MiniMax Music 3 (offline)

مینی مکس موزیک ۳ (آفلاین)

MiniMax Music 3 (offline)
★★★★★★★★★★۳٫۹
هوش مصنوعی آفلاینابزارهای صوتپلن رایگاناجرای آفلاین
راهنمای نصب و اجرا ↓مشاهده سایت ↗
وزن‌ها رایگان؛ کار تجاری با نمایش نام «MiniMax-Music3» آزاد و بالای ۲۰ میلیون دلار درآمد سالانه مجوز کتبی لازم است.

مدل وزن‌باز آهنگ‌سازی مینی‌مکس (۱۳ اوت ۲۰۲۶): از متن ترانه و توصیف سبک، آهنگ کامل با خواننده تا ۵ دقیقه به‌صورت استریو می‌سازد. از نسخهٔ ۰٫۳۳ در ComfyUI داخلی است و بسته به فایل‌ها کارت ۱۲ تا ۲۴ گیگابایتی می‌خواهد. کار تجاری با نمایش نام «MiniMax-Music3» آزاد است؛ خواندن ترانهٔ فارسی معلوم نیست.

اجرا روی سیستم خودتان

این مدل را یک بار دانلود می‌کنید و بعد بدون اینترنت روی لپ‌تاپ، کامپیوتر یا سرور خودتان اجرایش می‌کنید.

  • بعد از نصب، بدون اینترنت
  • وزن‌های باز
  • MiniMax-Music3 Community License — استفادهٔ تجاری با شرط
  • فارسی: نامعلوم

بعد از دانلود فایل‌ها، ComfyUI و مدل بدون اینترنت آهنگ می‌سازند. اگر قالب را از داخل ComfyUI باز کنید، برنامه فایل‌ها را از Hugging Face می‌خواهد؛ روی سیستم آفلاین آن‌ها را دستی در پوشه‌ها بگذارید.

استفاده رایگان است و کار تجاری هم آزاد است به این شرط که در رابط کاربری محصول تجاری نام «MiniMax-Music3» را نشان دهید. اگر درآمد سالانه بیش از ۲۰ میلیون دلار باشد، مجوز کتبی از مینی‌مکس لازم است. سیاست استفادهٔ مجاز (از جمله نقض‌نکردن مالکیت فکری) باید رعایت شود و سرویس‌های میزبانی‌شده باید سازوکار ایمنی داشته باشند. یک مقالهٔ غیررسمی مجوز را Apache 2.0 نوشته که درست نیست؛ ملاک فایل LICENSE است.

نسخه‌ها و سخت‌افزار لازم

  • ComfyUI int8 (کم‌حافظه)۱۱٫۱B
    حافظهٔ لازم:
    کارت گرافیک ۱۲ گیگ یا رم ۳۲ گیگ
    Comfy-Org/MiniMax-Music-3 ↗

    minimax_music3_dit_int8_convrot.safetensors (۲٫۵۰ گیگابایت) با رمزگذار متن هرس‌شدهٔ int8 (۹٫۲۰) و VAE به نام minimax_music3_dav.safetensors (۰٫۲۲). عدد ۱۲ گیگابایت از راهنمای غیررسمی است؛ tiled_decode را روشن کنید.

  • ComfyUI fp16 + رمزگذار int8۱۱٫۱B
    حافظهٔ لازم:
    کارت گرافیک ۱۶ گیگ یا رم ۲۰ گیگ
    Comfy-Org/MiniMax-Music-3 ↗

    minimax_music3_dit_fp16.safetensors (۴٫۹۱ گیگابایت) با رمزگذار int8 (۹٫۲۰) و همان VAE؛ طبق راهنمای غیررسمی روی کارت ۱۶ گیگابایتی جا می‌شود.

  • ComfyUI fp16 + رمزگذار bf16۱۱٫۱B
    حافظهٔ لازم:
    کارت گرافیک ۲۴ گیگ یا رم ۲۹ گیگ
    Comfy-Org/MiniMax-Music-3 ↗

    مدل fp16 با رمزگذار هرس‌شدهٔ bf16 (۱۶٫۷۱ گیگابایت)؛ طبق راهنمای غیررسمی کارت ۲۴ گیگابایتی.

