MiniMax Music3の導入方法：ローカル実行と商用利用の条件

MiniMax Music3は、歌詞と曲調を伝える文から最大5分の曲を作る音楽生成モデルです。MiniMaxが重み（学習で得たモデル本体のデータ）を公開していて、ローカル環境のGPUで動作させることができます。実行環境を整えたあとのコマンドは取得と起動の2つで、必要なVRAM（GPUのメモリ）は構成によって異なり、24GB未満から8GBまでの幅があります。

商用で使う場合は、ライセンスに条件があります。UIへの表示と、売上が2,000万米ドル（約31億8,000万円）を超えるときの書面許諾です。

MiniMax Music3とは？最大5分の曲を作るモデル

MiniMax Music3とは、歌詞と曲調を伝える文から最大5分の曲を作る、MiniMaxの音楽生成モデルです。つまり、歌詞と曲調の説明に沿って構造のまとまった曲を作ります。

イントロからアウトロまでそろったフルサイズの曲に対応しています。長い曲でも、テーマ・リズム・ボーカルの個性・編曲の進み方を保つとのこと。

歌詞と曲調の説明を入力として与える

入力は、歌詞と曲調を伝える文の2つです。 歌詞は歌う言葉そのものです。曲調の説明（モデルカードの呼び名は音楽記述）には、スタイル・感情の展開・ボーカル・楽器編成・編曲・制作の方向性を言葉で書きます。

歌詞には、曲の構成を表すタグを入れることができます。モデルカードにある例は、次の9つです。

• [Intro]・[Verse]・[Pre-Chorus]
• [Chorus]・[Post-Chorus]・[Bridge]
• [Instrumental]・[Solo]・[Outro]

たとえば弾き語り風のポップスを1曲作る場合は、歌詞に[Verse]と[Chorus]を書きます。曲調の説明には「温かいアコースティックポップ」「親密な女性ボーカル」「フィンガーピッキングのギター」といった言葉を入れます。モデルカードの例も、この分け方です。

構成タグと3段構成キャプションの書き方

細かく指定するなら、3つの部分に分けた構造化キャプション（Structured Caption）で曲調を書きます。 MiniMaxもこの書き方を勧めています。

この書き方をすると、モデルは曲全体のスタイルだけでなく、曲が時間とともにどう展開するかにも従うことができます。短い自然文の説明も、そのまま使うことができます。

短い説明から3つの部分に分けた記述を作るときは、MiniMaxのスキルmusic-caption-rewriterで書き直します。歌詞に付いた構成タグの指示は編曲の記述に残り、歌詞の文字は歌詞の入力に残ります。入れるコマンドは次のとおりです。

npx skills add MiniMax-AI/MiniMax-Music3 --skill music-caption-rewriter

MiniMax Music3をローカルで動作させる方法

ローカルで動作させるには、MiniMaxが推奨するSGLang-Omni・diffusers・ComfyUIのどれかを使います。 ローカルで動作させるとは、MiniMaxのサーバーを使わず、ご自身のGPUで推論（モデルが曲を生成する処理）を実行することです。モデルはHugging Faceからhf downloadで取得します。

3つの推論ソフトには、それぞれ参照先があります。モデルカードの記載は次のとおりです。

• SGLang（SGLang-Omniとして対応）：cookbook
• diffusers：diffusers docs
• ComfyUI：ComfyUI tutorials

推論にはCUDA（NVIDIA製のGPUで計算を実行する仕組み）が必要です。CUDAについては、このあと制限事項のところで改めて書きます。

SGLang-Omniでサーバーを立てて生成

SGLang-Omniでは、モデルを取得してサーバーを起動し、curlで歌詞と曲調の説明を送信します。また、実行環境を整える際の参照先はMiniMax公式のインストールガイドです。

hf download MiniMaxAI/MiniMax-Music3 --local-dir /path/to/minimax_ttm
sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000

