「能说会唱」的MiniMax，拔出国产AI的瑞士军刀

文 ｜ 阑夕

今天听到一首歌，旋律隐隐熟悉，似乎有成为爆款BGM的潜质。

从开始的古筝起始，随着鼓点加入，进到古风歌词——几段正歌人声清隽，副歌部分悠长不绝，诉说一个久远的故事……

请中央音乐学院的博士好友一听，他评价编曲、作词都还不错，也认真给出了一点建议。

然而，这首三分多钟的完整歌曲，是只用了一句提示词、通过MiniMax Music生成的。

知此情形，音乐博士好友很受震撼；而真正亲历、见证了这几年AI音乐发展的人士，深度体验后，内心的波澜大概不亚于他。

一曲一世界，一句一乾坤。

MiniMax Music测评：曲风由你

AI音乐之乾坤，唯创作才有发言权。使用MiniMax Music消耗数千积分后，浅谈些感受。

生成上一首歌曲的提示词并不艰深：「模仿周杰伦的旋律，写一首爱情相关的歌，有古风元素，模仿《七里香》和《说好的幸福呢》旋律结合」。而效果听来却有意外之喜，尤其对几乎从未尝试过独立音乐创作的普通朋友，易上手程度可以说已接近「0门槛」。

用到的模型是MiniMax最新更新的自研音乐模型 Music 1.5，产品功能很简洁，分为简单模式（Simple）和高级模式（Advanced）两种。前者可以「一句成曲」，而后者「专业可控」。

简单模式下，仍输入较简单的提示词，输出结果却是曲风突变。

「创作一首有爵士风格、R&B元素的流行歌曲，表达年轻一代创业者的先锋和创新态度，用电吉他、Bass、架子鼓等，混合摇滚特征和现代音乐独创性。」

首先必须承认，Music 1.5的指令依循性很好。提示词涉及的电吉他、贝斯、架子鼓，特征都很鲜明，前奏先声夺人谱出跳动感，乐器本身音色特点和想要的歌曲风格匹配度高。

而随着人声的注入，爵士、R&B、摇滚和现代的风格得以彰显，起调明亮的乐器声作为伴奏则是稍稍后移，在间奏和结尾又自然呈现。

要知道，如果把提示词作为「命题作业」给到音乐学院的学生，单独一个音轨的吉他伴奏，录音棚中便是不知多少次的从头再来。

而今天，实现如上一首完整作品，所需仅仅一段话、一模型、数积分而已。

那么，如果更进一步细化结构层次和指令颗粒度呢？

用Markdown形式和更代码化的提示词，效果也没让我失望。最长的提示词，带来了近期我最满意的一首AI音乐作品。

不过需要注意的是，简单模式下，长提示词需要控制在300字符内，这也让我自然而然开启了高级模式的探索。

在高级模式下，指令篇幅来到了3000字符。输入「 / 」会有编曲的分层提示。

完成了前奏、主歌、副歌等的设计后，在设置中可以一键选择风格、情绪、场景等。

按照官方表达，Music 1.5 支持 「16种风格 × 11种情绪 × 10个场景」 自定义音乐特征，理论上有1760种不同的乐曲类型组合。

相比之前「一句话成曲」能进一步感受到控制力的提升。如果把音乐创作拆解为工作流，此刻Music 1.5已经用公式化的结构和标签，让曾经的节点和Pipeline变成的一个个的可点击选项。

因为是相同模型的原因，歌曲本身的演绎完成度和艺术性，比起之前的几个测试案例，变化似乎并不显著；但在高级模式下，能根据需要选择乐器类型、歌词内容、风格搭配……相比简单模式下用提示词控制，明显会更有掌控感。

哪怕以音乐学院博士的眼光来评判，选项的细分程度也已经达到了专业水准。可以想见，在MiniMax Music团队，必然有乐理专家和职业音乐人的支持。

唯一发现的暂时还不够可控的，是纯音乐选项，在当前最新版本中不论提示词如何强调，依然无法消除人声。通过增加选择按钮的方式等，并不是难题，预计也将很快得到完善或取舍。

总体来看，模型的控制力和音乐性，是衡量音乐模型质量的两个核心指标。

从控制力来说，Music 1.5能在4分钟的音乐中保持高完成度，其背后对于Long Context的编排，可类比2023年Kimi横空出世的长文本。音乐全链路、多场景，都达到了超出业余的水准。

