1 分のアニメ MV を作る。ComfyUI / MiniMax Music3 / MiniMax H3
制作中 — 曲の選定中(第2世代 / 全11案)「ヴァイブスで生きていこうぜ」という態度そのものを歌にする。バイブコーディングは入口の一例にすぎず、コードでも仕事でも生き方でも読める射程を保つ。理屈より先に足が出る、その感じを 60 秒で肯定しきる。
MiniMax Music3 で生成。歌詞は日本語、フックだけ英語。ボーカルは入れるが、映像でキャラクターには歌わせない。リップシンクを避けるための判断であり、MV としても王道の手法。
自然終了。末尾が −45.2 dB まで減衰しており、モデルが自分で曲を閉じている。
末尾が切断されている。120 秒の時点で −16.0 dB、フルボリュームのまま強制終了。
歌詞を固定し、caption だけを振った 4 案。4 本とも自然終了しており、60 秒構成の caption が方向を変えても効いていることが確認できた。選定中。
基準となる 1 本目。疾走と光のバランスを取った標準案。
A と caption・歌詞ともに同一で、シードのみ変更。56.1 → 60.0 秒、約 7% のブレ。狙った尺を得るには複数テイクが要る。
疾走を攻撃性で表現した場合。ディストーションと極端なサイドチェイン、シャウト気味のボーカル。
4 案で唯一のメジャーキー。走るのではなく昇る感覚。「全肯定の賛歌」というトーンには、これが最も忠実かもしれないという仮説で試した 1 本。
歌唱を捨て、言葉の勢いに賭けた案。同じ歌詞で 41 秒まで縮んだ。発話密度 0.552 秒/字からの推定どおりで、字数 × BPM から尺が読めることの裏付けになった。採用するなら歌詞を増やして作り直す必要がある。
| 案 | BPM | キー | 実尺 | 末尾 | 生成 |
|---|---|---|---|---|---|
| A 現行 | 140 | A minor | 56.1s | −45.2 dB | 160s |
| B 別テイク | 140 | A minor | 60.0s | −30.4 dB | 166s |
| C ハード | 160 | F minor | 72.8s | −38.5 dB | 204s |
| D 浮遊 | 124 | D major | 74.9s | −52.8 dB | 208s |
| E ラップ | 150 | G minor | 41.0s | −20.8 dB | 116s |
末尾の音量は切断の判定に使う。本編が −15 dB 前後で鳴っているため、−30 dB 以下まで落ちていれば自然終了とみなせる。E だけ −20.8 dB と浅いが、トラップ系は余韻を残さず切る様式なので判断は耳による。
C（ハード / BPM 160）を採用方向として決定。フィードバックは「攻撃性が良い、Ado のような感じ」。声質そのものが評価軸になったため、ボーカル記述を軸に 6 本を派生させた。
固有名詞は caption に書いていない。学習データ依存で不安定になるため、特徴を音楽用語に分解した — かすれた質感、制御されたがなり、囁きと全開ベルトの落差、胸声での押し切り、演劇的な感情表現。
声質を Ado 方向へ。核心は「荒れた声で、しかし音程は崩さない」ことにあると考え、holding real melodic pitch while sounding torn open と minimal pitch correction so the raw texture survives の 2 点で指定した。尺も 59.4 秒と当初の狙いにほぼ一致。
C6 に加え、落差そのものを曲の構造にした。Verse をほぼ無音まで削り、サビの解放を際立たせる。曲として痩せる危険を承知で振り切った 1 本。
C とまったく同じ caption でシードのみ変更。72.8 → 81.5 秒。第 1 世代の A/B が 7% だったのに対し、こちらは 12% のブレ。同一条件でも尺は安定しない。
生成後に判明したが、この案はフィードバックと逆方向だった。攻撃性を削いで歌わせる指示のため、Ado 方向とは相反する。ただし「力強い歌」として成立していれば別解になり得る。
各セクションの小節数を caption に明記（Verse 8 小節、Pre 4 小節、Chorus 8 小節）。72.8 → 57.2 秒。小節数の指定は尺の制御に効く。
ハードさを保ったまま D 案の明るさを混ぜる。F major に転じ、サビにベルを重ねた。トンネルを抜けて陽光に出る画をイメージした 1 本。
| 案 | 変更点 | 実尺 | 末尾 | 生成 |
