从0到第一首 AI 歌：ComfyUI + MiniMax Music 3 完全上手

COMFYUI 新手实战 · 音频篇

不需要懂乐理，不需要会编曲，甚至不需要看得懂代码。这篇文章带你用 ComfyUI 和 MiniMax Music 3，从打开软件开始，做出一首有前奏、有主歌、有副歌、有尾奏的完整歌曲——最长可以到五分钟。全程可复制粘贴，跟着做就能出声。

• ⏱ 阅读约 20 分钟
• 🎯 面向零基础
• 🎵 案例：MiniMax Music 3
• 💻 实测环境：RTX 4070 Laptop 8GB / 16GB 内存

开篇：你能做出什么

先给你一个具体的目标感。读完这篇教程并动手做一遍，你会得到这样一首歌：

• 完整结构：前奏 → 主歌 → 预副歌 → 副歌 → 桥段 → 尾奏，一段不缺，而不是十秒钟的循环片段。
• 有人声：能唱出来的歌词，带旋律、气口和情绪，不是纯伴奏。
• 编曲会推进：主歌安静、副歌进鼓、桥段留白——乐器是随时间变化的，不是从头到尾一个样。
• 成品直接能听：32 kHz / 16-bit 立体声，ComfyUI 直接帮你存成 MP3，拖进播放器就响。

✓ 这不是纸上谈兵

本教程的案例步骤已在 RTX 4070 Laptop（8GB 显存）+ 16GB 内存 的普通笔记本上实测跑通，累计产出过二十余首完整歌曲。文末会专门告诉你 8GB 显存该怎么调参才不崩。

最关键的是：你不需要买任何Token，MiniMax Music 3 是开源模型，ComfyUI 是免费开源的，全部在你自己电脑上跑，完全本地部署

1. 先搞懂：ComfyUI 到底是什么

1.1 它不是一个”按钮软件”

很多人第一次打开 ComfyUI 会懵：满屏的方块和连线，像电路板。这很正常——因为 ComfyUI 的本质是让你亲手搭一条流水线。

打个比方：

🍱 一键式工具（比如各类在线生成器） 像去餐厅点菜：你说”来首抒情歌”，厨房做好端上来。方便，但你控制不了盐放多少、火候几分。

🧩 ComfyUI 像自己进厨房：食材（模型）、步骤（节点）、顺序（连线）全部摆在你面前，你想改哪一步就改哪一步。

ComfyUI 的画面由三类东西组成：

元素	是什么	你要对它做什么
节点（Node）	一个个彩色方块，每个负责一件事（加载模型、写提示词、采样、保存文件）	看懂它是干什么的，需要时改它里面的参数
连线（Link）	方块之间的线，表示”数据从哪流到哪”	一般不用动；线断了才需要接回去
工作流（Workflow）	整套节点+连线，就是一条完整的生产流程	可以直接用官方现成的模板，不用从零画

1.2 所以新手也能上手

看到这里你可能想：”我连节点都看不懂，怎么搭？”

答案是：你根本不需要自己搭。

ComfyUI 内置了官方模板库——各种常见任务（出图、出视频、出音乐）都有现成的、经过验证的工作流。你要做的只是：

1. 打开模板库，找到对应的模板
2. 按提示下载模型（模板会告诉你缺什么，甚至能一键下）
3. 改几个文本框（填你的想法、歌词）
4. 按运行，等它出成品

本教程的案例（MiniMax Music 3）就有现成模板。所以你今天要掌握的核心技能其实是 「怎么填好那两个文本框」**——也就是怎么写描述和歌词。这才是决定成品好坏的关键，也是本文最核心的部分。

