- Youtuber歴 8年
- 自作パソコン歴20年
- ファミコン世代
- 凝り性
- 変わり者
このような条件下では作業用兼趣味用のPCがぶくぶく小遣いを食べ尽くし、無駄にオーバースペックになります、B4Cです。
以下はうちのPCの構成です。
- GPU RTX3090 VRAM 24GB
- CPU RYZEN 9 5950X
- RAM 32GB
- ストレージ6TB
2022年ごろのNvidia Geforce RTX3090（手前）の雄姿です。奥は1660 SUPERですね。これらはビットコインマイニングに活躍しました。
で、この忘れ形見の3090を使い尽くすために2025年末からローカルAI環境を構築して、おもにオープンウェイトモデルをあれこれ入れて、文章や動画や画像をざっくざく生成します。
ソフトウェアや開発環境は以下です。
- Python
- Git
- CUDA
- Comfyui
- Rust
- Adobe Premiere
- Adobe Master Collection
まあ、仕事にも趣味にも十二分なパソコンの性能です。
これまでにドット絵を作成したり、LLMでアドリブやったりしましたが、ついに音楽AIを導入しました。モデルは巷で噂のMiniMax Music 3.0です。
SUNO並み？ MiniMax Music 3.0
さて、音楽生成AIの代表はSUNOです。こちらはオープンモデルではありません。がっつりクローズドな商用系です。数日前に最新版のSUNO V6が出ました。
とこで、ローカルにAI環境を構築して、電気代だけで無制限に生成できてしまうと、サブスクリプションの課金に消極的になります。
ぼくは一か月だけElevenLabsに登録しました。が、こちらは楽曲系でなく音声系のサービスです。クローンボイスの出来はほぼ完璧です。
この完コピ（自分で聞いても生声と生成を判別できない）には関心しますが、音声AIにはそれほど関心を引かれません。LLMが性に合う。
そもそも、ぼくは音楽を全く聞きません。動画にBGMを入れない。スポーツ中継の解説実況をミュートにするし、飲食店のFM放送やUSEN放送にはイラっとする。でかい音が苦手だ。
が、あまりにローカル生成にのめり込み過ぎて、動画と画像とLLMをだいたいやり尽くしてしまいました。GoogleのGemma 5もまだ来ない。
で、ローカルAI体験の味変のため、食わず嫌いの克服のために音楽生成AIを検討し、このMiniMax Music 3を導入しました。
決め手はMinimax H3の使用感です。こちらはオープンな動画生成モデルです。なんと環境音や人物の台詞、効果音が付きます。
その姉妹シリーズのMusic 3も悪くあるまいと思って、Comfy UIのテンプレートからぽちりました。
SUNOとの比較
商用モデルの代表格のSUNOが著作権でごたごたして、ナーフだ、改悪だとネガティブな評判でやや停滞気味です。最新版のV6.0のユーザーレビューは賛否両論のようです。
しかし、ぼくはSUNOには無縁ですから、個人的レビューを控え、スペック比較にとどめます。
| 比較項目 | Suno v6.0 | MiniMax Music 3.0 |
|---|---|---|
| リリース時期 | 2026年9月 | 2026年8月 |
| モデル構成 | 3モデル体制（フラッグシップ、v6-wild[実験的]、v6-mini[軽量]） | 階層型アーキテクチャ（8BグローバルLLM ＋ 0.6BローカルLLM） |
| 最大生成時間 | 最大 8分 | 最大 5分 |
| 音質・フォーマット | 高品質ステレオ（メジャーレーベル等のライセンス音源を活用） | 32 kHz, 16-bit ステレオ WAV |
| 編集・コントロール性 | 自然言語による部分編集（サビの変更、歌詞のピンポイント修正）、複数曲のマッシュアップ | 構造タグ（[Verse], [Chorus]等）による厳密な構成制御、3セクション式キャプション（グローバル/ボーカル/アレンジ） |
| 入力の多様性 | テキスト、音声、画像、動画からのインスピレーション生成に対応 | 歌詞テキスト ＋ 詳細な音楽記述プロンプト |
| 利用プラットフォーム | Suno公式Webサービス / 専用ブラウザDAW「Suno Studio」 | API / ComfyUI等でのオープンウェイト利用（ローカル・クラウド柔軟） |
| こんな人におすすめ | ブラウザ完結で、直感的に楽曲の作り込みや部分修正を行いたい人 | オープンウェイト環境で細かくパラメーターや構造を制御したいクリエイター |
