AI作曲エンジン教科書

汎用作曲エンジン make-song の最大の特徴は、知見をAI依存度で層に分離していること。音楽生成AIが変わっても基礎（Layer 1）はそのまま再利用し、固有の実測（Layer 2）だけ差し替えれば済む設計。

5層構造

さらに THEME 層として、テーマ固有の作曲知識（三国志HIPHOP / サイバー和モダン）を保持。Phase 0 でテーマ選択時に読み込む。

知見を汎用性（AI非依存か）× 検証度（裏打ちの強さ）で4象限に仕分ける。どこに格納するかが明確になる。

昇格ルール（循環）

③④（仮説）→ 実測で効果確認 → ①②（確定/実測）へ昇格。①のうち特定AIで効かないものは②へ降格。知見が常に検証されて磨かれる循環構造。

音楽生成AIが MiniMax から別AIに変わっても、Layer 1（基礎理論）はそのまま。変わるべきは Layer 2 のみ。これを META 層のポータビリティチェックリストで検証する。

新AI導入時の検証項目（抜粋）

• duration/BPM 指定パラメータの有無
• 構造タグ14種の認識（どれが効くか）
• 括弧 (text) 記法・コロン [Verse: ...] 記法の解釈
• 圧縮率（設計値に対する到達率）
• 声質プロファイル固定の効き
• cover 相当機能の有無（曲調維持で歌詞修正できるか）

音楽プロンプトは Genre → Mood → Instrumentation → Vocal の順で組む。最も支配的な要素（ジャンル）を先頭に置くことで、生成品質が劇的に上がる（Suno/Udio/Stable Audio 複数ソースで裏打ち）。

<ジャンル+時代>, <ムード/情景>, <楽器>, <ボーカル指定>, <テンポ>

例: 90s Garage rock, raw and aggressive,
    distorted bass, room mic drums,
    shouted male vocals, 120 BPM

核心公式（4/4拍子）

1小節の長さ(秒) = (60 ÷ BPM) × 4
秒数            = 小節数 × 4拍 × (60 ÷ BPM)
小節数          = (分数 × BPM) ÷ 4

BPM別 早見表

目標曲長 → 必要小節数（逆算）

曲は「感情の旅」。構造タグだけ並べると「正しいが心に響かない」曲になる。各セクションで感情がどう動くかを必ず設計する。

設計例

不穏(Intro) → 抑圧(A) → 葛藤(B) → 解放(サビ) → 内省(C) → カタルシス(大サビ)

構造タグ14種（MiniMax music-2.6 公式）

[Intro][Verse][Pre Chorus][Chorus][Interlude][Bridge][Outro][Post Chorus][Transition][Break][Hook][Build Up][Inst][Solo]

A. コード進行語彙（定石）

B. スケール / モード

• メジャー/マイナー：基本
• ペンタトニック：ロック/ブルース/和風
• ドリアン：K-POPネオソウル・ジャズHIPHOP（明るいマイナー）
• ミクソリディアン：ロック（ブルージーな長調）
• 都節/陰音階：和風

C-D. リズム・ダイナミクス

リズム：8/16ビート（ロック/ポップ）・シャッフル3連符（R&B/ブルース）・シンコペーション（ファンク）・ダウンテンポ（キック2-4）。

ダイナミクス：Aメロ=語る（音数少）/ Bメロ=引く / サビ=爆発（音量・密度UP）。セクション間コントラストが説得力を生む。

E. 音域（テスター）

男性 A2-G4 / 女性 C4-C6。短いモチーフを反復・展開（Motif-based）。順次進行は歌いやすく、跳躍はインパクト。

英語プロンプト指針

J-pop:  emotional piano and acoustic guitar, clear expressive vocal with gentle vibrato,
        royal road chord progression, warm strings pad, polished production
K-pop:  multi-part structure with rap and vocal sections, R&B-influenced chords,
        heavy synth bass, polished powerful vocals, energetic dance beat
Pop:    modern pop, four-chord progression, synth-driven production, punchy 808,
        catchy vocal melody with falsetto hooks, radio-friendly

ヒップホップ/トラップ

• BPM：70-90（トラップはハーフタイム感で130-150表記も）
• 構造：Intro→Verse1(16)→Hook(8)→Verse2(16)→Hook(8)→Verse3(16)→Hook(8)→Outro
• サウンド：808ベース（サイドチェイン）・細かいハイハットロール・暗め・マイナーペンタトニック
• ボーカル：ラップ・トリプレットフロー（ミゴス流）