  • مخزن اصلی MiniMaxAI (کامل)۱۱٫۱B
    حافظهٔ لازم:
    کارت گرافیک ۲۴ گیگ یا رم ۱۰ گیگ
    MiniMaxAI/MiniMax-Music3 ↗

    ۵۷٫۳۵ گیگابایت برای Diffusers و SGLang-Omni (مدل زبانی ۱۷٫۱۷، ترنسفورمر ۹٫۷۳ و flowmatching_vae.pth با ۹٫۸۳ گیگابایت). طبق مینی‌مکس دقت کامل زیر ۲۴ گیگابایت جا می‌شود، با انتقال خودکار به پردازنده حدود ۲۲ گیگابایت و با انتقال لایه‌به‌لایه ۸ گیگابایت (کندتر). دو فایل pickle دارد.

نصب و اجرا

  1. ۱

    ComfyUI را به نسخهٔ ۰٫۳۳ یا جدیدتر به‌روز کنیدویندوز

    update\update_comfyui.bat

    پشتیبانی داخلی از ۰٫۳۳٫۱ (۱۳ اوت ۲۰۲۶) آمد و نسخه‌های ۰٫۳۴ و ۰٫۳۷ اصلاحاتی اضافه کردند. این فایل در پوشهٔ نسخهٔ قابل‌حمل ComfyUI است.

  2. ۲

    قالب آماده را باز کنید

    python main.py

    در http://127.0.0.1:8188 بخش Templates را باز کنید، MiniMax Music 3 را جست‌وجو کنید و دانلود فایل‌ها را بپذیرید.

  3. ۳

    یا فایل‌ها را دستی بگذارید

    از مخزن Comfy-Org/MiniMax-Music-3 مدل (minimax_music3_dit_int8_convrot یا minimax_music3_dit_fp16) را در models/diffusion_models، رمزگذار متن هرس‌شده (int8 یا bf16) را در models/text_encoders و minimax_music3_dav.safetensors را در models/vae بگذارید. روی کارت کم‌حافظه مدل INT8 و tiled_decode را انتخاب کنید.

  4. ۴

    یا روی سرور با SGLang-Omniلینوکس

    sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000

    این مسیر مخزن اصلی ۵۷ گیگابایتی را با دو فایل pickle بارگذاری می‌کند؛ فقط از مخزن رسمی MiniMaxAI دانلود کنید.

دانلود

نکات امنیتی

  • مخزن اصلی دو فایل pickle دارد (dav.pth و flowmatching_vae.pth) که هنگام بارگذاری می‌توانند کد اجرا کنند؛ نسخهٔ Comfy-Org که همه‌اش safetensors است امن‌تر است.
  • مسیر Diffusers نصب از یک درخواست ادغام‌نشده را می‌خواهد؛ روی سیستم کاری از آن پرهیز کنید.
  • سیاست استفادهٔ مجاز ساخت آهنگی را که حق مالکیت فکری دیگران را نقض کند ممنوع می‌کند.
  • ComfyUI را با گزینهٔ --listen روی اینترنت باز نکنید؛ پورت ۸۱۸۸ را فقط در شبکهٔ داخلی و پشت رمز عبور استفاده کنید.

برای شرکت‌ها و سازمان‌ها

برای استودیو یا شرکت: روی سرور با کارت ۲۴ گیگابایتی دقت کامل اجرا می‌شود و SGLang-Omni آن را به سرویس تبدیل می‌کند. سرویس میزبانی‌شده باید سازوکار ایمنی داشته باشد، نام «MiniMax-Music3» باید در رابط محصول دیده شود و بالای ۲۰ میلیون دلار درآمد سالانه مجوز کتبی مینی‌مکس لازم است.