例の著作権がらみの裁判以来、SUNOの縛りがきつくなり、既存ユーザーの不満がたらたらです。無料枠の生成曲のダウンロードが1アカウントで生涯7曲になったとか。
個人的には商用モデルやフロンティアモデルのスペック詐欺と実際の使用感の乖離、朝三暮四のルール変更が癪です。ステルスナーフには萎えを禁じ得ない。
MiniMax Music 3の基本情報
MiniMax Music 3のDL元はHugging FaceかComfyUiのテンプレートにあります。必要なファイルはモデル、VAE、テキストエンコーダーの3つです。込々で15GBくらい。
公式の推奨環境のVRAMサイズは24GB～です。つまり、単体 RTX 3090以上。メモリは32GB～です。ゼロから自作PCを組むなら、中古を混ぜても、40万円くらいの出費を求められますね。
| カテゴリ | MiniMax Music 3.0 の詳細仕様 |
|---|---|
| モデル概要・構成 | 階層型ハイブリッドLLMアーキテクチャ • 8B Global LLM：全体構造や楽曲の展開・メロディ統率を担当 • 0.6B Local LLM：きめ細かな音響ディテール、ボーカルニュアンス、アコースティック質感を復元 |
| 音声出力スペック | • サンプリングレート: 32 kHz / 16-bit ステレオ WAV • 最大生成時間: 最大 5分 • 表現力: 連続隠れ状態（Continuous Hidden-State）とFlow Matchingの組み合わせによる、人間らしい自然なボーカルと立体的なステレオ音源 |
| コントロール機能 | • 構造タグ対応（[Intro], [Verse], [Chorus], [Bridge], [Outro] 等）• 3セクション式キャプション（グローバルメタデータ、ボーカル詳細、アレンジ指定）による高精度な演出制御 |
| 動作・推奨環境 （ローカル運用時） | • GPU: VRAM 24GB以上推奨（例: NVIDIA RTX 3090 / 4090などのハイエンド環境）※8B+0.6Bモデルのロード・量子化運用に依存 • メモリ (RAM): 32GB以上推奨 • 実行基盤: API提供のほか、オープンウェイト（ComfyUIやカスタムPythonパイプライン等のローカル・クラウド環境）に対応 |
| 商用利用の範囲 | • プラン別の商用ライセンス: 公式APIや提供プラットフォームの利用規約に準拠（無料枠・有料プラン等の規定あり） • 著作権・利用範囲: 生成された楽曲は原則として商用利用（YouTube動画のBGM、ゲーム・インディー制作、商業コンテンツ等）に対応。 • ※注意点: プラットフォーム側の規約改定や、極端に既存の著名楽曲に酷似した意図しない模倣生成物の取り扱い、またオープンウェイト版のウェイト自体の再配布・商用サービス化については個別のライセンス条項を確認する必要があります。 |
音楽生成モデルの特徴
音声、LLM、動画、画像
単純なイメージでは動画のモデルが大きくなるように見えますが、文字だけのLLMも音声のMusic 3.0もそこまで軽くありません。
なぜならVRAM 24GBというのがローカルAIユーザーのスタンダードでボリュームゾーンですから。ぼくみたいにゲームからAI生成に流れる人間が後を絶ちません。
そこのあなたはRPGツクールを買って、ドラクエもどきや偽FFを作りましたか？ え、マリオペイントで絵を描いた？ 年がバレますよ。
そんな人にこそローカル生成です。これはツクール系の延長にあります・・・おそらく。
で、3090や4090を所有するユーザーは少なくありません。ことさらになんちゃってマイニング勢の卒業（2022年頃）で3090のお下がりが大量に出回りましたから。
で、このボリュームゾーンのせいでパッケージ全体は～24GBなサイズ感で提供されます。
たとえば、テキスト生成のGemma 4 31Bのモデル本体は19GBほどです。コンテクスト長18000~20000で24GBくらい。テキスト系は余計な付属ファイルを持ちませんから、本体がでかくなります。
MiniMax Music 3.0は逆に
- 本体 4.8GB
- テキストエンコーダー 8.9GB
- VAE 210MB
と、本体よりテキストエンコーダー=CLIPの方がでかくなります。ちなみに言語処理はQwen系だそうです。これは中華通販大手のAlibabaのオープンモデルです。
Qwen 3.5以降のQwenシリーズはエージェント志向です。言語解釈には上々ですが、気軽なチャットには△です。特に日本語はGemmaの自然な出力には及びません。
