MiniMaxが音楽AI無償公開｜日本語5分曲が作れる

公開日:

SHARE

伊東雄歩
監修者 伊東 雄歩

株式会社ウォーカー CEO。東北大学卒。MENSA会員、JDLA認定講師、健全AI教育協会理事。生成AI×教育・学習科学を専門とし、2億円超のシステム開発プロジェクトを統括。

taolis.net X note Voicy YouTube
  • MiniMaxが音楽生成AI「MiniMax-Music3」を2026年8月14日に無償公開しました
  • 最大5分のフル楽曲を、日本語ボーカル付きで生成できます
  • モデル本体がGitHubとHugging Faceで配布され、自分のパソコンで動かせます
  • RTX 4090の検証では3分の曲が約219秒で完成。VRAMは24GBが目安です
  • Suno Pro（月10ドル）のような月額料金なしで、何曲でも作れます

AIで曲を作ってみたいけれど、月額料金や生成回数の上限が気になる。そう感じたことはありませんか。2026年8月14日、その前提が大きく変わりました。中国のAI企業MiniMaxが、音楽生成AI「MiniMax-Music3」のモデル本体を無償で公開したのです。しかも日本語で歌います。

MiniMax-Music3とは？8月14日に無償公開された音楽AI

MiniMax-Music3は、文章で指示するだけでボーカル入りの楽曲を作ってくれるAIです。

「切ないバラード、ピアノ中心、女性ボーカル」といった指示と歌詞を渡すと、歌声も伴奏も込みで一曲まるごと出力されます。

MiniMaxはどんな会社？

MiniMaxは中国・上海を拠点とするAI開発企業です。

ここ最近のリリース速度が際立っています。7月31日に動画生成モデル「MiniMax H3（Hailuo 3.0）」を発表し、8月3日にはそのモデルデータを公開しました。

そして今回、8月14日に音楽領域でも同じ手を打ってきました。動画から音楽へ、わずか2週間足らずでの連続公開です。

「無償公開」の中身

ここが今回の肝です。無料で使えるWebサービスを出した、という話ではありません。

公開されたのはモデルの中身（ウェイト）そのものです。GitHubとHugging Face（AIモデルの共有サイト）からダウンロードできます。

ウェイトとは、AIが学習した結果が詰まったデータのことです。これが手に入るということは、企業のサーバーを一切通さず、自分のパソコンの中だけで曲を作れるということになります。

ちなみに、試すだけならHugging Face上のデモアプリも用意されています。ZeroGPUという無料の実行環境を使うため、回数の制限はありますが、まず音を聴いてみたい人には手軽です。

何がすごいのか｜5分のフル楽曲がまるごと作れる

曲の「構成」ごと作れる

最大の特徴は、生成できる長さです。1回の生成で最大5分のフル楽曲に対応します。

音質は32kHz・16bitのステレオWAV。配信用としては最高峰ではありませんが、デモや動画のBGMには十分通用する水準です。

長さ以上に重要なのが、曲の組み立てです。Aメロ、サビ、間奏といったセクションを指定でき、ジャンル・BPM（テンポ）・キー（調）・楽器構成まで文章で指示できます。

短い断片をつなぎ合わせるのではなく、最初から最後まで筋の通った1曲として設計されている点が、従来のオープンモデルとの違いです。

日本語で歌ってくれる

日本のユーザーにとって見逃せないのが、日本語ボーカルへの対応です。

海外発の音楽AIは、英語だと自然なのに日本語を歌わせると発音が崩れる、という壁がありました。MiniMax-Music3は日本語の歌詞を入れても、歌詞が正しく乗った状態で最後まで生成できたという検証報告が出ています。

さらにMiniMaxは、短い思いつきから歌詞と構造化された指示文を自動で組み立てる補助機能も一緒に公開しました。「夏の終わりの失恋」程度のメモから、歌詞と設定を膨らませてくれます。