💡 记住这个心法

用 ComfyUI 不需要会”编程”，需要的是理解每一步在做什么。掌握了这个，你换任何一个模型（画图、做视频）都能快速上手——因为套路是通用的

注意事项

2. 环境准备

2.1 安装 Comfy Desktop

去

comfy.org/download

下载 Comfy Desktop，一路下一步装完即可。

✓ 为什么推荐 Desktop 版

装 Desktop 会自动把 Python、ComfyUI 本体、依赖环境全部配好，你不需要单独装 Python 或捣鼓命令行。Desktop 是个”多实例管理器”，里面跑的才是 ComfyUI 引擎。

硬件要求（官方）：

项目	最低	推荐
系统	Windows 10+ / macOS 13+	Windows 11
内存	8 GB	16 GB 起步（跑音乐/视频时内存比显存更容易成为瓶颈）
显存	有 N 卡即可	8GB 够跑本教程全部内容
硬盘	每个实例 5 GB	留 50GB+ 放模型（MiniMax 三件套约 15GB）

2.2 准备模型三件套

MiniMax Music 3 在 ComfyUI 里由三个文件组成，缺一不可。官方把它们打包放在 Hugging Face 的

Comfy-Org/MiniMax-Music-3

仓库。

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   ├── minimax_music3_dit_fp16.safetensors          ← 主模型（生成音乐，约 10GB）
│   │   └── minimax_music3_dit_int8_convrot.safetensors  ← 量化版（显存紧张时用它）
│   ├── 📂 text_encoders/
│   │   └── minimax_music3_text_encoder_pruned_int8_convrot.safetensors  ← 文本编码器
│   └── 📂 vae/
│       └── minimax_music3_dav.safetensors               ← 音频解码器（把潜变量变成声音）

两个 diffusion model 该下哪个？

文件	适合谁	特点
…dit_fp16	显存 ≥12GB	质量最好，速度最快，但最吃显存
…dit_int8_convrot	显存 8GB（本教程实测环境）	量化压缩过，显存占用明显降低，音质损失很小

⚠ 实测提醒

如果你的卡是 8GB 显存，强烈建议下载 int8 那个版本。本文实测机器装的是 fp16 版，靠第 6 章的 tiled_decode 分块解码才稳住——如果你还没下，直接下 int8 会省心得多。

文件放哪里？

如果你用的是 Comfy Desktop，模型通常放在共享目录（所有实例共用，避免重复下载）：

Windows:  %LOCALAPPDATA%\Comfy-Desktop\ComfyUI-Shared\models\
（本教程实测机器把它改到了 D:\Comfy-Desktop\ComfyUI-Shared\models\）

放进对应子目录后，回到 ComfyUI 界面按 R 键刷新，模型名才会出现在下拉列表里。

✓ 更省事的办法

其实你不用手动下模型。直接去模板库加载 MiniMax Music 3 工作流，界面会自动检测到缺模型，并给出一键下载。手动下载只是给你一个备选方案。

3. 认识今天的主角：MiniMax Music 3

3.1 它能做什么

MiniMax Music 3 是 MiniMax（稀宇科技）开源的音乐生成模型。它的定位很明确：生成一首完整的歌，而不是一段循环。

能力	具体表现
完整歌曲	最长 5 分钟（300 秒），可包含前奏、主歌、预副歌、副歌、桥段、器乐间奏、尾奏
双输入控制	你给「音乐描述」+「歌词」，它按你的要求作曲演唱
长程一致性	5 分钟的歌里，旋律主题、节奏、人声音色、编曲推进能保持连贯
表现力人声	自然的人声合成，可控制音色、唱法、和声层次
输出规格	32 kHz / 16-bit 立体声（ComfyUI 中保存为 MP3）

它背后的架构（了解即可）

MiniMax Music 3 用的是”分层”设计，可以粗略理解为三个人分工：

• 8B 全局 LLM——负责”这首歌整体长什么样”：结构走向、情绪推进。它是从 Qwen3-8B 初始化来的，所以对中文文本的理解底子不错。
• 0.6B 局部 LLM——负责每一帧的声音细节：咬字、音色、质感。
• Flow Matching + Flow-VAE——把上面两位的”想法”真正合成成 32kHz 的音频波形。