从音乐性讲，无论风格的典型性还是编曲层次感，再或者人声的自然度、结构的动态变化，都堪称令人喜悦。

当然，相比Suno细分功能的丰富度，MiniMax Music尚显简陋，生成的音乐结尾处理略生硬，存在戛然而止、声音突然中断的抽卡现象。但作为中国的AI之声，其肉眼可见的进步速度，更值得我们期待。

AI音乐，不止重塑音乐行业

相较于处于AI舞台中央的大语言模型、视频模型，AI音乐的战场似乎并未被充分重视。

然而，一款再先进的视频模型，没有声音也只是默片；没有音乐的注入，即便有了文字、图片、视频，灵魂仍然残缺。

在MiniMax的技术图谱内，声音模型一直被摆在重要位置，并和其他模型彼此促进。从技术发展初期，在行业玩家尚未察觉之时，就下重注长线布局，这也是今天MiniMax的模型矩阵都能占据领先位置的原因。

看MiniMax的全栈AI能力生态，从算力到数据、从模型到应用，不仅能发挥协同效应、产模一体自闭环，同时可以凭借对外赋能、API逻辑、出海经验，在商业上真正全面落地。

不要忘了，MiniMax在语音上已经是全球双榜第一，这意味着它在「声音」领域的技术积累有天然优势。

今年的上海WAIC，开幕式的主讲嘉宾是诺奖得主、AI教父辛顿，而另一位启幕嘉宾则是闫俊杰，MiniMax的创始人。二者演讲内容的一个共同点是，都站在了AI与全人类关系的立场上。相比Hinton，MiniMax更加乐观，相信AI属于每个人，一定会更普惠地服务大众。在AGI的道路上，看似是「微小拼图」的AI音乐，也终究会在人类科技史、艺术史上书写天籁的一笔。

早在2023年，a16z已经旗帜鲜明提出，AI将重塑音乐全产业链。从23年初谷歌的MusicLM文生音乐，到Meta开源MusicGen。再之后，Suno横空出世，凭借其音乐审美和产品完成度，第一次在音乐生成领域树立标杆。

a16z甚至展示了AI音乐的行业应用光谱，从即时交互的音乐信息流，到专业级的音乐工具、技术栈，不同于Spotify的新一代音乐媒介正在诞生。AI音乐专辑、互动式音乐平台等形态，也将不再是痴人说梦。

对MiniMax Audio来说，性价比就是最永恒的优势。效果可媲美Suno、局部亮点突出，价格仅为suno的一半不到。具体来看，Suno V3.5的单价大概是3毛，一首歌要几十美金，这是Suno的问题，也是机会窗口。

正如海螺AI在不到一年的时间里反超Sora，类似的戏码似乎也正在MiniMax Music和Suno之间上演。

在产品设计和控制功能上，正视当前存在的差距和不足，坚定落地「低价高质策略」也将带来真正的行业革新。

从产业来看，虚拟陪伴、AI偶像、音乐电台、影视娱乐……都将随着AI音乐能力的注入，让多模态交互和体验升级产生新的可能。

不妨让想象更狂野一点：人类和AI正在建立新的合作范式，而协作创作音乐就是一个极致的开始。

人类擅长情感表达与审美判断，AI 擅长结构生成与无限延展。当二者结合，创作不再是单向度的劳动，而是碳基与硅基的共创，既具备技术的精确性，又不失人性的温度。

纯粹的AI音乐作品仍显生硬，而人类艺术家的特权和创造力也正在丧失。通过「碳基+硅基」的组合，MiniMax让我看到了硅碳合一的未来。

从2023年的Talkie让我看到多模态融合陪伴，到海螺AI的一念成真、视觉重塑，以及MiniMax Agent对效率生产方式的重新组织，再到今天的Music 1.5，正在书写音乐新历史。

原本的设想里， AI 音乐有机会真正走进 B 端与 C 端的双重舞台：

B 端：广告、游戏、影视配乐，AI 音乐能显著降低成本。C 端：个人用户、短视频创作者、乐队玩家，随手生成高质量的原创曲，不再受限于版权与门槛。

现在想来，碳基和硅基边界的重新厘定、人和AI的融合创作与消费，都将彻底颠覆现有的一切。十年后回看，今天的作曲家、音乐制作人，也许和千百年前的乐师没有本质区别，而迥乎不同的，是AI音乐。

最后分享一个小彩蛋：把DeepSeek疯狂思考输出的名场面写成一首歌。

AI时代，你的歌，你说了算……