原帖内容

MiniMax-Music3というローカル音楽生成モデルが出ましたので触ってみました（2026年8月時点、RTX 5090）。 プロンプトが薄いと音数の少ない出力になりがち。 公式デモのプロンプトもだいたい1曲に600〜800語使っています。 とても人の手で書く量ではない……と思ったら、公式GitHubにmusic-caption-rewriterというスキルが同梱されていました。短いプロンプトをLLMでこの書式に展開させましょう、ということなのかな。 自分はClaude Codeにこのスキルを読ませて書かせました。 語数少なめで出てくるミニマムなビートは自分は全然ありです。ただ、日本のメロディがしっかりしたポップスやロックが好きな人にはどうでしょう……。 Sunoの「エモいポップス」みたいな数語の指定でそこそこ聞けるものが出てくる、という感じではないです。 Sunoのどのモデルに似ているとも言い難く（あえて言うならv5.5）、どちらかというとACE-Step 1.5 XLに似てます。 Sunoのように全く関連性のないジャンルを無理やり併せてみる、みたいな使い方は難しそうです。 日本語の歌唱はかなりしっかりしています。動画生成のH3では漢字が中国語読みに引っ張られることがありましたが、Music3では今のところですが発音間違いは少ない印象。日英混じりの歌詞も歌い分けます。 一方で、ローカルの方にはSunoにあるCoverやExtendのような機能はありません。今のところ（2026年8月時点）テキストと歌詞から一発生成するだけ。 生成時間は、モデルロード後なら曲の実時間とだいたい同じくらい（60秒の曲が約50秒、2分半の歌ものが約3分）。 同じシードでも、秒数を変えると全く違う曲が出てきます。 添付は同じ歌詞・同じシードで、Sunoに書くようなプロンプトをそのまま入れた版(A)と、公式書式に展開した版(B)の聴き比べ。参考に(A)と同プロンプトを入れたSuno v4.5版(C)及びv5.5版(D)も入れています。 ただし、Suno版(C)(D)はAと同じプロンプトを使ってはいますが、Createを押すたびに（おそらくSeedが変わり）違う曲が出てきますので、公平な測定環境ではありません。