MiniMax Music 3をローカルで動かすには？ComfyUI・必要VRAM・2GPU構成を整理

MiniMax Music 3は、ローカルAIで「BGM」ではなく歌詞とボーカルを含む1曲まるごとを作りたい人向けの音楽生成モデルだ。

最大5分の楽曲に対応し、歌詞、ジャンル、BPM、キー、ボーカルの方向性、楽器構成などを入力して、32kHz・16bitステレオのWAVを生成する。

ただし、モデルカードにある「ローカル実行可能」と、一般的な1枚のGeForceでそのまま快適に動くことは同じではない。

MiniMax公式のSGLang-Omni手順は2枚のCUDA GPUを使う。一方、ComfyUI側ではモデルを複数構成要素へ分け、INT8や枝刈り済み版も用意されている。

そのため、MiniMax Music 3を試す前に見るべきなのは「8Bだから何GB」という単純な数字ではなく、どの実行環境で、どの構成要素を、どの精度で、どこへ載せるかだ。

1枚GPUなら最初からComfyUI経路を確認する

MiniMax Music 3のローカル実行は、大きく2つの経路に分けて考えると分かりやすい。

実行経路	公式・準公式の位置付け	GPU構成	向いている人
SGLang-Omni	MiniMax公式READMEの実行例	2 CUDA GPU	公式構成に近いサーバーとして実行環境を組みたい
ComfyUI	Comfy Orgがモデルを再パッケージ	構成次第	1枚GPUや低精度構成要素を含めてワークフローを調整したい

MiniMax公式READMEでは、SGLang-Omni推論時にGPU 0とGPU 1へ役割を分けている。

GPU 0
Global / Local LLM
+ RVQ autoregressive generation

GPU 1
Flow Matching
+ DAV waveform decoding

したがって、公式手順をそのまま実行するなら2枚のCUDA GPUが前提になる。

1枚のGeForceで試したい場合は、ComfyUIの分割チェックポイントや低精度版を確認する方が現実的だ。ただし、ComfyUI対応＝どんな1枚GPUでも動く、という意味ではない。

MiniMax Music 3は何を生成できる？

MiniMax Music 3は、短いループや効果音よりも完成した楽曲を生成することに重点を置いている。

入力は主に2つある。

• 歌詞
• 音楽の説明

歌詞には[Verse]、[Chorus]、[Bridge]、[Outro]などの区分 tagを付けられる。

音楽説明では、例えば次のような情報を指定できる。

• ジャンル / サブジャンル
• BPM
• キー / スケール
• ボーカルの性質
• 楽器構成
• 曲の展開
• ミックスや空間表現

ただし公式も、BPM、キー、楽器、歌詞、曲構成などの指定が常に厳密に一致する保証はしていない。

「DAWのように完全に決めた構造を再生する」のではなく、条件を与えて生成するモデルとして考える。

8Bモデルではなく複数構成要素の合成システムとして見る

MiniMax Music 3を「8Bの音楽LLM」とだけ見ると必要メモリを見誤りやすい。

公式アーキテクチャでは、少なくとも次の主要構成要素がある。

構成要素	役割
全体設定 LLM 8B	曲全体の長期構造を扱う
Local LLM 0.6B	フレーム単位の音響細部を補う
Flow Matching 2.4B	内部状態から連続表現を生成する
Flow-VAE Decoder 123M	最終的な波形へデコードする

