن‌های MiniMax Music 3 باز است، جامعهٔ کاربرانش برایش LoRA آموزش می‌دهند: فایل‌های افزودنی کوچکی که مدل را به سمت یک ژانر، یک سبک تولید یا شخصیت صوتی خاص می‌برند. بعضی روی نحوهٔ برنامه‌ریزی آهنگ اثر می‌گذارند و بعضی روی صدای آن. در Mage این LoRAها روی خود مدل کار می‌کنند. لینک Hugging Face یا CivitAI یک LoRA مخصوص MiniMax Music 3 را در صفحهٔ Import بچسبان تا در انتخابگر LoRA برای MiniMax Music 3 ظاهر شود.

هر LoRA جدید را با وزن ۱ شروع کن و اگر آهنگ شروع کرد به از دست دادن متن یا ساختار، وزن را کمتر کن. اگر LoRA با یک کلمهٔ راه‌انداز (trigger word) آموزش دیده، آن کلمه را در توضیح بنویس.

وزن‌های باز یعنی هر کسی می‌تواند MiniMax Music 3 را از Hugging Face دانلود کند و خودش اجرایش کند. در عمل، یک مدل زبانی ۸ میلیارد پارامتری در کنار یک مدل صوتی flow-matching به کارت گرافیک قدرتمند، ده‌ها گیگابایت فایل مدل و یک محیط آماده نیاز دارد، و ساخت یک آهنگ پنج‌دقیقه‌ای آن کارت را چند دقیقه مشغول نگه می‌دارد.

در Mage این مدل روی هر دستگاهی، حتی گوشی، در مرورگر اجرا می‌شود و پشتیبانی از LoRA هم از قبل آماده است. و چون Mage مدل‌های ویدیو را هم در همان حساب دارد، آهنگی که اینجا می‌سازی می‌تواند موسیقی متن یک کلیپ شود: سازندهٔ موزیک ویدیو با هوش مصنوعی یک آهنگ را به اجرایی با شخصیت‌های ذخیره‌شده‌ات تبدیل می‌کند.

قیمت MiniMax Music 3 بر اساس «مدتی» است که انتخاب می‌کنی، یعنی بیشترین زمانی که آهنگ می‌تواند ادامه پیدا کند. در پلن پولی، اگر مدت آهنگ در حدی باشد که پلن پوشش می‌دهد، آهنگ بدون Gem ساخته می‌شود و پلن‌های بالاتر آهنگ‌های بلندتری را پوشش می‌دهند. اجراهای نامحدود از صف معمولی استفاده می‌کنند.

بدون پلن، یا برای آهنگی بلندتر از آنچه پلنت پوشش می‌دهد، MiniMax Music 3 با Gem اجرا می‌شود و قیمت پیش از ساخت نمایش داده می‌شود. بسته‌های Gem از $10 برای 10,000 Gem شروع می‌شوند و هر پلن پولی Gem ماهانه هم دارد، 1,500 در Pro.

پوشش هر پلن را در صفحهٔ عضویت مقایسه کن، یا برای دیدن پلنی که هر مدت آهنگ را پوشش می‌دهد، به صفحهٔ مدل MiniMax Music 3 سر بزن.