kizuna-intelligence/song-generation

曲を作る（MiniMax Music 3）

調べた中でいちばん新しいオープンな曲生成モデル、MiniMax Music 3を使う。ほかの候補とライセンスの比較は references/models.md。

このスキルのディレクトリを$SKILLと書く（読み込み時に表示される Base directory）。

前提

• GPU 1枚で動く（diffusers版）。必要なVRAMは、そのままなら24GB前後、--offload cpuで約22GB、--offload streamなら8GB（遅い）。
• 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分で、実時間の約5倍かかった。NVIDIAのGPUではまだ試していない（公式の想定はCUDA）。
• 重みは約27GB。ディスクの空きを先に確認する。
• 公式の高速な方法（SGLang-Omni）はCUDAのGPUが2枚必要なので、このスキルでは使わない。

1. 環境を用意する（初回だけ）

すでに環境があれば使う（クローン済みのMiniMax-Music3の下の.venv*など）。無ければ作る。

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版だけが使うファイルは落とさない。--excludeはパターンごとに付ける
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のコミットを入れる手順が載っているが、それではtransformerが読み込めない。マージ済みのリリース（0.40.0以降、確認済みは0.41.0）を使う。
• Hugging Faceのキャッシュ（HF_HOME）のディスクが一杯なら、空きのある場所にHF_HOMEを向ける。
• HF_HUB_OFFLINE=1にするとtransformerの読み込みが失敗する。付けない。

2. 歌詞と曲の説明を書く

song.jsonを作る。

{
  "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・ハモり）、Arrangement（セクションごとの楽器の出入り）の3部に分けて書く。
• 声の性別と声質を必ず書く。 書かないと歌が消えて伴奏だけになることがある。日本語で歌わせるならsinging in Japaneseも書く。
• 詳しく書きたいときは、MiniMax公式のスキルmusic-caption-rewriterが使える（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/へコピー）。
• 歌詞（lyrics）は日本語の漢字・かなのまま書いてよい（確認済み）。[intro] [verse] [pre-chorus] [chorus] [bridge] [instrumental] [solo] [outro]のタグは必ず単独の行に置く。タグと同じ行の歌詞は無視される（スクリプトが検出して止める）。
• 1行は短めにし、同じ位置の行は文字数をそろえる。セクションの間は空行で区切る（曲生成モデル全般のコツ。MiniMax Music 3で効果を比べてはいない）。
• durationは上限の秒数（10〜300）。モデルがそれより早く終えることもある。[intro]を付けると前奏が長くなりやすい（60秒の試作で約25秒）。
• 実在の曲・歌手の名前を出して似せさせない（ライセンスの禁止事項。下記）。

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seedで別の曲になる。2〜3案作ってユーザーに聴いて選んでもらう。Claudeは音を聴けないので、良し悪しを自分で判断して決めない。
• 時間がかかる（R9700で実時間の約5倍＋読み込み）ので、バックグラウンドで実行して完了を待つ。
• 出力: <name>-seed<N>.wav（44.1kHzステレオ）、同名の.json（seed・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）。
• 歌詞がちゃんと歌われているかは、文字起こしで確かめられる（要faster-whisper）。前奏の部分では、Whisperが歌詞を繰り返す誤認識をしやすい。

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

4. MVにする

選んだ曲は、biim-motionスキルのMVモードにそのまま渡す。

• assets.music: 選んだWAV
• musicLyrics: <name>-lyrics.txtの中身（タグなし）
• musicMood: promptの雰囲気を日本語で短くまとめたもの
• MVのreports/delivery.mdの採用素材に「MiniMax Music 3で生成（seed、prompt、lyrics）」を記録する。

ライセンス（MiniMax-Music3 Community License）

原文は https://huggingface.co/MiniMaxAI/MiniMax-Music3/blob/main/LICENSE 。要点だけ書く（法的な助言ではない）。

• 商用の製品・サービスで使うなら、その画面に「MiniMax-Music3」と目立つように表示する。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に必要。
• 付属のAcceptable Use Policyに従い、第三者の知的財産権を侵害しない。
• 商用で使う予定があるときは、生成の前にユーザーにこの条件を伝える。