音乐引擎对比 M3 vs ACE-Step vs SA3
3 引擎 × 3 时长 (8s/30s/90s) × 3 类型 (纯音乐/混音/人声) = 27 条 · RTX 3090 · KAP API · 2026-08-18 · seed=42 · m3 列已更新为 v2 重跑 (suppress_eos, 直连 :5112)
📊 总览 (实际时长 ✅精确 / ⚠️偏差≤15% / ❌大偏差 · 生成耗时)
| 引擎 | 类型 | 短 8s | 中 30s | 长 90s |
|---|
| M3 (MiniMax-Music3) | 纯音乐 | 8.0s ✅ · 30s | 30.0s ✅ · 80s | 90.1s ✅ · 215s |
| M3 (MiniMax-Music3) | 混音(人声打底) | 8.0s ✅ · 30s | 30.0s ✅ · 80s | 90.1s ✅ · 215s |
| M3 (MiniMax-Music3) | 完整人声 | 8.0s ✅ · 30s | 30.0s ✅ · 80s | 90.1s ✅ · 220s |
| ACE-Step 1.5 | 纯音乐 | 8.0s ✅ · —* | 30.0s ✅ · —* | 90.0s ✅ · —* |
| ACE-Step 1.5 | 混音(人声打底) | 8.0s ✅ · —* | 30.0s ✅ · —* | 90.0s ✅ · —* |
| ACE-Step 1.5 | 完整人声 | 8.0s ✅ · —* | 30.0s ✅ · —* | 90.0s ✅ · —* |
| SA3 Medium | 纯音乐 | 8.0s ✅ · —* | 30.0s ✅ · —* | 47.0s ❌ · —* |
| SA3 Medium | 混音(人声打底) | 8.0s ✅ · —* | 30.0s ✅ · —* | 47.0s ❌ · —* |
| SA3 Medium | 完整人声 | 8.0s ✅ · —* | 30.0s ✅ · —* | 47.0s ❌ · —* |
* ACE/SA3 为异步批量打捞, 单条 wall time 未单独计量 (ACE 9条批量约 8min 含排队; SA3 12条批量约 8min)。M3 为逐条实测。
🎧 试听
短 8s
M3 (MiniMax-Music3) · 纯音乐
8.0s · 请求 8s v2 EOS抑制
M3 (MiniMax-Music3) · 混音(人声打底)
8.0s · 请求 8s v2 EOS抑制
M3 (MiniMax-Music3) · 完整人声
8.0s · 请求 8s v2 EOS抑制
ACE-Step 1.5 · 纯音乐
8.0s · 请求 8s
ACE-Step 1.5 · 混音(人声打底)
8.0s · 请求 8s
ACE-Step 1.5 · 完整人声
8.0s · 请求 8s
SA3 Medium · 纯音乐
8.0s · 请求 8s
SA3 Medium · 混音(人声打底)
8.0s · 请求 8s
SA3 Medium · 完整人声
8.0s · 请求 8s
中 30s
M3 (MiniMax-Music3) · 纯音乐
30.0s · 请求 30s v2 EOS抑制
M3 (MiniMax-Music3) · 混音(人声打底)
30.0s · 请求 30s v2 EOS抑制 · v1 自然收尾 21.0s
M3 (MiniMax-Music3) · 完整人声
30.0s · 请求 30s v2 EOS抑制
ACE-Step 1.5 · 纯音乐
30.0s · 请求 30s
ACE-Step 1.5 · 混音(人声打底)
30.0s · 请求 30s
ACE-Step 1.5 · 完整人声
30.0s · 请求 30s
SA3 Medium · 纯音乐
30.0s · 请求 30s
SA3 Medium · 混音(人声打底)
30.0s · 请求 30s
SA3 Medium · 完整人声
30.0s · 请求 30s
长 90s
M3 (MiniMax-Music3) · 纯音乐
90.1s · 请求 90s v2 EOS抑制 · v1 自然收尾 34.3s
M3 (MiniMax-Music3) · 混音(人声打底)
90.1s · 请求 90s v2 EOS抑制 · v1 自然收尾 21.0s
M3 (MiniMax-Music3) · 完整人声
90.1s · 请求 90s v2 EOS抑制 · v1 自然收尾 40.3s
ACE-Step 1.5 · 纯音乐
90.0s · 请求 90s
ACE-Step 1.5 · 混音(人声打底)
90.0s · 请求 90s
ACE-Step 1.5 · 完整人声
90.0s · 请求 90s
SA3 Medium · 纯音乐
47.0s · 请求 90s 47s 引擎上限截断
SA3 Medium · 混音(人声打底)
47.0s · 请求 90s 47s 引擎上限截断
SA3 Medium · 完整人声
47.0s · 请求 90s 47s 引擎上限截断
📝 Prompt 设置
共享创作意图 (三引擎尽量相同, 适配各引擎格式):
· 纯音乐: "cinematic epic orchestral, guzheng and strings, melancholic yet powerful, slow build, trailer music"
· 混音: "cinematic epic pop ballad, guzheng over modern drums, melancholic yet powerful, emotional female vocal"
· 人声: 同上 + 歌词 [verse] 从深渊归来 / 带着伤痕与火 [chorus] 她不再回头 / 黑夜为她让路
引擎适配:
· M3 → prompt + lyrics (结构标签 [Verse]/[Chorus]) + duration + seed=42 + steps=30
· ACE → prompt + lyrics + instrumental flag + duration + language=zh + bpm=90 + steps=50
· SA3 → prompt (无人声能力 → mixed/vocal 降级为 "instrumental arrangement only") + seconds_total (≤47) + seed=42
关键发现 (2026-08-18 v2 重跑): M3 的 audio_duration 仅是上限, 引擎自然 EOS 会提前收尾 (v1 实测 mixed 21.0s / vocal 40.3s / instrumental 34.3s); v2 经 suppress_eos=true 屏蔽 <|audio_end|> 后 9 格时长全部达标 — 但自然结束点之后的段落为强制续写, 音乐性需人工试听评估, 想要高质量长曲仍应给足歌词量; SA3 单段硬上限 47s; ACE 时长跟随请求最精确。