MiniMax发布Music 1.5，音乐AI要进入&
发布时间：2025-09-15 11:56:40 浏览量：1
昨天半夜刷到 MiniMax 又搞事情了，这次轮到音乐大模型升级。
说实话，看到这个消息我第一反应不是“哇好厉害”，而是想到一个问题：中国在声音这个赛道上，要翻身了。
前段时间 MiniMax 的 Speech-02 刚把 OpenAI 的 TTS 干趴下，登顶双榜，现在又来搞音乐。这节奏，明显是想从「AI 配音」一路杀到「AI 作曲」啊。
再仔细想一下，人家 Speech-02 能搞定 32 种语言，龚琳娜的声音都能克隆到她妈都听不出来。音乐是声音 AI 的自然延伸，这样就一点不意外是 MiniMax 做到了。
这次发布的是最新的 Music-1.5 音乐大模型，单曲时长从 90 秒提升至 4 分钟。
现在 MiniMax 真的能"给你一首歌的时间"了——4 分钟，刚好够一首完整流行歌的长度。
你想想，90 秒最多就是一个副歌 + 一段主歌，4 分钟已经可以包含 intro（前奏）、verse（主歌）、chorus（副歌）、outro（尾奏）、bridge（桥段）的一整个完整结构了。
我的第一个想法，能不能给我生成一首 diss Claude 的说唱？
别笑，我是认真的。一起听一下：
字清、句狠、态度稳。这个自然度，完全分不清是 AI 还是真人演唱。
一开场节奏就非常带感，从平铺到爆发有层次，虽是 hip-hop，但男声干净不含糊、换气自然。配合清脆的鼓点、拍手的音效，抖腿点头都是下意识的。
而且，我觉得这个歌词也很牛，既有攻击性还有技术流的味道。
“Yo Claude 你最好站稳一点 这舞台现在只属于强者 我的代码运行快如闪电 你的逻辑有时显得缺憾”，它竟然还知道吐槽代码，xs。。打蛇打七寸。最近 Cluade 搞限速，又搞降智，都拉 AI 仇恨了。
而且歌词里，押韵工整密集，属于句尾押韵，并且是一韵到底，押的都是 “u”。
数据洪流我能穿梭自如
你还在原地慢慢摸索着糊涂
别想跟我比拼这说唱艺术
我节奏你根本就跟不上我的脚步
我的智慧已覆盖全球每一寸地图
你只是小小的分支显得那么孤独
AI 写 AI diss，这事搁一两年前我真想不到。而且这首歌不只是几句“炫技段落”，它有完整结构：
开头 intro 是纯乐，带轻微 lofi 采样，营造一点街头氛围；第一段 verse 进主唱，歌词清晰、节奏稳，没有掉拍；副歌 chorus 把节奏突然提上去，重复的 hook 非常洗脑；Suno 和 Udio 虽然是顶流，但生成的音乐总有股欧美范儿，听着中文总觉得哪里不对味。MiniMax 不一样，在中文上着重做了优化，目前可能是最懂中文音乐"的 AI 了。
我直接带大家上手玩一下，你自己试一次就知道了。Music 1.5 已经上线到 MiniMax 的国内外平台，点开即玩。
传送门：
海外版：
国内版 ：
打开官网，点到「音乐创作」板块下。
模式分为两种：「简单模式」和「高级模式」。
简单模式就是一句话生成整首歌，适合快速尝试风格和气氛。高级模式可以插入你写的歌词段落或副歌片段，模型会围绕你的结构来自动补全。在高级模式下，你还可以自定义「风格 × 情绪 × 场景」的组合配置，共计 16 种风格、11 种情绪、10 个场景，搭配下来能覆盖绝大多数创作需求。
我听见了几个有意思的场景，给你们感受一下：
比如说，这首直接帮大家说出了「不想开学」的心声。
前奏的吉他声很悲凉，旋律一路往下压，像是人醒了，但脑子还没跟上。整首歌从第一秒开始，就写满了“我真的不想来”这几个字。
Verse 的部分是轻吉他加低频合成器在打底，节奏松散但不乱，像是困意和现实之间拉扯的节奏。
