ブログ

使用ガイド

MiniMax Music 3 ショートソング制作ガイド:歌詞・セクションタグ・編曲ブリーフをどう分けて書くか

現在の契約における2つの必須入力を基準に、再現可能なショートソングリクエストを設計する

Nov 18, 2026
記事のカバー画像:濃い青緑の背景にフラットな断面で表現された鉱物の断面幾何学、青緑と深緑が交錯し、抑制の効いたスタイル。
このページの内容

まず2つの必須入力の役割をはっきり分ける

MiniMax Music 3 は HiAPI 上で text-to-music のタスク型機能のみを提供しており、「先にメロディを出してから詞を埋める」といった段階的なインターフェースはありません。つまり、1回のリクエストで input.lyrics(必須)と input.prompt(必須)の両方を同時に指定する必要があり、両者は「メインと任意の補足」という関係ではなく、出力を共同で決定する2本の並列した入力チャネルです。

この2つのフィールドの責務の境界を先に固定しておけば、以降の記述上の問題はすべて整理できます:

  • lyrics = 歌われる内容。「何を歌うか」に答えるもので、歌詞本文とセクション構造タグのみを含めるべきです。
  • prompt = 音楽そのものの描写。「どのように聞こえるか」に答え、スタイル・感情・ボーカルの質感・楽器編成と編曲の展開を担います。

よくある手戻りは、この2つを書き混ぜてしまうことに起因します。「サビにドラムの盛り上がりを追加」を lyrics に入れたり、歌詞全体を prompt に貼り付けたりするケースです。前者は歌詞が歌唱内容として歌われたり構造タグのルールで切り捨てられたりし、後者は歌唱テキストへの明示的な制御を放棄するのと同じです。

インターフェースの形態をもう一度強調します。これはタスク型のインターフェースで、リクエスト送信後は非同期で結果が返り、パラメータはすべて input の下に置かれます。したがって、書く順序としては、まず歌詞の骨組みを決め、次に編曲ブリーフを書き、最後に任意パラメータで長さと再現性を整えるのがおすすめです。次のセクションでは lyrics から始めます。

明確に分かれた2本の入力チャネル——歌詞が1本、音楽描写が1本——が最終的に同じ1回の生成リクエストへと合流する。

歌詞テキストとセクションタグの正しい構成方法

input.lyrics のルールは短いものの、つまずく率が最も高い項目です。構造タグ([intro]、[verse]、[chorus] など)はそれぞれ単独の行にしなければなりません。タグと同じ行に書いた本文は破棄されます。この1点で「歌詞が消えた」というフィードバックのほとんどが説明できます——問題はモデルではなく改行にあります。

基本形

1行につき1要素:タグか、歌詞の1文かのどちらかです。次のようにショートソングの骨組みを構成します:

[intro]
[verse]
夜の色が窓辺を伝ってゆっくり引いていく
言えなかった言葉を風の中に折りたたむ
[chorus]
この一分間をもう少し長く
もう少しだけ長く
[outro]

3つの厳格なルール

  1. タグは単独の行に。[chorus] この一分間をもう少し長く のような書き方では、タグの後ろの本文は破棄される位置にあります。正しい方法は2行に分けることです。
  2. タグ行に注釈を加えない。タグ行にはタグ自体以外の説明的な文字を置かず、編曲の意図は prompt に書きます。
  3. 同じセクション内の歌詞は行ごとに書く。各行が自然な歌唱単位に対応し、行数そのものがリズム情報の一部です。ショートソングのセクションは、長い文を積み重ねるよりも適切な行数に抑えるほうがきれいな結果が得られやすくなります。

構成テンプレート

1曲のショートソングには、[intro] → [verse] → [chorus] →(任意で [verse] / [chorus] を繰り返し)→ [outro] という階層をおすすめします。セクションタグは構造の信号であり、同じ種類のタグを繰り返すことはモデルに「同じ役割のセクションをもう一度」と伝えています。そのセクションでどの楽器をどの強さで使うかはここには書かず、次のセクションの prompt に書きます。

prompt で階層化した編曲ブリーフを書く

input.prompt は自由テキストの音楽描写です。公式の説明で明示されている制御可能な次元には、ジャンル、BPM、調性、感情の展開、ボーカルのディテール、セクションごとの編曲が含まれます。一度に大量の形容詞を書くよりも、「粗から細へ」と階層化して書くほうが、どの次元を変えたいときでもその箇所だけを差し替えられ、全体を書き直さずに済みます。

階層の順序

  1. ジャンルと全体の雰囲気:1文で基調を決めます。例えばインディーフォーク、City Pop、ピアノ主導のナラティブポップなど。
  2. テンポと調性:BPM と調性は定量化できるアンカーで、書いておくとランダム性を大幅に圧縮できます。
  3. 感情の展開:曲全体がどの感情からどの感情へ進むかを説明します。例えば「抑制された導入、サビで持ち上げ、終盤で落ち着く」など。
  4. ボーカルのディテール:声質、性別、息の混ざり具合、ハモリを加えるかなど、ボーカル層の描写です。
  5. セクションごとの編曲:prompt 内のセクション記述と lyrics 内のセクションタグを対応させ、intro / verse / chorus ごとに楽器編成と強さを明確にします。

実用的なブリーフテンプレート

ジャンル:ピアノ主導のナラティブポップ
テンポと調性:中低速、短調
感情の展開:Aメロは抑制的、サビで持ち上げ、エンディングで収束
ボーカル:女性ボーカル、近接マイクの質感、サビで低音ハモリを追加
編曲:intro はピアノと軽い環境音のみ;verse でベースと軽いパーカッションを追加;chorus でフルドラムが入る;outro はピアノに戻る