برنامه‌هایی که این مدل را اجرا می‌کنند

هم‌سطح ابری

آخرین بررسی: ۱۲ مهر ۱۴۰۵ · انتشار: ۲۴ مرداد ۱۴۰۵

معرفی: مینی مکس موزیک ۳ (آفلاین)

MiniMax Music 3 مدل آهنگ‌سازی مینی‌مکس است که وزن‌هایش ۱۳ اوت ۲۰۲۶ عمومی شد و ComfyUI همان روز پشتیبانی‌اش را اضافه کرد. از متن ترانه و توصیف سبک، آهنگ کامل با خواننده تا ۵ دقیقه می‌سازد، با صدای استریو ۳۲ کیلوهرتز و ۱۶ بیتی. ساختار آهنگ را با برچسب‌هایی مثل [Verse] و [Chorus] و یک توصیف ساختاریافتهٔ موسیقی کنترل می‌کنید.

ساختار: یک مدل زبانی سراسری ۸ میلیاردی (Global LLM، بر پایهٔ Qwen3-8B)، یک مدل زبانی محلی ۰٫۶ میلیاردی (Local LLM)، بخش flow matching با ۲٫۴ میلیارد پارامتر و رمزگشای Flow-VAE؛ روی هم حدود ۱۱٫۱ میلیارد پارامتر. فقط روی کارت انویدیا (CUDA) اجرا می‌شود و خروجی را هم‌زمان با ساخت پخش نمی‌کند.

سخت‌افزار: طبق مینی‌مکس دقت کامل زیر ۲۴ گیگابایت حافظهٔ کارت جا می‌شود، با انتقال خودکار به پردازنده حدود ۲۲ گیگابایت لازم است و با انتقال لایه‌به‌لایه حتی کارت ۸ گیگابایتی کافی است ولی کندتر (این آخری را کسی مستقل زمان‌سنجی نکرده). فایل‌های ComfyUI کوچک‌ترند: مدل fp16 با ۴٫۹۱ گیگابایت، رمزگذار متن هرس‌شدهٔ int8 با ۹٫۲۰ (یا bf16 با ۱۶٫۷۱) و VAE با ۰٫۲۲ گیگابایت. طبق یک راهنمای غیررسمی، مدل int8 (۲٫۵ گیگابایت) با رمزگذار int8 روی کارت ۱۲ گیگابایتی با ۳۲ گیگابایت رم، fp16 با رمزگذار int8 روی ۱۶ گیگ و fp16 با رمزگذار bf16 روی ۲۴ گیگ اجرا می‌شود. مستندات ComfyUI برای کارت کم‌حافظه مدل INT8 و tiled_decode را توصیه می‌کند.

راه‌های اجرا: ComfyUI نسخهٔ ۰٫۳۳ به بعد (با اصلاحات در ۰٫۳۴ و ۰٫۳۷)، SGLang-Omni برای سرور، و Diffusers که فعلاً باید از یک درخواست ادغام‌نشده نصب شود.

دو نکته: هیچ‌کدام از کارت مدل، مستندات ComfyUI و وبلاگ Comfy زبان‌های ترانه را نام نبرده‌اند، پس خواندن ترانهٔ فارسی معلوم نیست. مجوز MiniMax-Music3 Community کار تجاری را آزاد می‌گذارد به شرط نمایش نام «MiniMax-Music3» در رابط محصول، و بالای ۲۰ میلیون دلار درآمد سالانه مجوز کتبی می‌خواهد. یک مقالهٔ غیررسمی مجوز را Apache 2.0 نوشته که با فایل LICENSE نمی‌خواند.

