Как управлять развитием песни в MiniMax Music 3 с помощью структурированного описания

Первый материал о MiniMax Music 3 разбирал саму модель: открытые веса, запуск, ограничения и общий принцип структурированного промптинга. Здесь задача другая: разобраться, как описать в промпте последовательность решений внутри песни.

Structured Caption, то есть структурированное описание музыки, задаёт сценарий изменений внутри композиции. В Structured Caption задают жанр, инструменты и эффекты, а затем описывают, как музыка, вокал и аранжировка меняются от интро к финалу.

Руководство по промптингу MiniMax Music 3 строит работу вокруг двух отдельных входов. Lyrics, поле со словами и секциями песни, содержит текст и форму композиции. Structured Caption описывает музыкальное развитие. Такое разделение помогает проверить, какая часть задания отвечает за слова, вокал или аранжировку, и исправлять промпт целенаправленно.

Сначала сформулируйте музыкальную задачу

Часто промпт начинается так: «сделай современный атмосферный синт-поп с женским вокалом, гитарой, басом и хорошими ударными».

Здесь есть жанр и настроение, но почти нет музыки во времени. Неясно, каким должен быть куплет, за счёт чего вырастает припев, когда появляется гитара, что происходит с голосом в бридже и как песня заканчивается.

Перед тем как писать промпт, полезно описать задачу обычным языком:

Нужна сдержанная электронная песня. В куплетах голос близкий и спокойный. В пре-хорусах нарастает напряжение. Припевы становятся шире и плотнее. В бридже ритм почти исчезает, а финальный припев возвращает энергию без смены темпа.

Это основа для Structured Caption. Дальше её нужно разложить по трём разделам: общие параметры (Global Metadata), параметры вокала (Vocal Details) и аранжировка (Arrangement).

Lyrics: слова и карта формы

Lyrics содержат текст песни и секционные теги: [intro], [verse], [pre-chorus], [chorus], [bridge], [instrumental], [outro].

Тег нужно ставить на отдельной строке:

[verse]
Город медленно гасит огни
...

[chorus]
Нам хватает дороги и тишины
...

Это часть формата входных данных, который описывает руководство. Если поставить слова после тега в той же строке, они могут быть обработаны неверно или потеряться.

Теги задают макроструктуру, но не описывают музыкальное развитие. [chorus] сообщает модели, что начался припев. Характер припева, плотность аранжировки и изменение вокала нужно задать в Structured Caption.

В руководстве также предупреждают, что длина результата зависит от объёма исходного материала. Если в Lyrics один короткий куплет и припев, композиции может просто не из чего развиваться дальше. Длинная форма требует длинного текста: нескольких куплетов, повторов припева, переходов, бриджа и финальной секции.

Общие параметры (Global Metadata): задать мир песни

Первый раздел Structured Caption отвечает за общую музыкальную рамку: жанр, поджанр, эмоциональную траекторию, сцену или образ, характер звучания.

Не стоит собирать каталог прилагательных: modern, emotional, cinematic, atmospheric. Такие слова могут уточнять задачу, но сами по себе не образуют музыкальный сценарий.

Лучше работает связанный образ. Например: ночная поездка после дождя, огни на мокром стекле, постепенно пустеющий город, дорога, которая уходит к горизонту. Он даёт композиции единый контекст и помогает связать звук, настроение и развитие.

Темп и тональность стоит указывать, только если они действительно нужны для задачи. Случайное число BPM создаёт видимость точности, но не обязательно добавляет управления. Если важнее характер движения, иногда достаточно «умеренного темпа с ровным электронным пульсом».

В Global Metadata стоит сразу задать эмоциональную дугу: куплеты сдержанны, пре-хорусы собирают напряжение, припевы дают разрядку, а бридж оставляет паузу перед финальным подъёмом. Эта дуга связывает отдельные секции в одну песню и даёт опору для следующего раздела.

Параметры вокала (Vocal Details): голос нужно описать явно

Для вокальной композиции важно задать голос: тип, тембр, манеру исполнения, изменения между секциями, бэк-вокал и обработку.

«Красивый женский вокал» не даёт достаточно конкретных ориентиров. Полезнее написать, что в куплетах нужен близкий мягкий голос, в припеве более плотная подача, в финальном припеве широкие гармонии, а эффекты остаются сдержанными.

Для инструментального трека руководство рекомендует прямо указать отсутствие вокала и назвать инструмент, который несёт ведущую мелодию. Это снимает неопределённость, которую нельзя решить одним названием жанра.

Здесь особенно заметны противоречия. Нельзя одновременно требовать тихую интимную манеру вокала и стадионную подачу в каждой секции, если не объяснить, как одно превращается в другое. Явные требования должны сохраняться во всём Structured Caption, а изменения быть привязаны к конкретным частям песни.

Аранжировка (Arrangement): инструменты на временной шкале

Перечень инструментов описывает состав, но не развитие композиции. «Синтезатор, бас, ударные, гитара, пэды» сообщает, какие элементы могут звучать в треке, однако не объясняет, когда они появляются, что поддерживают и за счёт чего меняется энергия.