3.2 诚实的边界（重要）

教程不说缺点就是耍流氓。以下是官方 README 明确写出的限制，以及实测的体验，请务必心里有数：

⚠ 四条必须知道的实话

1. 段落标签不是”命令”。官方原话是：段落标签和描述提供的是生成性控制，而非严格的符号保证。也就是说，你写了 [Chorus]，它大概率会给你一个副歌，但速度、调性、具体乐器不保证每次都严格照办。
2. 中文演唱需要实测。模型对中文文本的理解有底子（Qwen3 血统），但官方公开的 26 首演示曲全部是英文西方曲风（流行、摇滚、R&B、嘻哈、乡村、灵魂、放克、布鲁斯、波萨诺瓦、都市）。中文人声的实际表现建议你自己试一首再判断，别指望一发入魂。
3. 文本有长度上限：提示词最多 5000 tokens；音频最多 9000 声学帧（对应约 5 分钟）。别写长篇大论。
4. 它不是”编曲软件”。想要精确到”第 17 秒进鼓”这种级别的控制，它做不到。它的强项是给你一个有模有样的完整成品。

接受这些边界后，我们开始动手——这才是真正有意思的部分。

4. 实战：做出你的第一首歌

4.1 第一步：加载官方模板

1. 确保 ComfyUI 是最新版。模板库随版本更新，版本太旧会找不到模板或报节点缺失。
2. 打开模板库：菜单栏 → 工作流 → 浏览模板（Templates）。
3. 找到音频分类 → 选择 MiniMax Music 3 Text to Music。
4. 按弹窗提示下载模型。模板会检测你缺哪些文件，跟着点就行。
5. 加载成功后，画布上会出现一条现成的工作流。

💡 如果提示”节点缺失”

两个常见原因：① 你的 ComfyUI 不是最新版 → 去更新；② 启动时有些节点导入失败 → 查看启动日志。更新后重启一般都能解决。

示例：

4.2 第二步：认识这条工作流

官方模板加载出来后，整条流水线其实只有四个环节，非常好懂：

文本编码器（读你的描述和歌词）
        ↓  把文字变成模型能懂的条件
扩散模型（MiniMax Music 3 主体，作曲+编曲+人声）
        ↓  在"潜空间"里把音乐画出来
音频 VAE（解码器）
        ↓  把潜变量还原成真正的声音波形
保存音频 → MP3 文件

你要操作的，只有最前面那两个文本框和中间那几个参数。后面的节点基本不用碰。

4.3 第三步：写 Caption（音乐描述）——决定”好不好听”

这是整篇教程最重要的一节。Caption 就是告诉模型”这首歌应该是什么样”。

官方强烈建议用结构化三段式来写，即把描述拆成三块：

段落	写什么	举例
Global Metadata（全局元数据）	流派、BPM、调性、音阶、情绪推进、聆听场景、制作风格	Mandopop ballad, 72 BPM, F major…
Vocal Details（人声细节）	人声性别、音色、演唱风格、和声、人声效果	female, soft and breathy, subtle vibrato…
Arrangement（编曲）	主/次乐器、律动、低音、打击乐、织体、空间效果	solo piano, brushed drums entering at chorus…

✓ 官方原话

「描述越具体，结果越接近预期」。而且结构化描述能让模型不仅遵循整体风格，还会跟随歌曲随时间的推进——这才是它能做出”完整歌”的关键。

可直接复制的模板（中文抒情流行）

Caption —— 复制粘贴即可用，按需改括号里的内容

[Global Metadata]
Genre: Mandopop ballad (华语抒情流行), BPM 72, Key: F major
Emotional arc: quiet loneliness → gentle warmth → restrained release
Listening scene: late-night headphone listening, rainy window
Production: warm analog warmth, intimate close-mic, light tape saturation