بهترین کاربردها

  • •بدون اینترنت روی کامپیوتر خودم از متن ترانه آهنگ کامل با خواننده بسازم
  • •جایگزین آفلاین Suno را روی کارت گرافیک خودم اجرا کنم
  • •در ComfyUI آهنگ چنددقیقه‌ای با بند و ترجیع‌بند را آفلاین بسازم
  • •روی سرور شرکت موسیقی پس‌زمینهٔ ویدیو بسازم بدون آپلود در سرویس آنلاین
  • •با کارت ۱۲ تا ۲۴ گیگابایتی مدل باز آهنگ‌سازی را روی سیستم خودم نصب کنم

برای این کارها سراغش نروید

  • –خواندن مطمئن ترانهٔ فارسی
  • –تبدیل متن به گفتار یا کلون صدا
  • –اجرا روی مک یا کارت AMD
  • –ساخت آهنگ آنلاین بدون نصب

تصاویر محیط ابزار

صفحهٔ اصلی مینی مکس موزیک ۳ (آفلاین)

صفحهٔ اصلی مینی مکس موزیک ۳ (آفلاین)

قابلیت‌ها و محیط کار

قابلیت‌ها و محیط کار

نقاط قوت

  • ✓آهنگ کامل با خواننده تا ۵ دقیقه، استریو ۳۲ کیلوهرتز
  • ✓کنترل ساختار آهنگ با برچسب‌هایی مثل [Verse] و [Chorus]
  • ✓قالب آمادهٔ داخلی در ComfyUI از نسخهٔ ۰٫۳۳
  • ✓با فایل‌های int8 روی کارت ۱۲ گیگابایتی (طبق راهنمای غیررسمی)
  • ✓کار تجاری با ذکر نام تا ۲۰ میلیون دلار درآمد سالانه آزاد

نقاط ضعف

  • ✗دست‌کم کارت انویدیای ۱۲ گیگابایتی و ۳۲ گیگابایت رم با فایل‌های int8 ComfyUI (حدود ۱۲ گیگابایت دانلود) لازم است؛ فقط CUDA، پس مک و کارت AMD را پشتیبانی نمی‌کند
  • ✗خواندن ترانهٔ فارسی معلوم نیست؛ هیچ فهرست زبانی منتشر نشده
  • ✗در محصول تجاری باید نام «MiniMax-Music3» دیده شود و بالای ۲۰ میلیون دلار درآمد مجوز کتبی لازم است
  • ✗مخزن اصلی ۵۷ گیگابایت است و دو فایل pickle (.pth) دارد؛ نسخهٔ Comfy-Org امن‌تر است
  • ✗ادعای اجرا روی کارت ۸ گیگابایتی از خود مینی‌مکس است و مستقل زمان‌سنجی نشده

راهنمای تگ‌های مینی مکس موزیک ۳ (آفلاین)

تگ‌ها کلمه‌های انگلیسی کوتاهی‌اند که ابزار آن‌ها را نمی‌خواند، اجرا می‌کند: کجای آهنگ ترجیع‌بند است، کجا گروه کر بخواند، کجا گوینده بخندد یا مکث کند. معنی فارسی هر تگ و جای درستش در متن را این‌جا ببینید.

شکل تگ‌ها در این ابزار: فقط تگ‌های ساختار، با همین املا: [Intro] [Verse] [Pre Chorus] [Chorus] [Post Chorus] [Hook] [Bridge] [Break] [Build Up] [Interlude] [Inst] [Solo] [Outro].

  • املای MiniMax را دقیق رعایت کنید: Pre Chorus و Build Up بدون خط تیره، و بخش بی‌کلام [Inst].
  • حس، ساز و نوع خواننده را در توضیح سبک بنویسید، نه داخل متن ترانه.

نمونه

[Intro]

[Verse]
شب که می‌آید، چراغ خانه روشن است
یاد تو مثل نسیمی آرام است

[Pre Chorus]
دلم پر می‌کشد سوی تو

[Chorus]
با تو هر روزم بهار است
دل من با تو یک‌صداست

[Inst]

