MiniMax Music 3 + 本機 AI Prompt 產生器（Ep31）（第 2/3 段）

🧑‍🏫 這段示範怎麼用一個 AI Prompt 節點自動寫出歌曲描述和歌詞，再接進 MiniMax Music 3 的工作流直接做出歌。節點是畫面上一個個功能方塊，用線接起來就組成工作流。影片也講清楚一件事：「長度」為什麼很難剛好控制住，想用免費模型做 AI 歌曲的人值得先知道。

• 10:38 選好 formula 和模型後，可用按鈕編輯 formula，包含 caption 指示與 lyrics 指示；這些設定很重要，會依模型不同而不同
  ↳ formula 是節點裡寫給 AI 的指示，規定描述和歌詞該怎麼寫。選好 formula 和模型後，可以按按鈕修改它。不同模型要的寫法不一樣，所以這組設定很關鍵。
• 10:38 這個節點可以分別產生 caption 和歌詞
  ↳ 同一個節點能分別產生兩樣東西。一是 caption，描述這首歌的曲風、樂器和氛圍；二是歌詞。兩樣都不用你自己手寫。
• 10:38 第一步先選 duration，讓它知道歌詞大約要寫多長
  ↳ 先選 duration，也就是歌曲長度（秒數）。AI 知道長度才曉得歌詞要寫多少，30 秒和 3 分鐘需要的歌詞量差很多。
• 11:08 示範：30 秒、主題是貓和狗，verses 設為 auto，mode 選 voice（非 instrumental），再按 generate
  ↳ 示範設定：長度 30 秒，主題是貓和狗。verses（主歌段數）交給它自動決定，模式選 voice（有人聲），不選 instrumental（純音樂），然後按 generate。
• 11:08 運作方式是跑兩次：先產生 caption，再用這個 caption 產生歌詞，所以有兩個 formula
  ↳ 它其實分兩輪跑。第一輪寫 caption，第二輪拿這段 caption 當依據寫歌詞，這樣歌詞和曲風才對得上。兩輪各用一份 formula。
• 11:40 有兩個輸出（caption、lyrics），需要時可以接到 Minimax 節點；示範時只用 Show Text node 預覽
  ↳ 節點有 caption 和 lyrics 兩個輸出口，可以接到 MiniMax 生成節點。示範時先接 Show Text 節點，只是把文字顯示出來看。
• 11:40 30 秒的結果有一段短 verse 和一段 chorus；可以在節點上預覽，並用 copy 按鈕複製
  ↳ 30 秒只寫得出一段短 verse（主歌）加一段 chorus（副歌）。結果可以直接在節點上看，也能按 copy 複製拿去別處用。
• 11:40 Re-roll：即使設定了 fixed seed 也會重新產生，因為它會更換 seed 來產生新結果
  ↳ seed 是決定隨機結果的一組數字，固定住結果就不變。Re-roll 會自動換一個 seed，所以就算設了 fixed seed，也會得到新版本。
• 12:11 Free VRAM 和之前一樣，執行完後會釋放 VRAM
  ↳ VRAM 是顯示卡的記憶體，AI 模型執行時就放在這裡。開啟 Free VRAM，跑完就把模型移出，空出記憶體給後面的步驟用。
• 12:11 可用按鈕切換不同 duration，或自訂 duration，最高 300 秒；duration 越長，產生的歌詞明顯越長
  ↳ 長度可以用按鈕快速切換，也能自己輸入，最多 300 秒（5 分鐘）。設得越長，AI 寫出的歌詞明顯越多。
• 12:11 切到 instrumental 並試 tribal drums：選 voice 時有 verses 選項，選 instrumental 則沒有
  ↳ 切到純音樂，試做「部落鼓」風格。選 voice 才會出現 verses 設定；純音樂沒有歌詞，這個選項就消失了。
• 12:44 instrumental 只跑一次（只需要 caption、不需要歌詞），所以快很多
  ↳ 純音樂只需要 caption，不用寫歌詞，所以只跑一輪，比人聲版快很多。
• 12:44 instrumental 的歌詞欄會是方括號包住的 instrumental 字樣，模型靠這個知道要做純音樂
  ↳ 純音樂的歌詞欄不是空白，而是寫著 [instrumental]。音樂模型看到這個標記，就知道不要唱，只做配樂。
• 12:44 雖然設了最長 duration，但沒有歌詞的 instrumental 實際長度還是有點隨機
  ↳ 就算把長度設到最大，純音樂也沒有歌詞可以撐時間，實際做出來多長還是有點看運氣。
• 12:44 一般來說歌詞越多歌曲越長，歌詞越短歌曲越短
  ↳ 大原則：歌詞越多，要唱的時間越久，歌就越長；歌詞少，歌就短。
• 13:18 MiniMax Music 3 工作流：diffusion model 很小，也可以改用 FP16 版本；作者有 INT8 時通常會先試 INT8