中身の仕組み｜4つのAIが役割分担している

MiniMax-Music3は、ひとつの巨大なAIではありません。役割の違う4つの部品が組み合わさっています。

  • Global LLM（80億パラメータ）…曲全体の流れや構成を考える。Qwen3-8Bという言語AIをベースにしている
  • Local LLM（6億パラメータ）…細かい音の質感を詰める
  • Flow Matching（24億パラメータ）…上の2つの出力を混ぜて音のデータに変換する
  • Flow-VAEデコーダー（1億2300万パラメータ）…最終的に耳で聴けるWAV音声に書き出す

合計すると約110億パラメータ規模になります。

面白いのは、曲の設計担当に言語AIを据えている点です。作曲を「音を並べる作業」ではなく「文章を構成する作業」に近いものとして扱っている、と言えます。

サビの手前で盛り上げて、サビで解放する。この「話の運び」を言語AIに任せることで、5分間ダレない曲が成立しているわけです。

Suno・Udio・ACE-Stepと比べてどう違う？

クラウド型（Suno・Udio）との違い

音楽AIの代表格といえばSunoとUdioです。どちらもブラウザで完結する手軽さが魅力です。

Sunoは無料版で1日150クレジット（およそ10曲分）。商用利用したい場合は月10ドルのProプラン（月500曲まで）、月30ドルのPremierプラン（月2,000曲まで、ステム出力対応）が必要になります。

Udioは無料枠が月100クレジット（1日10クレジット上限、およそ1日3曲）で、商用利用は有料プランのみです。

これに対してMiniMax-Music3は、ダウンロードさえ済ませれば生成回数に上限がありません。電気代とパソコンの時間だけで、何曲でも作れます。

ただし手軽さは正反対です。Sunoならスマホから30秒で1曲できますが、MiniMax-Music3は環境構築という関門を越える必要があります。

他のオープンモデルとの違い

ローカルで動く音楽AIは、これが初めてではありません。

ACE-Step 1.5は50言語以上に対応し、最長10分まで生成できます。YuEはApache 2.0ライセンスで商用利用の条件が明確な点が強みです。Stable Audio Openは短い効果音づくりに向いています。

その中でMiniMax-Music3が立つのは、フル尺の完成度と日本語ボーカルの両立という位置です。長さだけならACE-Stepが上ですが、5分を通した構成の破綻しにくさと歌声の表現力で評価されています。

実際に動かすには？必要なPCスペックと生成時間

気になるのは「うちのパソコンで動くのか」でしょう。正直に言うと、ハードルは低くありません。

推奨されるVRAM（グラフィックボードの専用メモリ）は24GB以上です。データを軽量化するINT8という設定にすれば16〜23GBでも動きます。16GB未満の環境では、クラウドやAPI経由の利用が現実的とされています。

ダウンロードするモデルのサイズは、標準構成でおよそ14.3GB、全体を軽量化した構成で約11.9GBです。

速度の実測値も出ています。RTX 4090を使った検証では、3分の楽曲が約219秒（3分39秒）で生成され、VRAMの使用ピークは約19.9GBでした。曲の長さとほぼ同じ時間で1曲できる計算になります。

動かし方は複数用意されています。画像生成でおなじみのComfyUIに対応しているほか、Diffusers、SGLang-Omniといった開発者向けの方法も使えます。ComfyUI経由なら、歌詞を書く・雰囲気を指定する・生成する、の3ステップです。

制約もあります。実行にはNVIDIA製GPU（CUDA）が必須で、生成しながら順次再生するストリーミングには対応していません。指示文の上限は5,000トークンです。

日本のクリエイターにとって何が変わるか

地域制限がないという意味

ここは注目すべき点です。同じMiniMaxでも、動画モデルのH3は「MiniMax H3 Community License」という独自条件で公開され、アメリカ・EU・イギリス・韓国での自社運用が除外されていました。