[Vocal Details]
Gender: female, timbre: soft and slightly breathy
Delivery: intimate and controlled, subtle vibrato at phrase endings
Harmony: sparse doubled vocals in chorus, soft high harmony in final chorus
Vocal FX: light reverb, gentle compression, minimal delay

[Arrangement]
Primary: solo piano, warm upright bass
Secondary: subtle string pad, soft brushed drums entering at chorus
Groove: slow and steady, gentle push in chorus
Bass: warm and rounded
Texture: sparse in verse, fuller in chorus
Spatial: intimate and close, wide reverb tail on chorus

⚠ 写描述的两个坑

• 别写成长篇故事。官方建议”简短具体的提示词比冗长的故事效果更好”。用关键词短语，别写”在一个雨夜，她想起了…”这种散文。
• 别把歌词写进 Caption。歌词有专门的输入框。Caption 只管”音乐长什么样”，歌词管”唱什么词”。

4.4 第四步：写 Lyrics（歌词）——决定”歌在唱什么”

歌词用段落标签来控制歌曲结构。可用的标签有：

[Intro] · [Verse] · [Pre-Chorus] · [Chorus] · [Post-Chorus] · [Bridge] · [Instrumental] · [Solo] · [Outro]

⚠ 最关键的一条规则

标签是唯一的结构指令；歌词文本本身只传达情绪，不传达结构。

换句话说：你写 [Chorus]，模型就知道”这里是副歌，该上强度了”；但你在歌词里写”这里是副歌”，模型看不懂。结构只能靠标签。

可直接复制的模板（中文歌词）

Lyrics —— 复制粘贴即可用

[Intro]
（钢琴轻起，雨声）

[Verse]
窗外的雨还没停
我把灯留到天明
你说过的那句话
还在耳边转个不停

[Pre-Chorus]
如果我还能回头
是不是就不必走

[Chorus]
把风留给你 把雨留给我
把最后的温柔 留在转身以后
你别替我担心 我会好好的
只是偶尔 还会想起你的手

[Verse]
旧钥匙还在口袋
却打不开那扇门
你走以后下了雪
覆盖了来时的路

[Chorus]
把风留给你 把雨留给我
把最后的温柔 留在转身以后
你别替我担心 我会好好的
只是偶尔 还会想起你的手

[Bridge]
（器乐留白，弦乐渐起）

[Chorus]
把风留给你 把雨留给我
我终于学会 一个人走到最后

[Outro]
（钢琴渐弱，雨声渐隐）

✓ 歌词写法要点

• 副歌要重复出现——这是”歌”和”片段”最大的区别。同一个 [Chorus] 块多放几次，模型会把它当成真正的副歌来对待。
• 括号里可以写演奏提示，比如 （钢琴轻起）、（器乐留白），模型会当作氛围参考。
• 想要纯音乐：歌词框留空或只放 [Instrumental]，就得到无人声的伴奏。

4.5 第五步：调参数与运行

工作流上只有三个参数需要你操心：

参数	作用	怎么设
max_duration	目标歌曲时长（秒）	模板默认 60 秒；模型上限约 300 秒（5 分钟）。歌越长，耗时和显存占用越多
seed	随机种子	固定种子 = 能复现同一首歌；换种子 = 换一个结果。不满意就换种子重跑
tiled_decode	分块解码音频	8GB 显存必须开（详见第 6 章）。会降低显存占用，代价是略慢、分块接缝处有小概率瑕疵

✓ 新手第一次跑的建议配置

• max_duration = 60（先用默认，出成品快，方便试手感）
• tiled_decode = 开启（8GB 显存保险）
• seed = 随便一个数，先跑一遍看看

运行与取件

1. 按 Ctrl + Enter 运行（想中断就 Ctrl + Alt + Enter）。
2. 耐心等。60 秒的歌在 8GB 笔记本上通常需要几分钟——这段时间它在后台一点点把音乐”画”出来。
3. 去取成品。默认保存在：