  ↳ diffusion model 是實際生成音樂的主模型，這個檔案很小。FP16、INT8 是同一模型的不同精度版本，INT8 通常更省記憶體，作者有 INT8 版就會先試它。
• 13:18 text encoder 比較大，但不能用來產生 prompt，所以接到作者做的 AI Prompt 節點沒有意義，不會運作
  ↳ text encoder 負責把文字轉成模型讀得懂的格式，檔案比較大。但它不會寫文字，拿去接 AI Prompt 節點產生 prompt 是沒用的。
• 13:18 另外還有一個小的 VAE model
  ↳ 另外還有一個小的 VAE，負責把模型算出來的結果解碼成聽得到的音訊。
• 13:18 工作流已經簡化到只留必要項目；需要更多設定時展開 group 修改，改完再收合
  ↳ 工作流已經精簡到只剩必要的節點。group 是把一批節點框在一起的群組：要調細節就展開，改完收起來，畫面才乾淨。
• 13:49 流程：第一步 caption、第二步歌詞，接著設定歌曲 duration
  ↳ 操作順序是：先填 caption，再填歌詞，最後設定歌曲長度。
• 13:49 duration 是最長長度，實際長度取決於歌詞、BPM 和 caption
  ↳ 這裡的 duration 是「最多幾秒」，不保證剛好那麼長。實際長度要看歌詞量、BPM（每分鐘拍數，也就是速度）和 caption 寫的曲風。
• 13:49 例如設 60 秒但歌詞太長，歌會在某處被切掉、可能沒有完整結尾；歌詞較短則歌曲會短於 60 秒
  ↳ 例如設 60 秒：歌詞太多，歌會唱到一半被切掉，沒有好好收尾；歌詞太少，歌會不到 60 秒就結束。
• 14:21 作者試過讓節點計算這些，但牽涉的因素太多；就算 formula 完美，產生 prompt 的 AI 模型也會因 seed 不同而有不同結果
  ↳ 作者試過讓節點自動算好長度，但牽涉的變數太多。就算指示寫得完美，負責寫 prompt 的 AI 換個 seed，寫出來的東西也會不一樣。
• 14:21 Minimax Music 就算用同樣的 caption 和歌詞，換 seed 也會產生不同長度的歌
  ↳ MiniMax Music 本身也一樣：caption 和歌詞完全相同，只要換 seed，做出來的歌長度就可能不同。
• 14:21 建議使用 fixed seed，一邊調整直到結果可用
  ↳ 建議把 seed 固定。這樣每次只改一個地方，就看得出改了什麼造成差別，可以慢慢調到滿意。
• 14:21 較長的歌如果卡住，可以啟用 dynamic tiled audio decode；VRAM 充足則可以維持 normal audio decode
  ↳ 歌比較長時解碼可能卡住，這時開 dynamic tiled audio decode，把音訊切成小塊分批處理。顯示卡記憶體夠的話，用 normal 一次處理就好。
• 14:54 整合步驟：刪掉原本手寫的 caption 和歌詞，把 AI 節點的 caption 接 caption、lyrics 接 lyrics
  ↳ 開始整合：刪掉原本手打的 caption 和歌詞，改用線把 AI 節點的 caption、lyrics 分別接到對應的輸入。
• 14:54 刪掉 MiniMax 節點原本的 duration 控制，改用 AI 節點的 duration 接過去，讓 prompt 長度和音訊長度設為同一個值
  ↳ 再刪掉 MiniMax 節點自己的長度設定，改接 AI 節點的 duration。這樣寫歌詞用的長度和生成音樂的長度是同一個數字，不用改兩次。
• 15:31 但這樣不保證長度精準，它比較像最長長度的上限，歌曲仍可能被切掉或變短
  ↳ 不過接起來不代表長度會剛好，它仍然只是上限，歌還是可能被切掉或比較短。
• 15:31 因為新模型在記憶體中已經佔用很多 VRAM，而且不需要切換 normal／tiled VAE，所以直接刪掉 VAE audio decode，只留 tiled 那個
  ↳ 新模型本來就吃不少 VRAM，作者也不打算切換兩種解碼方式，所以乾脆刪掉一般的 VAE 解碼節點，只留 tiled（分塊）那個。
• 15:31 把最後的音訊接到輸出節點；作者把多餘節點藏起來，所以看起來可能沒有照順序排列
  ↳ 最後把做好的音訊接到輸出節點。作者把多餘的節點藏起來了，所以畫面上順序看起來有點亂，並不是接錯。
• 16:04 加入 seed pexaroma node（預設 random），同時接到 MiniMax 節點的 seed 輸入和 K sampler 節點
  ↳ 加一個 seed 節點（預設隨機），同時接到 MiniMax 節點和 K sampler 的 seed 輸入。K sampler 是一步步把雜訊算成音樂的節點，這樣兩邊由同一個 seed 控制。
• 16:04 把 group 放大，將所有 model loader 節點移進 group 再收合，工作流就只剩 prompt 區、seed 和最終音訊