一方、MiniMax-Music3の公式リポジトリにはそうした地域の縛りが見当たりません。日本から普通にダウンロードして使える状態です。

中国発のオープンモデルには利用条件が複雑なものもあるだけに、制限の少なさは実用面で効いてきます。

こんな場面で効いてくる

料理動画をYouTubeに投稿している人を思い浮かべてください。毎回フリー素材サイトでBGMを探し、規約を読み、似た曲ばかりになる。手元で作れるなら、動画の雰囲気に合わせて毎回違う曲を用意できます。

個人でゲームを作っている開発者はもっと切実です。タイトル画面、街、戦闘、エンディングと、必要なBGMは数十曲に及びます。月500曲の上限がある有料プランでも、試作を繰り返せば案外すぐ足りなくなります。

小さな飲食店の店内BGMも同じです。市販の音楽を流すには使用料の手続きが要りますが、自分で作った曲ならその心配から解放されます。

学園祭に向けてオリジナル曲を作りたい高校生が、部室のパソコンで何十回も作り直す。そんな使い方も、回数制限がないからこそ成立します。

ライセンスと著作権の注意点

使う前に確認しておきたいことがあります。

公式リポジトリではCC BY 4.0（クリエイティブ・コモンズ表示4.0）と記載されています。商用利用は認められますが、出典表示が条件になります。一部メディアはApache 2.0と紹介しており情報が割れているため、業務で使う前に最新のLICENSEファイルを直接確認するのが安全です。

もうひとつ、学習データの問題があります。音楽AIをめぐっては、Sunoが数百万曲を無断で学習した疑いを指摘された件が2026年7月に報じられました。MiniMaxも学習データの詳細を公開していません。

生成された曲が既存曲に似ていないかは、公開前に自分で確かめる必要があります。ライセンスが自由であることと、出力物が安全であることは別問題です。

よくある質問（FAQ）

Q1. 本当に無料ですか？

モデルのダウンロードと利用に費用はかかりません。ただし動かすためのグラフィックボードは自前で用意する必要があり、24GBクラスのGPUは決して安くありません。手持ちのパソコンで動くかどうかが実質的なコストになります。

Q2. パソコンに詳しくなくても使えますか？

Hugging Faceのデモアプリなら、ブラウザから試せます。回数制限はありますが、まず音を確認するには十分です。本格的にローカルで動かす場合は、ComfyUIのセットアップなど一定の作業が必要になります。

Q3. 作った曲をYouTubeで使えますか？

ライセンス上は商用利用が可能とされています。ただし出典表示の条件があること、既存曲との類似リスクが残ることの2点は押さえておいてください。収益化する動画で使うなら、公開前に自分の耳で確認する習慣をつけると安心です。

Q4. Sunoから乗り換えるべきですか？

用途次第です。思いついたときにさっと数曲作りたいならSunoの手軽さが勝ちます。大量に作る、外部サーバーに歌詞を送りたくない、月額を払いたくない。こうした条件が当てはまるならMiniMax-Music3が向いています。両方を使い分けるのが現実的でしょう。

Q5. 日本語以外の言語にも対応していますか？

複数言語に対応しているとされ、公式の作例は英語で示されています。日本語ボーカルについては第三者の検証で正しく生成できたことが報告されています。

まとめ

  • MiniMaxが2026年8月14日、音楽生成AI「MiniMax-Music3」のモデル本体を無償公開しました
  • 最大5分のフル楽曲を、日本語ボーカル付き・32kHzステレオで生成できます
  • 約110億パラメータを4つの部品に分け、曲の構成を言語AIが担当する設計です
  • VRAM24GBが目安。RTX 4090なら3分の曲が約219秒で完成します
  • 月額料金も生成回数の上限もない一方、環境構築と著作権確認は自己責任になります

クラウドの月額プランに縛られない選択肢が、いよいよ音楽の分野にも届きました。まずはHugging Faceのデモで1曲だけ作ってみて、自分の用途に合うか確かめるところから始めてみてください。

参考文献

前の記事

Nano Banana（ナノバナナ）のイメージイラスト
Nano Banana（ナノバナナ）で商品画像の背景変更を自動…