[Outro]
ساختار آهنگ (۱۲)
[Intro]مقدمه (اینترو)
یعنی چه: چند ثانیهٔ آغاز آهنگ، معمولاً فقط ساز، پیش از اولین جملهٔ خواننده.
کجا بگذارید: اول متن، بالای همهٔ خط‌ها. اگر نمی‌خواهید خواننده چیزی بخواند، زیرش خطی ننویسید.
[Verse]بند (ورس)
یعنی چه: بخش روایی آهنگ؛ داستان در بندها جلو می‌رود و ملودی آرام‌تر از ترجیع‌بند است. هر بند متن تازه دارد.
کجا بگذارید: بالای هر بند شعر. بند دوم را [Verse 2] بنویسید تا مدل بداند بند تازه است.
[Pre Chorus]پیش‌ترجیع (پری‌کورس)
یعنی چه: یکی دو خط کوتاه که هیجان را بالا می‌برد و شنونده را برای ترجیع‌بند آماده می‌کند.
کجا بگذارید: بین بند و ترجیع‌بند.
[Chorus]ترجیع‌بند (کورس)
یعنی چه: بخش اصلی و تکرارشوندهٔ آهنگ که در ذهن می‌ماند؛ معمولاً پرانرژی‌ترین بخش است.
کجا بگذارید: بعد از هر بند (یا پیش‌ترجیع). متن همهٔ ترجیع‌بندها را یکسان بنویسید.
[Post Chorus]پس‌ترجیع
یعنی چه: تکهٔ کوتاه بعد از ترجیع‌بند، اغلب یک کلمه یا آوای تکراری که حس ترجیع را ادامه می‌دهد.
کجا بگذارید: بلافاصله بعد از ترجیع‌بند.
[Hook]قلاب (هوک)
یعنی چه: یک جملهٔ کوتاه و گیرا که بارها تکرار می‌شود؛ در رپ و پاپ جای ترجیع‌بند هم می‌نشیند.
کجا بگذارید: جایی که جملهٔ گیرا باید تکرار شود، معمولاً اول آهنگ یا جای ترجیع‌بند.
[Bridge]پل (بریج)
یعنی چه: بخشی با ملودی و حس متفاوت، معمولاً فقط یک بار و نزدیک پایان، تا آهنگ تکراری نشود.
کجا بگذارید: بعد از ترجیع‌بند دوم و پیش از ترجیع‌بند آخر.
[Interlude]میان‌پرده
یعنی چه: فاصلهٔ سازی کوتاه بین دو بخش، بدون آواز.
کجا بگذارید: بین دو بخش، روی خط جدا و بدون متن زیرش.
[Inst]بخش بی‌کلام
یعنی چه: قطعه‌ای که فقط ساز می‌زند و خواننده ساکت است.
کجا بگذارید: هر جا آواز نمی‌خواهید؛ زیرش متنی ننویسید.
[Build Up]اوج‌گیری (بیلدآپ)
یعنی چه: بالا رفتن تدریجی شدت و انرژی تا رسیدن به ترجیع‌بند یا دراپ.
کجا بگذارید: پیش از ترجیع‌بند یا دراپ.
[Break]توقف (بریک)
یعنی چه: چند لحظه که بیشتر سازها قطع می‌شوند تا ادامهٔ آهنگ تأثیر بیشتری بگذارد.
کجا بگذارید: وسط آهنگ، پیش از یک بخش مهم.
[Outro]پایان‌بندی (اوترو)
یعنی چه: بخش پایانی که آهنگ را آرام یا با تکرار آخرین جمله می‌بندد.
کجا بگذارید: آخر متن، بعد از آخرین ترجیع‌بند.
ساز و تک‌نوازی (۵)
[Solo]تک‌نوازی گیتارتجربی
یعنی چه: چند میزان که گیتار به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.
کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Solo]تک‌نوازی پیانوتجربی
یعنی چه: چند میزان که پیانو به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.
کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Solo]تک‌نوازی ویولنتجربی
یعنی چه: چند میزان که ویولن به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.
کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Solo]تک‌نوازی ساکسیفونتجربی
یعنی چه: چند میزان که ساکسیفون به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.
کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Solo]تک‌نوازی درامتجربی
یعنی چه: چند میزان که درام به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.
کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.