Qwenの東洋人的生真面目さはアドリブのロールプレイで如実に頻出します。チャットが異常に理屈っぽくなる。
が、音楽では歌詞は基本的に定数です。テキトーフランクな解釈はアカデミックではない。オラオラ系のDJみたいなゴリゴリのアドリブやヴィルトオーゾの超絶技巧なカデンツァは制御の邪魔です。
森進一のヒット曲、おふくろさんの歌詞の改変にオリジナル版の作詞者の川内康範先生がぶち切れたのは有名なエピソードです。厳格なクリエイターは一文字の改変すら拒絶する。
楽曲の作成には厳格なQwenの方がよさげです。
音楽生成のプロンプト MiniMax Music 3.0編
MiniMax Music 3.0の発表は2026年8月、この記事の作成は2026年9月13日です。
一か月の猶予は開発競争にはマイナスですが、趣味にはプラスです。とくに新型モデルのユーザーレビューや使用感は数日では固まりません。
とにかく、後出しのナーフがないのはオープンモデルの長所です。クラウド版やAPIは運営側の思惑でマジでころころ豹変します。OpenAIもAnthropicもGoogleも呼吸をするようにナーフする。
オープンモデルのテクニックやコツ、ルールは商用モデルより安定です。昨日のルールが今日には通じないという意味不明は起こらない。
MiniMax Music用ノード
これはMiniMax Music用のノードです。ComfyUIのテンプレートのもののままです。stepやCFGなどの細かい設定はサブグラフ内（赤枠のノードの右上矢印マークで展開）にあります。
中央のメインのノードは上下の入力エリアに分かれます。上が曲調、テンポ、ジャンル、ボイスの特性などの入力で、下が曲の構成の順序や歌詞です。
上エリアの記述です。作成をGPTに頼みました。
Modern energetic Japanese rock anime opening theme,
150 BPM, c major, 4/4.
Extremely catchy and energetic character theme song.
Youthful male Japanese lead vocal with a playful, fearless,
slightly comedic attitude, but performed with serious rock energy.
Driving distorted electric guitars, melodic guitar riffs,
powerful electric bass, punchy acoustic drums,
big crash cymbals and energetic fills.
Fast-paced cycling feeling, strong sense of speed and motion.
Verses are playful and rhythmic.
Pre-choruses build tension dramatically.
Choruses are huge, anthemic and extremely catchy,
with shouted backing vocals repeating "B4C!".
Add short guitar hooks between vocal phrases.
Build toward a dramatic electric guitar solo before the final chorus.
The final chorus should be the biggest and most explosive section,
with layered gang vocals and powerful drums.
Fun, absurd, charismatic character-song atmosphere,
but musically treated like a serious high-budget anime opening.
Polished modern J-rock production,
wide distorted guitars, punchy bass, energetic live-band sound,
clear Japanese vocals, strong dynamic progression.
下のエリアの記述です。
[Intro]
B4C! B4C! B4C!
B4C! B4C! B4C!