2つの記述習慣

  • セクション記述と歌詞タグを同名にする。prompt に「chorus でフルドラムが入る」と書いたら、lyrics にも [chorus] が必要です。両方の名前を一致させると、モデルの対応付けがより直接的になります。
  • 各層にはその層の決定だけを書く。ジャンルの行にボーカルの要求を混ぜたり、1文に相反するテンポを3つ詰め込んだりしないでください。階層化の目的は、各イテレーションで1層だけを動かせるようにすることです。
最下層のジャンルとテンポから、感情の展開、ボーカルのディテール、そして最上層のセクションごとの編曲へ——編曲ブリーフは粗から細へ層を重ねていく。

長さとランダムシード:duration と seed の実際の意味

どちらも任意パラメータですが、「正確な制御」と誤読されがちです。

duration:上限であり、契約ではない

input.duration は生成オーディオの長さの上限で、単位は秒、デフォルトは 60、値の範囲は 1〜300 です。重要なのは「上限」という点です。モデルは途中で終了する可能性があり、出力の長さが入力した値と正確に一致する保証はありません。

これにより実践的な結論が2つ得られます:

  • ショートソングを作るときは目標の長さに少し余裕を持たせ、duration を目標の長さと寸分違わず設定しないことです。そうしないと、途中で終了する確率がそのまま「短くなってしまった」になります。
  • duration で構造を制御しようとしないでください。サビをもっと早く出したいなら、総尺を短くするのではなく、lyrics のセクション配置と prompt のセクションごとの編曲を変えるべきです。

seed:再現のアンカー

input.seed は整数を取り、結果の再現に使います。省略時はランダムシードが使われます。その価値は A/B 比較にあります。同じ lyrics に2バージョンの prompt を組み合わせ、固定 seed でそれぞれリクエストすれば、差異をランダム性ではなくブリーフ自体に帰属させやすくなります。

seed は「再現可能」という層の意味だけを担っており、品質を調整するつまみではなく、固定 seed で結果が完全に静止することも保証しません。ただし、異なるブリーフバージョンを比較する実験のベースラインとしては最も手軽なツールです。

1回のショートソングリクエストに組み合わせる:パラメータ一覧とチェック項目

前述の3つの部分を合わせると、1回のショートソングリクエストのパラメータのフィールドパスは固定です:

  • input.lyrics:必須、歌詞本文+単独行のセクションタグ。
  • input.prompt:必須、階層化した編曲ブリーフ。
  • input.duration:任意、長さの上限、単位は秒、デフォルトは 60、範囲は 1〜300。
  • input.seed:任意、整数、再現用。

送信前のセルフチェックリスト

  1. 各セクションタグがすべて単独の行にあり、タグ行の末尾に本文が続いていないか?
  2. lyrics に編曲・楽器・感情の説明が混ざっていないか?
  3. prompt がジャンル、テンポ・調性、感情の展開、ボーカル、セクションごとの編曲の5層をカバーしているか?
  4. prompt 内のセクション名と lyrics 内のタグ名が一致しているか?
  5. duration が目標の長さに余裕を持たせてあり、正確な値として扱っていないか?
  6. バージョン比較をする場合、seed を同じ整数に固定してあるか?

6項目を一通り確認すれば、ほとんどの無効なリクエストは避けられます。より詳細なフィールドと呼び出し方法は minimax-music-3 モデルページ で確認できます。サイト内には curl と Python のステップバイステップのサンプル記事が既にあるため、ここでは繰り返しません。

よくある失敗パターンと改善の道筋

最後に頻出する問題を「症状 → 原因 → 対処法」の形で整理し、トラブルシューティングに役立てます。

症状1:歌詞が1セクション欠けている

最もよくある原因はタグと本文が同じ行にあり、同じ行の本文が破棄されることです。対処法は1つだけ:[chorus] 歌詞 を2行に分けます。

症状2:歌うべきでない内容が歌われる

編曲の要求が lyrics に書かれています。例えば「サビにドラムを追加」を歌詞領域に置くと、歌唱テキストとして処理される可能性があります。対処法は、歌詞以外の内容をすべて prompt のセクションごとの編曲層へ移すことです。

症状3:完成品が想定より短い

duration を正確な長さとして使っています。これは上限であり、モデルは途中で終了する可能性があります。対処法は、目標の長さに余裕を持たせ、duration を縮めるのではなくセクション配置で構造を促すことです。

症状4:結果のスタイルがぶれ、どのバージョンが良いか分からない

seed を固定しておらず、prompt も階層化して書いていないため、2回のリクエスト間の変数が多すぎます。対処法は、まず seed を固定し、「ジャンル → テンポ・調性 → 感情 → ボーカル → セクションごとの編曲」の順で層ごとに収束させることです。第1ラウンドではジャンルとテンポだけを決め、方向性を確認してから感情の展開を加え、次にボーカルのディテールを補い、最後にセクションごとの編曲を細かく調整します。各ラウンドで1層だけを変えれば、どのバージョンの差異も原因を特定できます。

この道筋に沿って進めれば、ショートソング制作は「運試しの繰り返し」から、パラメータが明確な収束プロセスへと変わります。lyrics は何を歌うかを、prompt はどのように聞こえるかを、duration と seed は境界と再現性を担います。まずはすっきりした歌詞の骨組みと粗いブリーフから始め、層ごとにディテールを加えていけばよいのです。

永続的なAIアーティファクトで開発を始める

APIキーを取得して、タスクベースの1つのAPIで画像・動画・音声モデルを呼び出せます。

APIドキュメントを読む