Comfy-Org/MiniMax-Music-3

Minimax Music 3. Open Source!! Музыкальная тема не отпускает, будем жечь дальше, хотя там вышла Gemini 3.7 Flash и GLM 5.3 Их позже обсудим. Для ботов: ACE < Minimax < Suno. Для тех, кто физическим не может в длинные тексты: MiniMax Music 3 - новая локальная open-weight модель, которая уже завелась в ComfyUI и умеет генерировать длинные полноценные песни с вокалом. Под капотом гибрид: 8B LLM на базе Qwen3-8B держит структуру трека, 0.6B LLM занимается локальными деталями, а Flow Matching + Flow-VAE превращают это в аудио. Теперь для гиков. Технически MiniMax Music 3 устроен заметно интереснее обычных audio-token моделей. Под капотом гибридная схема: 8B LLM на базе Qwen3-8B отвечает за длинную структуру трека, развитие куплетов, припевов и общую музыкальную логику; отдельный 0.6B LLM дорисовывает более локальные, покадровые акустические детали. После этого звук не декодируется напрямую из токенов: объединенные hidden states идут в 2.4B Flow Matching-модуль + Flow-VAE , которые уже синтезируют финальное аудио. Уже есть поддержка ComfyUI Официальный workflow MiniMax Music 3 сейчас выводит такие основные параметры: - Caption - стиль, BPM, тональность, вокал, инструменты, аранжировка - Lyrics - текст + структурные теги [Intro] , [Verse] , [Chorus] , [Bridge] , [Solo] , [Outro] и т.д. - max_duration - длительность, до примерно 300 секунд - `seed` - есть . - tiled_decode - экономия VRAM при декодировании длинных треков. Самое главное: железо Не так все плохо, однако. MiniMax официально пишет: - full precision помещается менее чем в 24 GB VRAM - с automatic CPU offload расход GPU около 22 GB - с layer-by-layer streaming можно запустить даже на 8 GB VRAM , но заметно медленнее. Для ComfyUI уже есть три чекпойнта(на момент написания): - minimax_music3_dit_fp16.safetensors - minimax_music3_dit_int8_convrot.safetensors - minimax_music3_text_encoder_pruned_int8_convrot.safetensors Плюс отдельный VAE. Comfy прямо рекомендует INT8 + tiled decode для д