[Verse 1]
ぎゅうにゅうのんで チャリこいで
パパパンパンパン うん うまい！
すしにぎゅうにゅう ちゅうかにぎゅうにゅう
しょくパンいっきん むさぼりくうよ
なにもつけずに ろくまいぎりを
たいらげるよ よゆうだよ
ジーパン さんだる ひゃっきろめーとる
きょうもペダルを ふみこむよ
[Pre-Chorus]
きおんゼロどの とうげごえ
よゆうでしたと かけぬける
ノーヘルけいさつ こわくない
こわくないったら こわくない！
[Chorus]
B4C! B4C! B4C!
ぎゅうにゅうパワーで どこまでも！
B4C! B4C! B4C!
チャリをこいだら とまらない！
たまにジーパンの ケツやぶけても
そんなことなんて きにしない！
B4C! B4C! B4C!
きょうもばくそう！ B4C!
[Verse 2]
ぎゅうにゅうかって チャリこいで
じょじょじょじょうおん はらやばい
おやつにぎゅうにゅう ホテルでぎゅうにゅう
かんこうめいしょ だいたいスルーするよ
じんじゃぶっかく おさいせんも
しゅっせばらいだよ ごめんなさい！
フリードリンク りゃくだつして
またペダルを ふみこむよ
[Pre-Chorus 2]
そとでパンクも よゆうでした
そのばでしゅうり よゆうでした
ほどうのじょこうも こわくない
こわくないったら こわくない！
[Chorus]
B4C! B4C! B4C!
ぎゅうにゅうパワーで かけぬけろ！
B4C! B4C! B4C!
チャリといっしょに どこまでも！
たまにどうがを さつえいしわすれ
あとでちょっぴり くやしいけど
B4C! B4C! B4C!
そんなことより チャリこげ！
[Bridge]
へいじつのけだるい まちをぬけて
ながいさかみち こえてゆく
ぱんとぎゅうにゅう ながしこんだら
まだまだいけるぞ もういっしゅう！
[Build]
B4C!
B4C!!
B4C!!!
[Solo]
(Electric guitar solo)
[Final Chorus]
B4C! B4C! B4C!
ぎゅうにゅうパワーは むげんだぜ！
B4C! B4C! B4C!
チャリをこいだら かぜになる！
さんびゃっきろでも ゼロどでも
とうげのさかでも よゆうだよ！
ジーパンやぶれて ケツがみえても
それがオレさまの いきざまさ！
B4C! B4C! B4C!
きょうもめいそう！ どこまでも！
B4C! B4C! B4C!
ぎゅうにゅうのんで いざゆけ！
[Outro]
B4C! B4C! B4C!
B4C! B4C! B4C!
B4Cーーーーー！[]内でセクションを区切って、introやchorusで内容を指定します。歌詞はぼくのオリジナル97%＋GTPアレンジ3%くらいです。
こちらが曲の秒数とBPMを指定すれば、AIは適度に[chorus]や[solo]を補完します。当然、この書き方もモデルの公開からの時間の経過=ユーザーレビューの充実でこなれます。結果的に一発で良い構成が出来ました。
で、肝心の歌詞の入力はようちえんのおゆうぎの時間のプリントか昔の子供アニメの字幕みたいな有様ですが、日本語の入力の正解はつねにこれです。ひらがな最強。漢字は中国語、さらに音読みにひっぱられます。
上の例では、
- 平らげる→へいらげる
- 牛乳→一回もちゃんと読まれない
- 0度→0の読みがあやふや
ひらがなで書くのが『ぼくがかんがえた さいきょうの みにまっくすよう かし』です。カタカナもふつうに通ります。漢字が安定しない。
単語の読みのばらつきはチャットでは許容の範囲ですが、歌では一発レッドです。前半で牛乳が『ぎに？』みたいになり、後半で『にゅ？』みたいになると、萎えがマッハで高まります。
かたかな、ひらがな、alphabetでまとめましょう
STEPやCFGなど
テンプレートの初期表示では数値の入力項目はmax_duration=最大秒数のみですが、サブグラフ内にはおなじみのノードがあります。