生成には、音声合成と共通のAPI（外部のプログラムから呼び出す窓口）を使い、歌詞をinputに、曲調の説明をinstructionsに入れます。構成タグの[Verse]や[Chorus]は、歌詞の中でそれぞれ単独の行に置きます。

curl http://127.0.0.1:8000/v1/audio/speech \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "MiniMaxAI/MiniMax-Music3",
    "input": "[Verse]\nMorning light filtering through the pine\n[Chorus]\nSoftly the world begins to breathe",
    "instructions": "A warm acoustic pop song with intimate female vocals, fingerpicked guitar, soft piano, and a gradual emotional build into a wide final chorus.",
    "response_format": "wav",
    "seed": 7,
    "max_new_tokens": 750,
    "stream": false
  }' \
  --output minimax_music3.wav

max_new_tokensは音声フレーム数の上限で、1秒あたり25フレームです。終了のトークンをモデルが出せば、上限より前に生成が終わることもあります。応答は32kHz・16ビットのステレオWAVで、minimax_music3.wavに保存されます。

diffusersとComfyUIで動作させる場合

diffusersではモジュラーパイプラインとして実行でき、ComfyUIはモデルカード記載のチュートリアルに従って導入可能です。また、diffusersのPR #14456（機能追加の提案）が取り込まれるまでは、そのPRのコミットからdiffusersを入れます。

pip install git+https://github.com/huggingface/diffusers@dafe3733fcfdbf3c48915fe77be3aef65b5d6a2d transformers accelerate soundfile

モデルカードのスニペットは、24GB以上のVRAMを持つGPU向けです。ModularPipeline.from_pretrainedでモデルを読み込み、audio_durationに曲の長さを指定します。例は60.0秒です。

import soundfile as sf
import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")

lyrics = """[verse]
Morning light filtering through the pine
Every quiet street is yours and mine
[chorus]
Softly the world begins to breathe"""

prompt = (
    "Genre: acoustic pop. BPM: 96. Key: C major. Warm and intimate, building gently into the chorus. "
    "Vocals: soft female lead, close and breathy, light stacked harmonies in the chorus. "
    "Arrangement: fingerpicked guitar and soft piano; brushed drums and upright bass enter in the chorus."
)

audio = pipe(
    prompt=prompt,
    lyrics=lyrics,
    audio_duration=60.0,
    generator=torch.Generator("cuda").manual_seed(7),
    output="audios",
)[0]

sf.write("song.wav", audio.T.float().cpu().numpy(), pipe.sampling_rate)

ComfyUIも、MiniMaxが推奨する推論ソフトです。導入手順は、モデルカード記載のチュートリアルに従います。

VRAMは何GBあれば動作するのか？

必要なVRAMはフル精度なら24GB未満で、層ごとのストリーミングを使う構成なら8GBです。 モデルの重みや計算中のデータは、GPUのメモリであるVRAMに置かれます。

MiniMaxの説明は、次の3段階です。段階が進むほど、必要なVRAMは小さくなります。

• フル精度：VRAMの使用量が24GB未満に収まる
• 自動CPUオフロード（VRAMに収まらない分をCPU側のメモリへ逃がす機能）：約22GBで生成できる
• 言語モデルの層ごとのストリーミングを追加：8GBのビデオカードでも動作する

構成ごとの必要VRAM

構成が進むにつれて、フル精度24GB未満・自動CPUオフロード約22GB・層ごとのストリーミング8GBと順に小さくなる。ストリーミングを使うと遅くなる。

24GB未満フル精度

約22GB自動CPUオフロード

8GB層ごとのストリーミング

01020GB

モデルカードが遅いとしているのは、層ごとのストリーミングだけです。自動CPUオフロードについては、遅いという記述がありません。VRAMが約22GBを下回るGPUでは、層ごとのストリーミングを追加する必要があります。

VRAMが少ないGPU向けの例では、ComponentsManagerで自動CPUオフロードを有効にしたうえで、言語モデルにapply_group_offloadingを適用します。コード内のコメントによると、約22GBを下回るときだけ必要で、遅くなっても8GBで動作するとのこと。

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")
pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-Music3", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)

# Only needed below ~22 GB of VRAM — slower, but fits in 8 GB.
apply_group_offloading(
    pipe.language_model,
    onload_device=torch.device("cuda"),
    offload_type="leaf_level",
    use_stream=True,
)

ローカルでLLMを実行する際に必要なメモリの目安については、「Colibrìとは？744Bモデルを16GBのPCで実行する推論エンジン」もあわせてご覧ください。コーディング用途の実例は、「M2 MacでのローカルLLMコーディング、最先端モデルの約75%に」にあります。

MiniMaxが書く制限事項は何か？

MiniMaxが書く制限事項は、CUDAが必要なこと・長さや入力の上限・指定が厳密には効かないことです。 モデルカードの制限事項は、次のとおりです。

• 推論にはCUDAが必要。CUDAを使うことができるGPUが前提なので、8GBの構成も同じ
• 生成は非ストリーミングだけに対応。曲ができあがった部分から順に受け取る使い方は、現時点ではできない
• テキストのプロンプトは、トークン（文章をカウントする単位）にしたとき5,000トークンまで
• 音声の生成は、9,000の音響フレームまで
• 構成タグと曲調の説明は生成の制御であって、厳密な保証ではない