つまり、必要メモリは「8B × 精度」だけでは決まらない。

モデル重みに加えて、推論中の活性値、RVQ生成、Flow Matching、生成処理、実行時バッファなども考える必要がある。

公式SGLang-Omniは2 CUDA GPU構成

MiniMax公式READMEのSGLang-Omni例では、2枚のCUDA GPUを使うことが明記されている。

これは重要な一次情報だが、ここから逆に「2枚ないと絶対に動かない」とまで一般化する必要もない。

公式構成は、MiniMaxが現時点で提示している標準的なサーバー実行経路だ。

ComfyUIや今後の最適化済み実行環境では構成要素の読み込み/メモリから解放、低精度化、CPU オフロードなど別のメモリ方針を取れる可能性がある。

一方で、公式2GPU構成の存在を無視して、8GBや12GBの1枚GPUで快適と断定するのも危険だ。

ComfyUIではモデルが分割されている

Comfy OrgはMiniMax Music 3向けのモデルファイルをHugging Faceで公開している。

主な構成は次の通りだ。

ComfyUI/models/
├─ diffusion_models/
│  ├─ minimax_music3_dit_fp16.safetensors
│  ├─ minimax_music3_dit_fp32.safetensors
│  └─ minimax_music3_dit_int8_convrot.safetensors
├─ text_encoders/
│  ├─ minimax_music3_text_encoder_bf16.safetensors
│  ├─ minimax_music3_text_encoder_pruned_bf16.safetensors
│  └─ minimax_music3_text_encoder_pruned_int8_convrot.safetensors
└─ vae/
   └─ minimax_music3_dav.safetensors

この構成の意味は、モデル全体を1ファイルでVRAMへ常駐させる必要がないことだ。

特にINT8 ConvRotや枝刈り済みテキストエンコーダーが用意されているため、高精度だけでなくメモリを抑えた構成を選択できる。

ただし、ファイル容量＝VRAM使用量のピークではない。

チェックポイントが小さくなっても、推論時には別構成要素や活性値、一時バッファが必要になる。

必要VRAMを固定値で決めない

MiniMax Music 3については、2026年9月3日時点で「RTX 4060 8GBなら必ず動く」「12GBが最低」「24GBあれば全設定で十分」といった一般向け GPU向けの固定最低VRAMを、MiniMax公式は示していない。

そのため必要VRAMを次の順で判断する。

1. 使用する実行環境を決める
2. 使用するチェックポイント / 精度を決める
3. 生成時間を短くして起動確認する
4. VRAM使用量のピークを測る
5. システムRAM使用量も確認する
6. 生成尺を伸ばす
7. 他のGPU利用アプリを戻して再確認する

最初から5分の曲を生成するより、短い条件で処理パイプラインが通るか確認した方が原因を切り分けやすい。

8GB・12GB・16GB・24GB GPUをどう考える？

公式に固定最低VRAMがない以上、容量別に「動く / 動かない」を断定するのは避けるべきだ。

8GB

低精度構成要素やオフロードを強く使う検証対象になる。余裕は小さく、生成速度やシステムRAMへの負荷も必ず確認したい。

12GB

8GBより選択肢は増えるが、全構成要素を同時にGPUへ常駐できる保証はない。ComfyUIの読み込み/メモリから解放挙動が重要になる。

16GB

ローカル画像生成でも使いやすい容量帯だが、MiniMax Music 3について「16GB推奨」という公式最低条件があるわけではない。

24GB以上

低精度化やオフロードへの依存を減らせる可能性は高まる。ただし公式SGLang-Omniが2GPUへ処理を分けている以上、24GB 1枚をそのまま公式2GPU構成と同等とは扱わない。

GPUを買う場合は、MiniMax Music 3だけではなく、Stable Diffusion、ComfyUI動画生成、ローカルLLMなど最も重い用途に合わせて容量を決める方が合理的だ。

VRAMだけでなくシステムRAMも見る

ComfyUIでGPUへ載らない構成要素をCPU側へ退避する場合、システムRAMが重要になる。

VRAMだけを減らせても、RAM不足でOSごとスワップへ入れば生成時間は大きく伸びる。

確認したいのは次の4項目だ。

指標	見る理由
VRAM使用量のピーク	GPU上でどこまで余裕があるか
ピークシステムRAM	オフロード先の余裕があるか
生成時間	低VRAM化で実用速度を失っていないか
出力尺	30秒と5分で実用性が変わる

「OOMしなかった」だけで実用的と判断しないことが重要だ。

VRAM不足が起きた場合は、ComfyUIのCUDA out of memory対処の順序で、他プロセス、精度、追加構成要素、オフロードなどを一つずつ切り分ける。

