מדריך: כך יוצרים שיר מלא עם MiniMax Music 3 ב-ComfyUI

יצירת שיר שלם עם שירה ווקאלית, בתים, פזמון וגשר, בלי לשלוח אף בקשה לשרת חיצוני: זה מה ש-ComfyUI v0.33.0 מאפשרת מאז שמוזגה בה תמיכה נטיבית ב-MiniMax Music 3 ב-13 באוגוסט. המשקלים יושבים בתיקיית המודלים המקומית, והשיר מרונדר על ה-GPU שלכם. במדריך הזה נעבור צעד-אחר-צעד על כל התהליך, מההתקנה ועד השיר הראשון.

01מה בעצם השתחרר, ולמה זה שונה מכל מה שהיה עד עכשיו

MiniMax שחררה את Music 3 כמודל משקלים פתוחים ב-7 באוגוסט, ושישה ימים לאחר מכן Comfy-Org מיזגה תמיכה נטיבית ותייגה את גרסה v0.33.0, כולל תבנית וורקפלואו מוכנה ומדריך רשמי בתיעוד. עד עכשיו, יצירת מוזיקה מלאה בכלים כמו ComfyUI התבססה על nodes עוטפים שקראו ל-API של שירות חיצוני. כאן זו הפעם הראשונה שמודל מוזיקה מלא, כולל שירה, רץ כולו מקומית.

המודל תומך ביצירת שירים באורך עד 5 דקות עם מבנה מלא: אינטרו, בתים, פזמון, גשר וסיום. השליטה נעשית דרך מנגנון שנקרא Fine-Grained Music Control, שמאפשר להגדיר במדויק את המבנה, הז'אנר והאווירה של השיר במקום להסתפק בתיאור כללי ולקוות לטוב.

02שלב 1: התקנה והורדת המודלים

נקודת הפתיחה היא ComfyUI בגרסה v0.33.0 ומעלה. אם כבר יש לכם התקנה קיימת, עדכון פשוט מספיק. משתמשי ComfyUI Desktop יקבלו את העדכון דרך האפליקציה, ומי שמריץ מהמקור מעדכן כך:

cd ComfyUI
git pull
pip install -r requirements.txt
python main.py

לאחר העלאת הממשק, פותחים את תפריט התבניות (Workflow Templates) ובוחרים בתבנית הרשמית של MiniMax Music 3. בפעם הראשונה ComfyUI תזהה שהמשקלים חסרים ותציע להוריד אותם אוטומטית לתיקיית models. אפשר גם להוריד ידנית מ-Hugging Face ולמקם בתיקיות המתאימות, כפי שמפורט במדריך הרשמי בתיעוד של ComfyUI.

1. עדכנו את ComfyUI לגרסה v0.33.0 ומעלה
2. טענו את התבנית הרשמית של MiniMax Music 3 מתפריט התבניות
3. אשרו את הורדת המשקלים האוטומטית או הורידו ידנית מ-Hugging Face
4. ודאו שכל ה-nodes בוורקפלואו נטענו בלי שגיאות אדומות
5. הריצו Queue ראשון על הגדרות ברירת המחדל כבדיקת שפיות

03שלב 2: כותבים Structured Caption שבאמת שולט בשיר

הלב של העבודה עם המודל הוא ה-Structured Caption, תיאור מובנה בשלושה חלקים שהמדריך של Next Diffusion, שפורסם ב-18 באוגוסט, מפרק לעומק. החלק הראשון הוא Global Metadata: כאן מגדירים ז'אנר, תת-ז'אנר, BPM, סולם והתקדמות רגשית של השיר. החלק השני מתאר את מבנה השיר וסדר הקטעים, והחלק השלישי הוא המילים עצמן, מסומנות לפי קטע.

ההבדל בין תיאור כללי כמו "שיר פופ שמח" לבין Caption מובנה הוא ההבדל בין הגרלה לבין הפקה. כשמציינים BPM של 120, סולם מינורי והתקדמות רגשית מעצב מאופק לפזמון פורץ, המודל מייצר משהו קרוב בהרבה לכוונה המקורית, וגם קל יותר לשחזר ולדייק באיטרציות הבאות.

04שלב 3: מילים, שירה ואיטרציות

בשדה המילים מסמנים כל קטע לפי תפקידו: אינטרו, בית, פזמון, גשר וסיום. המודל מיישר את השירה למבנה שהגדרתם, כך ששיר עם שני בתים ופזמון חוזר ייצא באמת עם שני בתים ופזמון חוזר. שווה להתחיל משיר קצר של דקה-שתיים, לוודא שהסגנון והקול מתאימים, ורק אז לעלות לאורך מלא של עד 5 דקות.

לגבי עברית: המודל שוחרר עם דגש על יכולות רב-לשוניות של שירה, אבל איכות ההגייה בעברית משתנה בין ז'אנרים וקצבים. בדיקה מהירה עם פזמון קצר בעברית תחסוך לכם רינדור ארוך ומאכזב. טיפ שעובד טוב: תעתיק פונטי באנגלית לצד המילים בעברית כרשת ביטחון, והשוואה בין שתי הריצות.

05למי זה רלוונטי בישראל, ומה עושים אם אין GPU חזק

לסטודיואים קטנים, יוצרי פודקאסטים, מפיקי תוכן לרשתות ואולפני אינדי בארץ, זו דרך לייצר מוזיקת רקע, ג'ינגלים ודמואים בלי מנוי חודשי לשירות ענן ובלי לשלוח חומרים החוצה. מכיוון שהכול רץ מקומית, העלות השוטפת היא חשמל וזמן GPU בלבד, מה שהופך ניסוי וטעייה של עשרות גרסאות לזול משמעותית.

מי שאין לו כרטיס מסך מתאים לא נשאר בחוץ: אפשר להרים את אותו וורקפלואו על מכונת GPU שכורה בענן ולהריץ את ComfyUI כשרת. למפתחים שרוצים לשלב יצירה בקוד, פורסם ב-10 באוגוסט מדריך טכני של MarkTechPost שמדגים עבודה עם ComfyUI כ-backend הסקה headless, כולל תקשורת מול השרת דרך HTTP ו-WebSocket. הגישה הזאת רלוונטית גם למוזיקה: אותו שרת, אותם API endpoints, וורקפלואו אחר.

השורה התחתונה: אם יש לכם GPU סביר ושעה פנויה, המרחק בין רעיון לשיר מלא עם שירה התקצר לכמה קליקים ו-Caption אחד מנוסח היטב. התבנית הרשמית עושה את רוב העבודה, וההשקעה האמיתית עוברת לאן שהיא צריכה להיות: המילים והכוונה המוזיקלית.