music · 2026-10-05

音乐生成

产品名 clavue-music = 集群 minimax-music3。单次成片 最长 260 秒（6500 帧，25 帧/秒）。不写时长时默认 30 秒。对外默认 MP3；混音用 wav，更小体积用 opus。响应头 X-Music3-Output-Format。一副本同时只跑一首。写词打裸 27b/35b（零注入）；不要用 clavue-3-chat 写词。

项	值
model	`clavue-music` 或 `minimax-music3`
入口	`POST https://ttkk.inping.com/v1/audio/speech`（与 TTS 同路径，靠 model 分流）
容量	`GET https://ttkk.inping.com/v1/music3/capacity`。每路 `max_connections=1`，先看空位再发
时长	`audio_duration` 秒，最大 260。大于 260 会收成 260，不报错
时长兜底	`voice` 写同一个秒数：`"120"` 或 `"dur120"`。New API 会丢掉 `audio_duration`
默认	两个都不传 = 30 秒。不要用 `voice` 填演唱者名字
格式	`response_format`：`mp3`（默认，128 kbps）/ `opus`（96 kbps）/ `wav`（32 kHz 立体声 PCM）
客户端超时	至少 1200 秒。集群网关单后端也是 1200 秒

项目里怎么调

时长两个字段写同一个数。audio_duration 能透传时用它；被网关丢掉时，voice 仍能把秒数送到引擎。风格只写在 instructions，歌词只写在 input。不要传 speed。

curl -sS -m 1200 -D /tmp/m3.hdr -o song.mp3 \
  -H "Authorization: Bearer $CLAVUE_KEY" -H 'Content-Type: application/json' \
  -d '{"model":"clavue-music","input":"[Verse]\n夜车穿过无人的站台\n雨把站名写成模糊的白\n[Chorus]\n我把今天折进外套口袋","instructions":"lo-fi, slow, rain, female vocal","audio_duration":120,"voice":"120","response_format":"mp3"}' \
  https://ttkk.inping.com/v1/audio/speech

省略 response_format 等同 mp3。混音素材传 "response_format":"wav"，保存为 .wav。转码不改变 GPU 生成时间。短测 5 秒成片：WAV ~640 KB，MP3 ~80 KB。ttqq / api.clavue.com 换主机名，body 相同。

最佳实践

目标成片	建议
30–120 秒	产品默认。歌词按主歌/副歌写完整。墙钟大约是成片的 4 倍（120 秒歌大约 8 分钟）
180 秒	可以。歌词仍有余量，但客户端超时保持 1200 秒
260 秒	上限。歌词控制在 1500 字以内。实测约 1700 字已占 KV 约 95%，再长会顶满。空闲副本整单约 18 分钟，贴着网关 1200 秒

歌词短会提前结束，到不了你写的秒数。要长歌就把词写够，不要只丢一句主题。
歌词另有约 5000 token 的硬顶。超长文案先裁再生成。
一副本一首。并发打多首会在网关排队，排队时间算进 1200 秒，满长度更容易被掐断。先 GET /v1/music3/capacity。
max_new_tokens 是帧数（25 帧 = 1 秒），最大 6500。大于 6500 返回 400。业务侧用秒，不要自己换算除非直连引擎。
voice 里的数字只认 5–360。写成演唱者名字、或大于 360 的数，会掉回默认 30 秒。
260 秒那首实测：6500 帧跑满，成片 260.34 秒，32 kHz 立体声。

不要把 260 秒当成同步接口。网关 1200 秒只够空闲副本跑完一首满长度的歌，没有余量再排队。