ComfyUIを使うメリット

MiniMax Music 3をComfyUIで使うメリットは、単にGUIになることではない。

画像や動画と同じワークフローに音楽生成を接続できる。

例えば、

画像生成
↓
動画生成
↓
MiniMax Music 3で楽曲生成
↓
動画と音声を後処理

のように制作工程をまとめられる。

また、構成要素ごとのチェックポイントを選択できるため、GPU容量に応じてFP系とINT8系を試し分けやすい。

一方、公式構成に近いAPIサーバーとして使いたいならSGLang-Omniの方が目的に合う。

Stable Audio系と検索意図が違う理由

ローカル音声生成モデルには、BGM、効果音、音声変換、歌唱を含むフル楽曲など複数の用途がある。

MiniMax Music 3の中心は、歌詞とボーカルを含む長い完成曲だ。

そのため、「効果音を数秒作りたい」「既存音声をインペイントしたい」といった用途とはモデル選択の基準が違う。

MiniMax Music 3を選ぶ理由は、単に音を出せるからではなく、歌詞・ボーカル・曲構成をまとめて生成したい場合にある。

非ストリーミングなのでリアルタイム用途とは別

公式READMEでは、MiniMax Music 3は現在非ストリーミング生成のみとされている。

つまり、音声を少しずつリアルタイム再生しながら生成する用途にはそのまま向かない。

ライブ配信の即時BGM生成やリアルタイム音楽エージェントを考えている場合は、生成開始までの遅延と曲全体の生成時間を必ず測る。

5分生成できることと、5分曲をリアルタイムより速く生成できることは別だ。

プロンプトは歌詞と音楽説明を分ける

MiniMax Music 3では、歌詞と音楽説明を同じ文章に混ぜるより役割を分ける。

歌詞側では区分 tagを使う。

[Verse]
...

[Chorus]
...

音楽説明側では、ジャンル、テンポ感、ボーカル、楽器、展開などを指定する。

MiniMax公式リポジトリにはmusic-caption-rewriter スキルも含まれており、短い説明から全体設定メタデータ、Vocal Details、Arrangementへ展開できる。

これはモデルそのもの推論に必須ではないが、複雑な曲指定を整理する補助として使える。

商用利用ではCommunity Licenseを確認する

MiniMax Music 3は独自のMiniMax-Music3 Community Licenseで配布されている。

2026年9月3日時点のライセンスでは、商用製品 / サービスでSoftwareを使う場合、UI上にMiniMax-Music3を目立つ形で表示する条件がある。

また、対象製品 / サービスと関連会社を含む合算年間売上が2000万USドルを超える場合、MiniMaxから事前の書面による許可を得る条件がある。

さらにAcceptable Use Policyや第三者の知的財産権に関する条件もある。

これは「生成した曲は何にでも無条件で使える」という意味ではない。

配布、サービス化、商用利用を考える場合は、AIモデルのライセンス確認方法と合わせて、利用時点の原文を確認する。

Comfy Org側のApache-2.0表示だけで判断しない

Comfy Orgの再パッケージリポジトリにはApache-2.0表示が見える場合があるが、元のMiniMax Music 3 重みの利用条件までApache-2.0へ置き換わったと解釈しない方が安全だ。

モデル本体についてはMiniMax公式のCommunity Licenseを確認する。

実行環境コード、再パッケージ用メタデータ、元重みのライセンスは別層として扱う。

導入前チェックリスト

MiniMax Music 3をローカル導入する前に、最低限次を確認する。

• NVIDIA CUDA環境を使うか
• 公式SGLang-Omniの2GPU構成かComfyUIか決めたか
• 使用するDiT / テキストエンコーダーの精度を決めたか
• VRAMだけでなくシステムRAMにも余裕があるか
• まず短い曲でVRAM使用量のピークを測るか
• 生成時間を記録するか
• 5分生成をいきなり最低条件にしないか
• MiniMax-Music3 Community Licenseを確認したか