От промпта к продюсерскому брифу
Главное отличие MiniMax Music 3.0 Studio от стандартных генераторов — переход от простых текстовых запросов к структурированным продюсерским брифам. Система позволяет детально настроить глобальные метаданные (жанр, темп, тональность, эмоциональная дуга), параметры вокала (язык, тембр, исполнение) и аранжировку (инструменты, форма песни, микс). При этом пользовательские теги лирики, такие как [Intro], [Verse], [Chorus], передаются в модель без изменений, сохраняя композиционную целостность.
Техническая архитектура и требования
Проект работает как локальный шлюз (gateway), который транслирует запросы в ComfyUI, оставляя всю вычислительную нагрузку на GPU. Для работы требуется Windows, Python 3.11+, Node.js 20+ и видеокарта NVIDIA с достаточным объемом VRAM. В тестировании использовалась связка с RTX 4090 и квантованными моделями INT8, что позволяет снизить требования к памяти без критической потери качества.
Используемые модели и компоненты
Генерация опирается на специфический стек моделей, доступных в экосистеме ComfyUI. Ниже приведена таблица ключевых компонентов, необходимых для запуска:
| Компонент | Название файла | Назначение |
|---|---|---|
| Diffusion Model | minimax_music3_dit_int8_convrot.safetensors | Основная модель генерации (INT8) |
| Text Encoder | minimax_music3_text_encoder_pruned_int8_convrot.safetensors | Обработка текстовых промптов (INT8) |
| VAE | minimax_music3_dav.safetensors | Декодирование аудио (MiniMax DAV) |
Функционал интерфейса
Веб-интерфейс Studio предлагает темную тему, оптимизированную для рабочих станций. Основные возможности включают:
- Compose: Форма для ввода структурированного брифа, редактор лирики, настройка длительности, шагов генерации, CFG и seed.
- Library: Локальное хранилище метаданных и MP3-превью. Сгенерированные аудиофайлы не сохраняются в Git-репозитории.
- Технологии: Поддержка tiled VAE decode (с перекрытием тайлов 512/64) для оптимизации памяти при декодировании.
Запуск и интеграция
Разработчики предоставляют несколько способов запуска: нативный через Python/Node.js или через Docker Compose. Шлюз слушает порт 8202, а ComfyUI — 8201. Интерфейс доступен по адресу http://127.0.0.1:5173. Проект использует лицензию MIT и позиционируется как независимое сообщественное решение, не аффилированное с MiniMax или ACE-Step, хотя и базируется на их моделях.
Источник: Github ↗