Trap: heavy 808 bass with sidechain, fast hi-hat rolls, dark minor pentatonic melody,
      triplet rap flow, modern hip-hop, eerie and hard-hitting

R&B

• BPM：70-100 / コード：ドリアン・7th/9th豊富
• サウンド：エレピ・ムーディーなシンセ・グルーヴベース
• ボーカル：メリスマ・ウィスパー・ファルセット

R&B: dorian mode, lush electric piano, smooth grooving bass, soulful vocal with
     melisma and falsetto, 7th and 9th chords, intimate and sensual

Rock:   distorted power chords, driving bass, aggressive drums, pentatonic riffs,
        powerful belted vocals, guitar solo
EDM:    festival anthem, four-on-the-floor kick, massive synth drop with sidechain
        pumping, risers, euphoric vocal chop, high-energy
Anime:  fast twin-beat rock, dramatic royal road progression with modulation,
        symphonic strings, powerful high-register vocal, guitar solo

Lo-Fi Hip Hop

• BPM：70-85 / コード：マイナー7th/9th・落ち着いたループ
• サウンド：Vinyl Crackle・Wow & Flutter・レイドバックドラム・エレピ
• 構造：4-8小節ループ基盤・Intro→Theme→Hook→Theme→Bridge→Outro

Lo-fi hip hop: mellow minor 7th chords, vinyl crackle and wow-flutter,
               laid-back drum groove with drag, warm electric piano,
               nostalgic and chill, loopable, study beats

和風 / サイバー和（cyber-wa カタログ）

既存の cyber-wa-song スキルの8ジャンル（ラウドロック×和楽器 / Lo-Fiサイバー和 / サイバー和EDM / 和風トラップ / 和風アンビエント / サイバー和ヌメタル / 都節エレクトロ / 和楽器インスト）を参照。本スキルから呼出可能。

これが品質を決める最大の要因。ジャンル名1語では毎回違う曲になる。

具体語推の3つセット

• 「ジャンル+時代」で音色を絞る： [1980s Synthwave] [90s Boom Bap] [70s Disco] [2010s Trap]
• 楽器は2-4個に制限：超えると全部が薄くなる（Suno/Stable Audio 共通）。重要音源を厳選
• 音源順序：重要な音源を先に、質感・プロダクション特性を後に

音源順序の例:
Distorted 808 bass, trap hi-hats, dark cinematic synth pads, reverb-drenched vocals
↑重要                       ↑中                            ↑質感

公式検証で、メタタグなしで3分曲を任せるとAIが6-8回構造を推測して破綻する。構造タグ（[Verse][Chorus]等）で明示制御する（→ 第2章の14種）。

ジャンルスタッキング

単一ジャンルより影響関係を書く方が精度が上がる：

Lo-fi hip hop with R&B influences

ネガティブ制御は信頼性低

Style 欄の no drums 等は無効なことが多い。公式 Exclude 欄を使うか、肯定表現で組む方が確実。

コロン記法が MiniMax で効くかは未検証。使う時は効果を実測し、効けば Layer 2（実測）へ昇格させる。これが4象限マトリクスの循環（第1章）の実例。

曲直しで複数変数を同時に変えると、何が効いたか分からない。生成AIは非決定的（同じ入力でも毎回違う結果）なため、なおさら厳密な要因孤立が必要。

1変数変更法

1. 現状のプロンプトで1曲生成（ベースライン）
2. 1つの変数だけ変更（例: BPM のみ / 楽器1つのみ / 声質ブロックのみ）
3. 再生成 → 比較
4. 効果を確認したら次の変数へ

日本語ラップの韻は子音より母音。語尾の母音が揃えば韻になる。

例:「そうじん」= s/o ー/o j/i n   → 母音列 [o-o-i-n]
   「こうしん」= k/o ー/o sh/i n  → 母音列 [o-o-i-n] → 4字韻（複韻）

文字数（王道は2〜4字）

配置パターン

• 連韻（AABB）：1=2 / 3=4 — 王道・安定
• 交韻（ABAB）：1=3 / 2=4 — 流れる感覚
• 階段韻（スタッキング）：3〜4行同韻連打 — 盛り上がり・サビ前
• バラ韻（飛び石）：離れた行で同韻 — 伏線・統一感

