kizuna-intelligence/song-generation

曲を作る（MiniMax Music 3）

調査した中で最も新しいオープンな楽曲生成モデル、MiniMax Music 3を使用します。他の候補とライセンスの比較は references/models.md を参照してください。

このスキルのディレクトリを$SKILLと表記します（読み込み時に表示されるベースディレクトリ）。

前提

• GPU 1枚で動作します（diffusers版）。必要なVRAMは、そのままでは約24GB、--offload cpuで約22GB、--offload streamなら8GB（低速）です。
• 動作確認済み: AMD Radeon AI PRO R9700（32GB、ROCm 6.4のPyTorch 2.9.1）。60秒の曲が約5分、実時間の約5倍かかりました。NVIDIAのGPUではまだ試していません（公式の想定はCUDA）。
• 重みは約27GBです。事前にディスクの空き容量を確認してください。
• 公式の高速な手法（SGLang-Omni）はCUDAのGPUが2枚必要であるため、このスキルでは使用しません。

1. 環境を用意する（初回のみ）

既存の環境があればそれを使用します（クローン済みのMiniMax-Music3ディレクトリ内の.venv*など）。なければ作成します。

git clone https://github.com/MiniMax-AI/MiniMax-Music3.git && cd MiniMax-Music3
uv venv -p 3.12 .venv && source .venv/bin/activate
# NVIDIA: uv pip install torch torchaudio
# AMD:    uv pip install torch torchaudio --index-url https://download.pytorch.org/whl/rocm6.4
uv pip install "diffusers==0.41.0" transformers accelerate soundfile huggingface_hub
# SGLang版のみが使用するファイルはダウンロードしません。--excludeはパターンごとに指定します
hf download MiniMaxAI/MiniMax-Music3 --exclude "qwen_7B/qwen_7B/model-*" \
  --exclude flowmatching_vae.pth --exclude dav.pth --exclude "figures/*"

• モデルカードには、未マージ時代のdiffusersのコミットを使用する手順が記載されていますが、それではtransformerが読み込めません。マージ済みのリリース（0.40.0以降、確認済みは0.41.0）を使用してください。
• Hugging Faceのキャッシュ（HF_HOME）のディスク容量が不足している場合は、空き容量のある場所にHF_HOMEを設定してください。
• HF_HUB_OFFLINE=1を設定するとtransformerの読み込みが失敗します。設定しないでください。

2. 歌詞と曲の説明を書く

song.jsonを作成します。

{
  "name": "yoru-no-machi",
  "prompt": "Global Metadata: Japanese city pop, mid-tempo around 100 BPM, nostalgic night-drive mood that lifts into a bright chorus; polished 80s-inspired production. Vocal Details: warm female lead vocal singing in Japanese, airy in the verse, fuller with light harmonies in the chorus. Arrangement: intro with electric piano and slap bass; verse adds tight drums and muted guitar; chorus opens up with synth brass and lush pads; short outro on electric piano.",
  "lyrics": "[intro]\n\n[verse]\n夜の街を ひとり歩く\nネオンの色が 揺れている\n\n[chorus]\nこのまま 朝まで\n君の声 探してる\n\n[outro]",
  "duration": 180
}

• 曲の説明（prompt）は英語で、Global Metadata（ジャンル・テンポ・感情の流れ・音作り）、Vocal Details（声の性別・声質・歌い方・ハーモニー）、Arrangement（セクションごとの楽器の出入り）の3部に分けて記述します。
• 声の性別と声質は必ず記述してください。 記述しないと、歌声が消えて伴奏のみになることがあります。日本語で歌わせる場合はsinging in Japaneseも記述してください。
• 詳細を記述したい場合は、MiniMax公式のスキルmusic-caption-rewriterが利用可能です（npx skills add MiniMax-AI/MiniMax-Music3 --skill music-caption-rewriter、またはクローンしたskills/music-caption-rewriterを~/.claude/skills/にコピー）。
• 歌詞（lyrics）は日本語の漢字・かなのままで記述して構いません（確認済み）。[intro] [verse] [pre-chorus] [chorus] [bridge] [instrumental] [solo] [outro]のタグは必ず単独の行に配置してください。タグと同じ行にある歌詞は無視されます（スクリプトが検出して停止します）。
• 各行は短めにし、同じ位置の行は文字数を揃えてください。セクション間は空行で区切ります（楽曲生成モデル全般のコツです。MiniMax Music 3で効果を比較したわけではありません）。
• durationは上限の秒数（10〜300）です。モデルがそれよりも早く終了することもあります。[intro]を付けると前奏が長くなりやすいです（60秒の試作で約25秒）。
• 実在の曲名・歌手名を指定して似せようとしないでください（ライセンスの禁止事項。下記参照）。

3. 生成する

python $SKILL/scripts/generate.py song.json --out-dir songs/ --seeds 1 2 3

• 同じ設定でもシード値によって異なる楽曲が生成されます。2〜3案作成し、ユーザーに聴いて選んでもらってください。Claudeは音声を聴けないため、良し悪しを自分で判断して決定しないでください。
• 時間がかかるため（R9700で実時間の約5倍＋読み込み時間）、バックグラウンドで実行し、完了を待ちます。
• 出力: <name>-seed<N>.wav（44.1kHzステレオ）、同名の.json（シード・尺・プロンプト・歌詞・所要時間）、<name>-lyrics.txt（タグを除いた表示用の歌詞）。
• 歌詞が正しく歌われているかは、文字起こしで確認できます（faster-whisperが必要）。前奏の部分では、Whisperが歌詞を繰り返す誤認識をしやすいです。

python $SKILL/scripts/check_lyrics.py songs/*.wav --language ja

4. MVにする

選択した楽曲を、biim-motionスキルのMVモードにそのまま渡します。

• assets.music: 選択したWAVファイル
• musicLyrics: <name>-lyrics.txtの内容（タグなし）
• musicMood: promptの雰囲気を日本語で簡潔にまとめたもの
• MVのreports/delivery.md内の採用素材欄に「MiniMax Music 3で生成（シード、prompt、lyrics）」と記録します。

ライセンス（MiniMax-Music3 Community License）

原文は https://huggingface.co/MiniMaxAI/MiniMax-Music3/blob/main/LICENSE を参照してください。ここでは要点のみ記載します（法的助言ではありません）。

• 商用の製品・サービスで使用する場合は、その画面に「MiniMax-Music3」と目立つように表示する必要があります。年間売上が2000万ドルを超える場合は、MiniMaxの書面による許可が別途必要です。
• 付属のAcceptable Use Policyに従い、第三者の知的財産権を侵害しないようにしてください。
• 商用利用の予定がある場合は、生成前にユーザーにこの条件を伝えてください。