Аранжировку стоит описывать во времени:

• в интро звучат пульсирующий синтезатор и приглушённая бочка;
• в куплете входят бас и сухая перкуссия;
• в пре-хорусе добавляются пэд и более яркие хай-хэты;
• припев расширяется аккордовыми синтезаторами, хлопками и бэк-вокалом;
• в бридже исчезают бас и ударные;
• финальный припев возвращает ритм и добавляет верхние слои.

Такой сценарий показывает жизненный цикл элементов: что появляется, что исчезает, что поддерживает секцию и за счёт чего меняется плотность.

Внутри Arrangement удобно проверить три слоя.

Жизненный цикл инструментов. Какие инструменты начинают песню, какие поддерживают куплет, что входит в припев, что остаётся в бридже.

Развитие ритмической основы. Как меняются пульс, ритмическая плотность и энергия. Припев может становиться сильнее за счёт слоёв и акцентов без ускорения темпа.

Украшения, текстуры и пространственные эффекты. Переходы, текстуры и пространственные эффекты стоит привязывать к моментам композиции. Короткий обратный свип перед припевом или длинный хвост реверберации перед бриджем полезнее, чем перечень «дилей, реверберация, шум, свип».

Рабочий порядок для Structured Caption

Чтобы не собирать промпт как случайный список свойств, можно идти от задачи к деталям.

Сначала сформулируйте общий образ песни и её эмоциональную дугу. Это станет основой Global Metadata.

Затем опишите голос по секциям: кто поёт, как звучит в куплете, что меняется к припеву, где нужны гармонии и насколько заметна обработка. Так собирается Vocal Details.

После этого разложите инструменты по времени. Достаточно пройти композицию от интро до аутро и записать, что входит, исчезает, расширяется или становится тише. Это основа Arrangement.

В конце прочитайте все три раздела подряд и проверьте, не спорят ли они друг с другом. Например, просьба сохранить камерный вокал в куплетах сочетается с широкими гармониями только в финальном припеве. Такой переход понятен. Требование одновременно держать голос камерным и постоянно стадионным требует уточнения.

Этот порядок не гарантирует конкретный аудиорезультат. Он делает исходное задание понятнее, а последующие итерации осмысленнее: можно менять один раздел, не переписывая весь промпт.

Как не создать противоречивый промпт

В руководстве для Structured Caption явные требования имеют приоритет над жанровыми умолчаниями. Указание для конкретной секции точнее общего намёка. Поэтому промпт стоит прочитать ещё раз как единый документ.

Вот несколько типовых ошибок.

Lyrics попадают в Structured Caption. Слова песни и музыкальное описание начинают дублировать друг друга. Текст лучше оставить в Lyrics, а Structured Caption использовать для управления музыкой.

Список инструментов выдают за аранжировку. Модель знает состав, но не понимает, как он должен меняться по секциям.

Вокал определён только в начале. В одном месте указан тихий близкий голос, дальше его характеристики исчезают или им противоречат.

Точная цифра не несёт смысла. BPM, тональность и многочисленные параметры добавлены «для серьёзности», но не связаны с конкретным музыкальным решением.

Теги должны сделать всю работу. Секция [chorus] сама по себе не задаёт кульминацию. Её нужно описать в Vocal Details и Arrangement.

Хороший промпт удерживает несколько важных решений и показывает, как они меняются во времени.

Что пока не доказано экспериментом

Практический эксперимент с MiniMax Music 3 ведёт Миша Иванов из моей команды, и он ещё не завершён.

В текущем эксперименте без дополнительной настройки через LoRA русский вокал оказался неприемлемым по сочетанию дикции, произношения, следования тексту, фразировки и тембра. Миша временно переключился на видео.

LoRA в этом эксперименте не применялась, поэтому влияние такой настройки на результат не проверено. Это наблюдение конкретного незавершённого эксперимента, а не общий приговор модели. Причина проблем с русским вокалом пока не установлена.

Сохранённого воспроизводимого русскоязычного набора Lyrics и Structured Caption, а также зафиксированных настроек генерации, пока нет. Поэтому этот материал описывает документированный способ собирать промпт, но не выдаёт его за подтверждённый рецепт качественного русскоязычного результата.

Третий материал появится после контролируемого эксперимента: с сохранёнными входами, настройками, последовательностью итераций и понятными критериями оценки. Тогда можно будет отдельно разобрать, что именно Structured Caption помогает контролировать на практике и где у модели остаются ограничения.

По теме

Следующий шаг

MiniMax Music 3: модель с открытыми весами и практический подход к промптингу

Связанные материалы

• Статья: DAWalka: генератор музыки и звука прямо в Logic Pro — локально, без облака и подписок
• Блог: ACE-Step 1.5 XL — open-source генератор музыки, который обогнал Suno
• База знаний: DAWalka — локальный AI-генератор звука и музыки для DAW

Такой подход полезен командам, которые хотят превратить генерацию музыки из случайного поиска удачного результата в повторяемую работу с брифом и ограничениями.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov

Проверенные источники

• Руководство по промптингу MiniMax Music 3 — разделение Lyrics и Structured Caption, секционные теги, три части Structured Caption и правила их сборки.
• MiniMax Music 3 на Hugging Face — первичный источник по модели.
• Первый опубликованный материал pimenov.ai — граница с уже опубликованным обзором.
• Наблюдение о русском вокале и статусе эксперимента — прямое подтверждение Сергея в текущем чате; это не внешний тест и не обобщение.