最後の制限は、実際の使い方に影響します。たとえば曲調の説明でBPMやキーを指定しても、できあがる曲のテンポやキーが指定と細部まで一致するとは限りません。モデルカードによると、テンポやキーのほか楽器編成・歌詞・曲の構成も指定どおりにならないことがあるとのこと。

MiniMax Music3の商用利用とライセンスの条件

商用で使うときはUIへの表示が必須で、売上が2,000万米ドル（約31億8,000万円）を超えると書面許諾も必要です。 ライセンスの名前は「MiniMax-Music3 COMMUNITY LICENSE」です。

モデルの重み・パラメータ・設定ファイル・推論コード・関連ドキュメントを、まとめてSoftwareと呼びます。Softwareは、無償で使用・複製・改変・公開・配布できます。条件は次のとおりです。

• ライセンス本文にある著作権表示と許諾表示を、すべての複製や主要部分に含める
• 適用される法令（貿易管理法令を含む）と、利用規定（Exhibit A）に従う
• 第三者の知的財産権などを、使う過程で侵害しない

このほかに、商用の条件と第三者に提供する場合の条件があります。重みが公開されていることと、商用で使うことができることは別の話です。重みを無償で使っても、商用ではUIへ表示する条件が加わり、売上によっては書面許諾も必要になります。

Softwareは「現状のまま」提供され、保証はありません。利用が適切かどうかの判断と利用に伴うリスクは、ユーザーの責任とされています。

UI表示の義務と売上2,000万ドル超の条件

UIに「MiniMax-Music3」を表示し、売上が2,000万米ドル（約31億8,000万円）を超えるときは事前の書面許諾が必要です。 商用の条件は、次の2つです。

売上条件の対象は、Softwareを使う製品・サービスからご自身と関連会社が得る売上の合計です。会社全体の売上ではありません。書面許諾の連絡先はapi@minimax.ioで、件名は「MiniMax-Music3 licensing - authorization request」にします。

たとえば曲を作る機能を自社のアプリに組み込んで売る場合は、アプリの画面に「MiniMax-Music3」と表示します。そのアプリの売上が、関連会社の分と合わせて2,000万米ドル（約31億8,000万円）を超えるなら、事前の書面許諾が必要です。

第三者に提供するときの安全対策と禁止用途

生成機能を第三者に提供するなら、安全対策の実装と維持が条件です。 対象は、生成機能を持つ製品・サービスやホスト型サービスです。提供する前から運用している間ずっと、第三者の知的財産権を侵害するものを含め、ライセンスに反する利用や出力を防ぐ対策が必要になります。

対策は合理的で、目的に見合った技術面・組織面のものにして、実装・維持・テストを行い、定期的に見直します。自社製品・システム・ユーザー・配布先のすべてでこの対策を履行する責任は、ご自身にあります。安全対策については、次の3つが禁止です。

• 意図的な無効化
• 実質的な弱体化
• 回避の黙認

利用規定（Acceptable Use Policy）の禁止用途は19種類で、最終改訂は2026年8月6日です。MiniMaxは規定を随時更新する権利を持ちます。禁止用途の例は次のとおりです。

• 11番目：公開の場に出す情報（画像・コード・投稿・記事を含む）を、機械生成であることを明確かつ目立つように開示せずに生成・流布する使い方
• 13番目：法執行・移民・医療・重要インフラ・与信・雇用・住宅・教育・ソーシャルスコアリング・保険など、個人の安全や権利に関わる分野での高リスクな自動意思決定
• ほかに、法令違反・知的財産権の侵害・安全装置の回避・未成年者の搾取・選挙に影響する偽情報・偽レビュー・本人の同意がないなりすまし・軍事目的

VRAM8GBから動かせ、商用は表示が条件

MiniMax Music3は、歌詞と曲調の説明から曲を作る、重みが公開されたモデルです。実行環境を整えたうえで、hf downloadで取得してsgl-omni serveで起動すれば動作させることができます。どの構成でも推論にはCUDAが必要で、必要なVRAMは次の3段階です。

• フル精度：24GB未満
• 自動CPUオフロード：約22GB
• 層ごとのストリーミング：8GB

商用で使うときはUIへの「MiniMax-Music3」の表示が必須で、売上が2,000万米ドル（約31億8,000万円）を超えるときは事前の書面許諾も必要です。 生成機能を第三者に提供する場合は、安全対策も条件に加わります。