MiniMax zenegenerátor

A MiniMax Music 3 a MiniMax mesterséges intelligencián alapuló zenei modellje; a MiniMax ugyanaz a labor, amelyik a MiniMax-H3 videómodellt is készítette. A MiniMax nyílt súlyokkal adta ki a Hugging Face-en MiniMaxAI/MiniMax-Music3 néven. Akár ötperces teljes dalokat ír két bemenetből: az elénekelendő szövegből és a zene leírásából.

Az különbözteti meg a többitől, hogy az általad írt szavakat énekli el. A legtöbb zenegenerátor a promptból maga ír szöveget; a MiniMax Music 3 az általad megírt dalszöveget adja elő szakaszról szakaszra, abban a sorrendben, ahogy megjelölöd: intro, versszakok, pre-chorus, refrének, bridge, szóló és outro. A leírás határoz meg mindent a többiről, a műfajtól, a tempótól és a hangnemtől az énekesig, valamint azt, hogyan épül fel az aránzsmán az első ütemtől az utolsóig. Hangszeres zenét is készít, a filmzenéktől a tanuláshoz való beatekig.

A Mage a MiniMax Music 3-at a böngésződben futtatja, a többi kép-, videó- és hangmodell mellett, így nem kell semmit letöltened, és videókártyára sincs szükséged. A Mage független kreatív platform, nem a MiniMax része. Amit hozzátesz, az minden a dal körül: korlátlan csomagok, LoRA-k a modell tetején, privát könyvtár mindenhez, amit készítesz, és videómodellek, amelyek a számból zenei videót tudnak csinálni.

A MiniMax Music 3 két bemenetet olvas, és mindegyiknek egy feladata van. A prompt a zenét írja le: a műfajt és az alműfajt, a tempót ütem per percben, a hangnemet, a hangulatot és annak változását, ki énekel és hogyan, és mit csinálnak a hangszerek. A szöveg pedig az elénekelendő szavak, semmi más. A leírást sosem éneklik el, a szöveg pedig sosem határozza meg a stílust, ezért a dal akkor sikerül a legjobban, ha mindkettő a maga területén marad.

A szövegben a szakaszcímkék adják a dal formáját. Írj egy [intro], [verse], [pre-chorus], [chorus], [bridge], [solo] vagy [outro] címkét külön sorba, alá pedig az éneklendő sorokat. Az alatta szöveg nélkül hagyott címke, például egy [solo] az utolsó refrén előtt, helyet hagy egy hangszeres résznek. Egy szabály fontosabb mindennél: a címkével azonos sorba írt szavak kimaradnak, ezért a címke után mindig új sort kezdj.

A MiniMax Music 3 promptolási útmutató kitölthető sablont ad a leíráshoz, címkézett dalszöveglapokat és példákat több műfajban.

• A szakaszcímkék külön sorban
• Saját szöveg, soronként egy énekelt sor
• A refrént minden visszatérésnél írd le teljesen
• Egy [outro], hogy a dal befejeződjön, ne csak megszakadjon

A MiniMax háromrészes leírást javasol. Először az átfogó kép: a műfaj és az alműfaj, a tempó, a hangnem és a skála, az érzelmi ív az első ütemtől az utolsóig, egy jelenet, amelyben a dal szólhatna, és hogy milyen legyen a keverés hangzása. Másodszor az ének: az énekes neme, hangszíne és hangfekvése, hogyan adja elő a versszakokat és a refrént, vannak-e harmóniák vagy kísérőhangok, és milyen effektek szólnak, például zengetés vagy delay. Harmadszor a hangszerelés idővonalként: mi szól az intróban, mi lép be az első refrénnél, mi marad ki a bridge-ben, és hogyan ér véget a dal.

Az énekest mindig írd le. A MiniMax szerint ha a leírás kihagyja a hangot, a dal könnyen hangszeres darabbá válhat. A részleteket pedig döntsd el te: amit nyitva hagysz, azt a modell a legátlagosabb választással tölti ki, így az „akusztikus pop” általános hangszerelést ad, az „indie folk pop ballada, 84 BPM, G-dúr, ujjal pengetett gitár és fültes zongora a versszakokban, cselló és seprűs dob az első refrénnél” viszont azt a dalt, amelyet a fejedben hallasz.