|---|---|---|---|---|
| C6 | かすれ・がなり | 59.4s | −19.9 dB | 252s |
| C7 | C6 + 落差を構造化 | 70.1s | −38.9 dB | 356s |
| C2 | シードのみ | 81.5s | −29.5 dB | 232s |
| C3 | シャウト緩和 | 57.0s | −22.6 dB | 328s |
| C4 | 小節数を明記 | 57.2s | −22.9 dB | 356s |
| C5 | F major + ベル | 69.2s | −25.1 dB | 196s |
切断の判定基準を訂正。当初は末尾の音量で判断していたが、正しくは
実出力 < max_durationかどうかで決まる。上限に達していなければモデルが自ら曲を終えたということであり、末尾が浅いのは単に余韻を残さない様式にすぎない。第 2 世代は 6 本とも 120 秒に達しておらず、すべて自然終了である。
2 稿のあいだに起きたことが、このモデルの核心だった。
| 第 1 稿 | 第 2 稿 | |
|---|---|---|
| max_duration | 120 秒 | 120 秒 |
| 実出力 | 120.0 秒 | 56.1 秒 |
| 末尾の音量 | −16.0 dB | −45.2 dB |
| 終わり方 | 切断 | 自然終了 |
| 生成時間 | 352 秒 | 160 秒 |
max_duration は目標値ではなく、ハードな打ち切り点である。モデルは歌詞を歌い切るまで生成を続け、上限に達した瞬間に問答無用で切られる。達成率 100% は「ぴったり作れた」ではなく「切られた」を意味する。
では何が尺を決めるのか。caption である。第 2 稿で歌詞を削ったのは事実だが、それ以上に効いたのは caption の Arrangement に構成を明示したことだった。
This is a compact 60-second short edit, not a full-length song.
There is no instrumental intro; the vocal enters within
the first two bars over the arpeggio.
There are no extended instrumental passages, no breakdown,
no solo, no second verse and no repeated chorus.第 1 稿では intro → verse → pre → drop → verse 2 → final chorus → outro という構成を細かく書いていた。歌詞は短いのに、モデルはその構成を実現しようとして間奏とビルドを長く取った。エレクトロは元来インスト区間の長いジャンルであり、caption が素直にそれを許してしまった。
caption の情報量がそのまま曲の長さになる — この既知の性質は、短くする方向にも同じだけ効く。「〜がない」と書くことが尺の制御になる。
字数から必要な尺を見積もるための実測値。今回のエレクトロは BPM 140 で、補間すると約 0.73 秒/字、60 秒でおよそ 82 字が上限になる。
| 方向 | BPM | 秒/字 | 60 秒相当 |
|---|---|---|---|
| エモバラード | 68 | 0.870 | 69 字 |
| 恋愛ポップ | 108 | 0.901 | 67 字 |
| エレクトロ（本作・推定） | 140 | 0.73 | 82 字 |
| ラップ | 174 | 0.552 | 109 字 |
DiT minimax_music3_dit_fp16.safetensors
VAE minimax_music3_dav.safetensors
CLIP minimax_music3_text_encoder_pruned_int8_convrot.safetensors
steps 30
cfg 1.7
sampler euler / simple
GPU RTX 4060 Ti 16GB曲が決まったので、セクション境界がそのままカット割りの基準になる。BPM 140 で 8 小節はおよそ 13.7 秒。
H3 は映像と音声を同時に生成する AV モデルであり、24fps・17k+5 のフレームグリッドで動く。124 フレームで約 5.2 秒、最大 362 フレームで約 15.1 秒。1 カットを長く取れるうえ、first / last フレームを指定してカット間を繋ぐこともできる。