MiniMax 發布了全新的 AI 音樂生成模型 MiniMax-Music3，該模型具備強大的多語者音訊能力與實驗性的影片生成功能。此模型已整合至 audio.cpp 程式庫中，能夠在本地端快速執行多語者對話生成。該模型架構結合了用於長程結構的 8B 全域大型語言模型與用於聲學細節的 0.6B 本地端大型語言模型，並採用 Flow Matching 與 Flow-VAE 進行合成。社群在 audio.cpp v0.6 上的測試顯示，在 RTX 5090 上生成影片與音訊約需 114 秒。

事件背景

MiniMax-Music3 是一個 AI 模型，能將文字提示、歌詞與製作筆記轉換為完整的音軌或純音樂。Audio.cpp 是一個基於 ggml 建構的高效能純 C++ 推論引擎，旨在讓現代本地端音訊模型變得實用且快速，且無需依賴 Python。

社群觀察

社群成員讚賞其整合至 audio.cpp 的速度與多語者能力，有使用者指出在 RTX 5090 上的影片生成表現令人印象深刻。大家對模型品質充滿熱情，同時也有使用者呼籲提供 MLX 支援，並對開放權重的混音功能表示興趣。