  ↳ 把 group 拉大，把所有載入模型的 loader 節點移進去再收起來。畫面就只剩填 prompt 的區塊、seed 和最後的音訊。
• 16:44 工作流就算複雜，也總有辦法讓它看起來不那麼複雜；需要看歌詞和 caption 時再放大
  ↳ 重點是：工作流再複雜，都能整理到看起來簡單。需要看歌詞和 caption 時，再把那一區放大就好。
• 16:44 先用 10 秒簡單測試；formula 要選這個 3.5 模型用的 MiniMax formula，模型選作者測試過的 4B 版本
  ↳ 先用 10 秒快速測試。formula 要選對應這個 MiniMax 模型的那一份；寫 prompt 的模型選作者測試過的 4B 版本，也就是較小、較輕的版本。
• 17:20 加上 run log node，觀察 duration 對每次音樂生成時間的影響
  ↳ 加一個 run log 節點記錄每次跑了多久，觀察設定的長度怎麼影響生成時間。
• 17:20 產生的 caption 很詳細，正是 MiniMax 喜歡的樣子；歌詞通常是打亂長度的主因，會受曲風、節奏、時間夠不夠唱完影響
  ↳ 產生的 caption 寫得很細，正是 MiniMax 想要的。長度不準的主因通常在歌詞，曲風、節奏快慢、時間夠不夠唱完都有關係。
• 17:20 10 秒測試：產生 prompt 花 13 秒，prompt 加音訊總共 27 秒
  ↳ 10 秒測試的結果：光寫 prompt 就花 13 秒，連同生成音訊總共 27 秒。
• 17:57 10 秒版本唱完前兩句就被切掉，沒時間唱 chorus；所以節點沒放 10 秒選項，作者假設一般至少會產生 30 秒
  ↳ 10 秒版只唱完前兩句就斷了，根本到不了副歌。所以節點乾脆不放 10 秒選項，預設大家至少做 30 秒。
• 17:57 也可以斷開 lyrics 輸入，加一個 text pix aroma node 貼上歌詞並固定，再自行刪減或增加句子
  ↳ 想自己掌控歌詞，可以拔掉 lyrics 那條線，另外加一個文字節點貼上歌詞固定住，再自己刪句或加句來調整長度。
• 18:34 30 秒版本花 42 秒生成，唱完所有段落，只是沒有類似 outro 的結尾，可以在音樂編輯軟體裡淡出調整
  ↳ 30 秒版花了 42 秒生成，整首都唱完了，只是沒有 outro（收尾段）就直接停。可以丟進音樂編輯軟體補一個淡出。
• 18:34 這是用 fixed seed 產生的，可以填自己的 seed，或改成 random
  ↳ 這次用的是固定 seed，你可以換成自己想要的數字，或改成隨機。
• 19:10 prompt 的 seed 固定且節點沒改動時，重跑 prompt 不變；但 K sampler 和 MiniMax 節點是 random seed，會用同一 prompt 做出不同的歌
  ↳ 寫 prompt 那邊的 seed 固定、設定也沒動，重跑時歌詞就不會變。但 MiniMax 和 K sampler 用隨機 seed，同一份歌詞會做出不同版本的歌。
• 19:10 不用重新產生 prompt，這次只花 30 秒，比較快
  ↳ 因為 prompt 不用重新產生、直接沿用，這次只花 30 秒，比較快。
• 20:00 同樣的 prompt 和歌詞，換了 seed 後被切得更早，少了最後一段
  ↳ 同一份 prompt 和歌詞，換了 seed 之後反而切得更早，最後一段沒唱到。
• 20:00 最長 duration 設到 300 秒左右會花很久；duration 短比較快，但可能被隨機切掉
  ↳ 長度設到 300 秒左右會跑很久。設短比較快，但也比較容易被隨機切掉。
• 20:00 作者表示它不完美、不是 Suno AI，而是免費模型，之後大概會變好，目前先用手上有的
  ↳ 作者坦白說它不完美，也不是 Suno AI（知名的商用 AI 作曲服務），而是免費模型。之後大概會進步，現在就先用手上有的。
• 20:00 如果工作流 crash，可以啟用 free VRAM，讓它產生 prompt 後卸載模型
  ↳ 如果跑到當掉，就開 Free VRAM，讓寫 prompt 的模型寫完就卸載，把記憶體讓給音樂模型。
• 20:31 作者沒有 crash，因為 VRAM 和系統 RAM 足夠，讓模型保持載入比較快
  ↳ 作者沒遇到當掉，因為顯示卡記憶體和電腦 RAM 都夠。模型一直留在記憶體裡，下次跑不用重新載入，所以比較快。
• 20:31 試 60 秒：較長的歌可能效果更好，因為模型有更多時間讓歌曲更有變化、塞進更多指示；caption 和歌詞都變長，生成花了超過一分鐘
  ↳ 改試 60 秒：歌長一點效果可能更好，模型有空間做變化、放進更多指示。這次 caption 和歌詞都變長，生成花了超過一分鐘。

在 AI Prompt 節點中，自訂 duration 最高可以設到幾秒？