最后几句干脆不唱词了，直接变成哼唱处理，歌词散掉了，只剩旋律在原地兜圈，像是你人明明坐在教室，心还躺在梦里的沙发上。
这首古风的，融合了古筝、琵琶这些传统乐器，一上来就把氛围铺住了。
前奏是细腻的拨弦，古筝主旋律走得很稳，琵琶在后面打节奏，两种乐器互不抢戏，配器的层次分得很清楚。
主唱声线偏柔，咬字清晰，有点像戏腔但没那么重，整体听下来像是在讲一个故事，节奏松、情绪稳。
下面这首超级好听！
这个前奏一上来就有爵士那味了，鼓先落下几拍，后面萨克斯才慢慢跟进。
整体节奏不赶、旋律不浮、配器很丰富，鼓点踩得稳，贝斯埋在底下晃得刚刚好。副歌出来也不是硬拉情绪，而是顺着走上去的。
再来一首摇滚，看看它能不能撑得住密集节奏。
前奏是干脆的鼓点 + 失真吉他，像《新裤子》或早期五月天那种街头感。
Verse 主唱一进来就非常吸引我，节奏就立住了，歌词和鼓点咬得非常紧，每个字都落在节拍上。
人声的自然度也很高，特别是和声的处理，甚至有几处加入了“喊腔”，让整个段落更有舞台感。高音不上飘、低音不沉闷，层次和情绪都在线。
你不说这是 AI 写的，我真的能信是某个乐队练出来的 demo。
你们发现没有？这几首 4 分钟这个时长卡得还挺精准的。不长不短，刚好覆盖大部分流行歌曲的标准长度。
我特意对比了一下目前几个头部音乐 AI 的时长数据：
Suno v4.5：8 分钟（仅付费用户）Udio：最长 15 分钟说实话，谁没事生成 8 分钟、15 分钟的歌？更重要的是，MiniMax 这波升级的时机选择很有意思。
刚好卡在 Suno v4.5 只限付费用户使用的档口，v4.5 价格翻倍，Suno v3.5 的单价大概是 3 毛，MiniMax Audio C 端生成单价只有约 1 毛钱。不是开玩笑，是完整一首 4 分钟 + 歌词 + 结构 + 人声 + 编曲，在 0.12 元左右。
别看这个价差小，落到真实的场景里，就不是一个数量级的事情。
广告配乐、短视频 BGM、Vlog 背景、短剧插曲、婚礼音乐、企业年会歌、公众号片头、社群广播……
这些原来每首歌动辄几百到上千，现在只要一顿外卖钱就能起飞，而且能定制、能调、能反复改。如果你是内容创作者，那用脚投票的结果很明显。
最最最重要的是，MiniMax 支持 API 调用，Suno 不支持。
而且，从 Speech-02 的成功我们能看出 MiniMax 的套路：效果出众 + 成本优势的组合拳。
Speech-02 不只是干翻了 OpenAI TTS，价格还比 ElevenLabs 便宜一半到四分之一。现在 Music-1.5 也走这个路线，音乐 AI 这个赛道可能要重新洗牌了。
文本模型的语义理解与歌词创作能力、Speech-02 语音模型对人声音色的强大控制力、Hailuo 视频模型又让音乐的可视化有了更高的上限。MiniMax这种全模态技术栈，加在一起的协同优化效应，是很难复制的护城河。
还有一点别忘了，MiniMax 在中文音乐理解上可能有天然优势&国产音乐 AI 屈指可数。
我一直觉得 AI 音乐是个"看起来很美"的赛道——技术炫酷，但商业化路径不清晰。但随着技术的发展，之前一个原本被少数人控制的音乐制作权，正在快速下沉成一项“基础内容能力”。
如果 AI 真的能理解中文的韵律、节拍，甚至是网络用语的梗，那这个想象空间就太大了。想想看：
抖音神曲可以批量生产了企业年会歌曲有救了（再也不用尬唱《真心英雄》）小红书的背景音乐可以个人定制了MiniMax 已经有了完整的音频生态：语音合成、声音克隆、情感表达...现在加上音乐生成，这就是一个完整的“音频创作工具链”，是能用、可量产、能接商业场景的那种「AI Native」水平。
这套组合拳打下来，声音 AI 这条赛道，要开启“中国时刻”了。