ComfyUI/output/audio/audio_minimax_music3.mp3

（如果你改过 SaveAudioAdvanced 节点的文件名，就按你设的名字找。多次生成会自动编号成 _00001、_00002…）

⚠ 一个新手必踩的坑：赶紧改文件名

默认文件名是 audio_minimax_music3_00001.mp3 这种，跑十次你就分不清哪首是哪首了。

听完觉得能留的，立刻重命名成歌名（比如《把风留给你.mp3》）。这是血泪教训——跑多了之后，你对着一堆编号文件是真的会忘记哪首好听

🎵 从 0 到第一首 AI 歌，只需要 8 步

ComfyUI
  ↓
加载 MiniMax Music 3 官方模板
  ↓
下载模型
  ↓
填写 Caption
  ↓
填写 Lyrics
  ↓
设置 60s + tiled_decode+名称
  ↓
Ctrl + Enter 生成
  ↓
换 Seed 抽卡 → 挑最好的一首

1.【歌曲描述】caption，对应之前截图中的Theme 英文部分。用于填写曲风、乐器、情感及避开的元素（如：acoustic guitar，quiet hear tbreak，Avoid EDM）

2.【歌词】lyrics：专门用来填写歌词和结构标签（如[Verse]、[Chorus]）

3.【时长限制】max_duration 理论300秒以内，也就是5分钟，（看360未验证）

4.【不用动，默认】unet_name，clip_name，vae_name

5.【小显存开启】tiled_decode

6.【文件名称】filename_prefix，取名，不然容易忘

7.【不用动，默认】format原始音频信号压缩打包指定的 MP3 格式(3种格式flac,mp3,opus)，quality：MP3 文件的压缩质量（V0 代表最高动态码率）

5. 进阶：从”能听”到”好听”

5.1 提示词技巧三条

1. 严格按三段式写描述。Global Metadata / Vocal Details / Arrangement 一个都不能省。实测下来，三段式比”一段话糊在一起”的服从度高很多。
2. 歌词里狠狠用段落标签。标签是模型唯一认的结构指令，多用 [Pre-Chorus]、[Bridge] 这种，歌曲层次会明显丰富。
3. 平衡时长与资源。歌越长越吃显存和时间。低显存想做长歌：用 INT8 模型 + 开启分块解码。

5.2 去官方示例里”偷师”

MiniMax 官方在

music3-demo

放了11 种流派、26 首示例曲目，每首都附有按三段式写好的完整结构化描述。

这是最好的学习材料：找到你喜欢的风格，看它的 Caption 是怎么写的，照着那个结构改成你自己的内容。

5.3 让 AI 帮你扩写描述（省力技巧）

如果你懒得写那么长的三段式，MiniMax 官方提供了一个提示词重写技能：把你的简短想法自动扩写成标准的结构化描述。

npx skills add MiniMax-AI/MiniMax-Music3 --skill music-caption-rewriter

装好后在支持的编程助手里调用 $music-caption-rewriter，给它一句话描述（比如”安静的深夜华语抒情，女声，钢琴为主”），它就返回标准的 Global Metadata / Vocal Details / Arrangement 三段，直接粘进 ComfyUI。

5.4 换种子：AI 音乐最重要的工作流

✓ 专业玩家怎么做

同一套描述和歌词，连续换 5～10 个种子各跑一遍，然后挑最好的那首留下。

这是 AI 音乐（和 AI 绘图）最核心的工作方式——不要指望一次就中，要靠”抽卡 + 筛选”。

找到满意的之后，一定要把种子记下来，这样以后想微调（比如只改一句歌词）还能回到同一首歌的基础上。

6. 8GB 显存生存指南

如果你跟我一样用的是 8GB 显存的笔记本（RTX 4070 Laptop 这类），这一节是为你写的。

6.1 三个保命开关

手段	怎么做	效果
开 tiled_decode	在工作流里把该选项打开	最关键。以重叠分块方式解码音频 VAE，大幅降低显存占用。代价：略慢，分块边界有小概率出现接缝
用 INT8 模型	下载 minimax_music3_dit_int8_convrot.safetensors 替代 fp16	显存占用明显下降，音质损失很小
控制时长	先用 60 秒试，稳定了再往 120 / 180 / 300 秒加	时长是最直接影响显存和时间的参数