قیمت‌گذاری

رایگان (وزن باز)

Free (open weights)

رایگان

  • • وزن‌ها رایگان
  • • کار تجاری با نمایش نام «MiniMax-Music3»
  • • بالای ۲۰ میلیون دلار درآمد سالانه، مجوز کتبی

قیمت‌ها تقریبی و بر اساس آخرین بازبینی است؛ برای قیمت دقیق به سایت رسمی مراجعه کنید.

پرسش‌های پرتکرار

با چه کارت گرافیکی اجرا می‌شود؟

فقط کارت انویدیا. طبق یک راهنمای غیررسمی، با فایل‌های int8 ComfyUI کارت ۱۲ گیگابایتی و ۳۲ گیگابایت رم کافی است، با مدل fp16 و رمزگذار int8 کارت ۱۶ گیگ و با رمزگذار bf16 کارت ۲۴ گیگ. مینی‌مکس می‌گوید دقت کامل زیر ۲۴ گیگابایت جا می‌شود و با انتقال لایه‌به‌لایه کارت ۸ گیگابایتی هم کار می‌کند، ولی کندتر.

ترانهٔ فارسی می‌خواند؟

معلوم نیست. کارت مدل، مستندات ComfyUI و وبلاگ Comfy هیچ فهرستی از زبان‌های ترانه منتشر نکرده‌اند. پیش از کار جدی چند آزمایش کوتاه با ترانهٔ فارسی بگیرید.

برای کار تجاری آزاد است؟

بله، به شرط آنکه نام «MiniMax-Music3» در رابط محصول تجاری دیده شود و سیاست استفادهٔ مجاز (از جمله نقض‌نکردن مالکیت فکری) را رعایت کنید. اگر درآمد سالانه بیش از ۲۰ میلیون دلار باشد، مجوز کتبی از مینی‌مکس لازم است. یک مقالهٔ غیررسمی آن را Apache 2.0 نوشته که درست نیست؛ ملاک فایل LICENSE است.

چطور نصب کنم؟

ComfyUI را به نسخهٔ ۰٫۳۳ یا جدیدتر به‌روز کنید، در Templates عبارت MiniMax Music 3 را جست‌وجو کنید و دانلود فایل‌ها را بپذیرید، یا فایل‌های مخزن Comfy-Org/MiniMax-Music-3 را در پوشه‌های diffusion_models، text_encoders و vae بگذارید. روی سرور SGLang-Omni هم هست.

روی مک یا کارت AMD اجرا می‌شود؟

نه. طبق کارت مدل فقط روی CUDA، یعنی کارت انویدیا، اجرا می‌شود.

امتیاز و نظر شما

بدون نیاز به ثبت‌نام؛ نظر متنی پس از بررسی منتشر می‌شود.

نظرات کاربران

هنوز نظری ثبت نشده — اولین نفر باشید!

ابزارهای مشابه

مشاهده همه
ACE-Step 1.5 (offline)

ایس استپ ۱.۵ (آفلاین)

ACE-Step 1.5 (offline)

رایگان

مدل ساخت آهنگ متن‌باز ACE Studio و StepFun با مجوز MIT؛ آهنگ کامل با کلام و ساز تا ۱۰ دقیقه را با کارت گرافیک حدود ۴ گیگابایتی می‌سازد و فارسی هم در فهرست زبان‌هایش هست.

تولید موسیقی
★★★★★★★★★★۴٫۲پشتیبانی فارسی ✓
Soundraw

ساندراو

Soundraw

رایگان

سازندهٔ موسیقی بی‌کلام بدون حق امتیاز (royalty-free)؛ ژانر، حس و طول را انتخاب می‌کنید و بی‌نهایت قطعه برای ویدئو و پادکست می‌سازد.

تولید موسیقیدسترسی APIتبدیل متن به گفتار
★★★★★★★★★★۳٫۸(۵ رأی)
Kaiber

کایبر

Kaiber

استودیوی خلاق موزیک‌ویدیو و انیمیشن هنری؛ Beat Sync ویدیو را خودکار با ریتم موسیقی هماهنگ می‌کند.

تولید ویدئوتبدیل عکس به ویدئوویرایش ویدئو
★★★★★★★★★★۳٫۷(۵ رأی)