top_kの80（初期50）はやや高めです。CFG1.5はやや低め。ノイズ除去は0.98ですが、この数値はぼくのおまじないみたいなもので、無根拠です。
最も重要な入力はステップです。これは音質に直結します。10や20の低ステップではノイズや変なエコーが乗りまくる。
逆に50以上では全体がクリアになります。80ではぼくのイヤホンリスニングでは音質の不満はほぼない。もっとも、ぼくは音の良さには拘りません。音楽への情熱や思い入れが全くない。極論、歌と踊りはなくてもよい。
ただ、情緒的なフォルテピアノの音より無機質なクラヴサンの音がしっくりきます。ほら、グスタフ・レオンハルトが弾くルイ・クープランは至高でしょう？
話を戻しましょう。ステップ数は生成時間に特大に影響します。240秒、80ステップの楽曲の生成はうちの環境で平均33分です。飯と風呂と買い出しチャンスだ！
もっとも、3-4分のコンテンツを30分で作れるのはそこまで非効率ではありません。動画は10秒で10分の世界です。自転車動画の20秒のオープニングやエンディングを撮影するには20-30分は余裕です。
まじでロケのコストはオーバーキルだ。まず、北から南まで撮影現場に行かないといけないし。
あと、ノイズ、音割れ、変なエコーの修正はAdobeのPremiereのノイズ除去や音声補完でも難です。フッテージのクリアさは正義だ。自転車動画撮影の最大の敵は風切り音ですし。
曲のテーマを決めて、一発でしっかりつくるなら、ステップを大きくしましょう。といって、100とか200はまた無意味です。30~80くらいが実用的な範囲です。
だらだらのがちゃ回しはローカルの曲作りには向きません。
B4Cのテーマソング ～牛乳におぼれた中年の踵～
この設定でアニメのOP風のぼくのYouTubeチャンネルのテーマソングのフルバージョン（という名の牛乳賛歌）を作成しました。いや、バッハのコーヒーカンタータってあるし・・・
秒数をすこし試行錯誤して、240秒前後で歌詞と間奏のバランスを見出しました。一曲の生成に35分がかかります。そうガチャガチャできませんから、破綻のないやつを一個だけ作る気持ちで。
で、全くの初見から9曲目でこれが焼き上がりました。
イントロから最後まででかい破綻がありません。日本語の発音もほぼ完璧です。なんか某JAMプロジェクトっぽさがあります。これでOK！
ちなみに漢字込みの歌詞とhip-hopという曲調の指示で30ステップ、60 durationで生成した一曲目はこれです。
まず、歌詞の数量が足りず、60秒がフルで埋まりません。コーラスとリピートもない。指示不足、タグ欠品。声がアンニュイでふにゃふにゃだ。
そして、冒頭の「牛乳」がのっけから異世界空耳アワーです。『よにょにんで』と聞こえる。寿司に牛乳のところは「うしにゅ」となる。これはだめだ。
- 曲調やジャンルの指示を細かく表記する
- 日本語の出力にはかたかな、ひらがな、alphabetでまとめる。漢字禁止
正味、ベースの歌詞を作って、GPTかGeminiに頼めば、てきとうなMiniMax用プロンプトをもらえます。
商用利用など
MiniMax Musicはオープンウェイトのモデルですが、商用利用や完全ノーガードのフルオープンではありません。
ぼくの用途、YouTubeなど楽曲を上げるなら、MiniMax Musicを概要欄にクレジット表記すれば、モデル側の規定をクリアできる・・・ようです。
もっとも、プラットフォーム側の規定、楽曲の類似性はまた別の問題です。まあ、今回の曲はぼくの脳内のJASRACにはお叱りを受けません。
裏腹に8曲目の出だしはマブラヴ オルタネイティヴのテーマ（未来への咆哮）の歌い出しにくりそつで、脳内JASRACにイエローカードを食らいましたが。
で、こういう重い処理をやり始めると、5090をポチリたくなりますねえ。90万円ですかあ・・・