Ha olyan dalt szeretnél, amelynek szövegét a modell írja egy leírás alapján, használd inkább ezt: Eleven Music. A MiniMax Music 3 a saját magad írta szövegekhez való modell.

• Először a műfaj, a tempó és a hangnem
• Nevezd meg az énekest és az előadásmódot
• Írd le a hangszerelést szakaszról szakaszra
• Írd le a keverést: meleg, tág, nyers vagy csiszolt

A Hossz beállítás azt adja meg, meddig tarthat legfeljebb a dal, maximum öt percig. Ez korlát, nem cél: a MiniMax Music 3 magától befejezi a dalt, ha a szöveg és a hangszerelés véget ér. Egy rövid dalszöveg rövid dalt ad, bármi is a Hossz, a hosszú szöveg pedig rövid Hossz mellett a korlátnál elvágódik, akár egy sor közepén is.

Ezért a szöveget a kívánt hosszra tervezd. Nagyjából egy versszak és egy refrén tölt ki egy percet; két versszak, három refrén és egy bridge három-négy percet. Praktikus módszer: próbáld ki a leírást rövid Hosszal és egy versszakkal meg egy refrénnel, tartsd meg a seedet, ha jó a hangzás, aztán renderelheted a teljes dalt.

Ének nélküli zenéhez hagyd üresen a szöveget vagy kapcsold be az Instrumentális módot, és az egész leírást fordítsd a zenére. Nevezd meg a hangszereket a belépésük sorrendjében, a hangnemet és az esetleges hangnemváltást, a teret és a darab befejezését. Egy magányos csellóval induló, teljes zenekarig építkező filmzene vagy egy lo-fi tanulós beat poros elektromos zongorával és bakelitropogással ugyanabból a modellből jön, amelyik énekel is.

Rövid hangeffektekhez és atmoszférához a Seed Audio a jobb eszköz, a zenei alapokról és loopokról pedig az AI zenegenerátor oldal szól: lásd az AI zenegenerátort.

Mivel a MiniMax Music 3 súlyai nyíltak, a közösség LoRA-kat tanít hozzá: kis kiegészítő fájlokat, amelyek a modellt egy műfaj, egy produkciós stílus vagy egy énekkarakter felé terelik. Egyesek a dal felépítését változtatják meg, mások a hangzását. A Mage-en a modellre rakódva működnek. Illeszd be egy MiniMax Music 3 LoRA Hugging Face vagy CivitAI linkjét az Importálás oldalon, és megjelenik a MiniMax Music 3 LoRA-választójában.

Az új LoRA-t 1-es súllyal indítsd, és csökkentsd, ha a dal kezdi elveszíteni a szöveget vagy a szerkezetet. Ha a LoRA-t triggerszóval tanították, írd be azt a szót a leírásba.

A nyílt súlyok azt jelentik, hogy bárki letöltheti a MiniMax Music 3-at a Hugging Face-ről, és maga futtathatja. A gyakorlatban egy 8 milliárd paraméteres nyelvi modell és egy flow-matching hangmodell erős videókártyát, több tíz gigabájtnyi modellfájlt és működő környezetet igényel, egy ötperces dal pedig percekig lefoglalja a kártyát.

A Mage-en böngészőben fut, bármilyen eszközön, telefonon is, a LoRA-támogatás pedig már adott. És mivel a Mage ugyanabban a fiókban videómodelleket is kínál, az itt készített dalból egy klip hangsávja lehet: az AI zenei videó generátor a számból a mentett karaktereid előadását készíti el.

A MiniMax Music 3 ára az általad választott Hossztól függ, vagyis attól, meddig tarthat legfeljebb a dal. Fizetős csomaggal a dal Gem nélkül fut, ha a hossza belefér abba, amit a csomag lefed, és a magasabb csomagok hosszabb dalokat fednek le. A korlátlan futtatások a normál sort használják.

Csomag nélkül, vagy ha a dal hosszabb, mint amit a csomagod lefed, a MiniMax Music 3 Gemekből fut, és az ár a generálás előtt látszik. A Gem-csomagok 10 000 Gemért, $10-tól indulnak, és minden fizetős csomag havi Gemeket tartalmaz, a Pro csomag 1500-at.

Az egyes csomagok tartalmát az előfizetési oldalon hasonlíthatod össze; a MiniMax Music 3 modelloldalán pedig azt láthatod, melyik csomag milyen hosszú dalokat fed le.