💡 高显存用户反过来做

如果你有 12GB+ 显存，官方建议关闭 tiled_decode 以获得最佳质量（无缝接、更快）。

6.2 别忘了：内存才是隐形瓶颈,【内存直接炸了】

⚠ 实测教训

跑 AI 生成时，8GB 显存往往不是最先扛不住的，16GB 内存才是。

曾经实测过：开着浏览器（几十个标签页）+ 微信 + 各种后台，16GB 内存只剩不到 1GB 空闲，这时候跑生成任务轻则慢如蜗牛，重则直接卡死崩溃，而且报错信息往往很不明显，让你以为是模型坏了。

跑之前：关掉不用的浏览器窗口和大型软件，给系统留出足够空闲内存

7. 避坑指南

症状	原因	怎么办
模板库里找不到 MiniMax 工作流	ComfyUI 版本太旧	更新 ComfyUI 到最新版
加载后提示节点缺失	① 版本不是最新 ② 启动时节点导入失败	更新 ComfyUI；查看启动日志定位失败的节点
模型下拉列表里没有模型名	文件放错目录，或没刷新	确认放在 models/diffusion_models 等对应子目录，然后按 R 刷新
跑到一半爆显存/崩溃	显存或内存不够	开 tiled_decode；换 INT8 模型；缩短时长；关浏览器腾内存
生成的歌结构不对（没副歌、太短）	歌词标签没写对，或标签不被严格保证	确认用了 [Chorus] 等标签；接受模型有随机性，换种子重跑
出来的不是你要的风格	Caption 太笼统	改用三段式结构化描述，写清流派、BPM、人声、乐器
找不到成品文件	不知道输出路径	去 ComfyUI/output/audio/ 找，默认名 audio_minimax_music3.mp3（多次生成会自动编号）
文件太多分不清哪首是哪首	没及时改名	听完立刻重命名为歌名，别攒着

8. 下一步

当你跑通第一首歌，接下来可以往这几个方向走：

🎼 把歌做长

从 60 秒逐步加到 180、300 秒，体验它”完整歌曲结构”的真正实力——前奏、桥段、尾奏一个不落。

🎤 换风格玩

官方演示有 11 种流派。把 Caption 换成摇滚、R&B、放克、波萨诺瓦，同一个模型完全是另一个声音。

🖼 AI 绘图

ComfyUI 的主场其实是画图。装上 Z-Image Turbo 或 FLUX 系列，用同样的”模板+改提示词”套路，给你的歌配封面。

🎬 AI 视频

再进一步可以跑 Wan 2.2 做视频。但要做好心理准备：视频对显存和内存的压榨远高于音乐，8GB 卡只能从低分辨率短时长起步。

最后，最重要的一个习惯

✓ 保存你的工作流

调出满意的效果后，把工作流保存下来（Comfy Desktop 还会自动帮你做快照）。这样下次想再做类似的歌，直接打开就能跑，不用重新调一遍。

同时记下种子值——那是你能复现同一首歌的唯一钥匙。

祝你写出第一首让自己起鸡皮疙瘩的歌

本教程基于 ComfyUI 官方文档与 MiniMax Music 3 官方仓库整理，并在 RTX 4070 Laptop（8GB）/ 16GB 内存环境实测。 模型权重遵循 MiniMax-Music3 社区许可证，商用前请查阅许可条款。