★ 助詞「は」→「わ」（最優先・必須）

歌詞では助詞「は」を全て「わ」と書く（発音として正しい）。

• 「心は硬い」→「こころわ かたい」
• 「樊城は倒れぬ」→「はんじょうわ たおれぬ」

長音・撥音・促音

アクセント（高低）にも注意

母音が同じでも高低（アクセント）が違うと韻が薄れる。高低も揃えると強い。

セクション別に書く内容

音節（Syllable Per Beat）設計

1フレーズの音節数（モーラ）を行ごとに揃える → flow が安定・字余り/字足らず防止。例: 7-7-7-7 / 5-7-5-7。

呼吸ポイント（フレーズ境界）

紙に読むと良くても、歌うと息継ぎできない・子音が被ることが多い。フレーズの切れ目（休符位置）を意識して歌詞を区切る。韻を踏む位置 ≠ 歌いやすい位置。両立を図る。

母語の自然さスキャン（必須）

1行ずつ音読し、造語・不自然表現・慣用句誤用を検出。

漢字版併記（ユーザー照合用・必須）

ひらがな歌詞と並べて漢字版を併記。ユーザーが意味を照合できるようにする。

1. テーマ語決定（例: 曹仁→「そうじん」「はんじょう」）
2. 韻の核（母音列）を逆算：「そうじん」= o-u-i-n
3. 同母音列の語をリスト（こうしん/とうしん/ろうしん/ほうしん…。AZRhymes 活用）
4. 意味が通るように並べる（韻優先で語を選ぶと意味が死ぬ→両立）
5. 脚韻を骨組み → 頭韻/内部韻で肉付け
6. 音数（モーラ）を行ごとに揃える（flow安定）

MiniMax music-2.6 について実測で判明した決定的な事実：

• duration/BPM 指定 param は API にも MCP にも存在しない（100%確定）
• MCP payload は5項目のみ: model / prompt / lyrics / audio_setting / output_format
• 残るレバーは prompt ＋ lyrics の構造タグ のみ
• 価格は長さ非依存: $0.15/曲（1分でも5分でも同額）

高音質標準値（必須・上書き必須）

model: music-2.6
audio_setting: { sample_rate: 44100, bitrate: 256000, format: mp3 }

デフォルトの 32kHz/128kbps は低音質。必ず上記で上書きする。

AI は設計値の60-70%にしか届かない（Verse3回構造を2Verse分に圧縮する傾向）。

長尺化ベストプラクティス（公式テンプレ準拠）

1. [Verse 1][Verse 2][Verse 3] 番号付き（[Verse]のみは圧縮される）
2. (掛け声) 括弧バックボーカル（歌詞量増＋演出）
3. 各Verse完全差別化（類似圧縮回避）
4. [Break] でVerse間区切り（構造認識強化）

BPM帯別の自然な曲長（実務目安）

問題：voice_id は music_generation に渡せない（voice_design/clone は TTS 専用）。曲間で声色を完全固定する保証はない。

現実解（3層）

1. 声質プロファイル固定化：全曲共通の声質ブロックを毎回同一文字列で prompt に挿入

   Vocals: 20s female alto, breathy delivery with warm chest resonance, ethereal clarity

2. 変更するのはスタイル部分のみ：core vocal identity を維持しつつ style 切替
3. 期待値調整：「だいたい同じ声」まではいくが「同一人物と100%認識」は保証外

括弧 (text) 記法（実証済・v10男女デュオ）

(female lead vocal) / (male rap feature verse) / (backing vocal) / (ad-lib)

backing/response/ad-lib として広く実証。男女デュオで (F)(M) 切替も有効。

music-2.6 は非決定的（同じprompt+歌詞でも毎回違う結果・seed指定不可）。歌詞を直して再生成すると曲調まで変わる。良い曲を活かして歌詞だけ直すには music-cover を使う。

Step 1: preprocess（無料）— cover_feature_id 取得

良い曲を base64 で POST すると、曲の音響特徴（24h有効）を取得。

AUDIO_B64=$(base64 -w0 good_version.mp3)
curl -X POST https://api.minimax.io/v1/music_cover_preprocess \
  -H "Authorization: Bearer $MINIMAX_API_KEY" \
  -d "{\"model\":\"music-cover\",\"audio_base64\":\"$AUDIO_B64\"}"

Step 2: cover 生成（有料・$0.15/曲）— 修正歌詞を適用

curl -X POST https://api.minimax.io/v1/music_generation \
  -H "Authorization: Bearer $MINIMAX_API_KEY" \
  -d "{\"model\":\"music-cover\",\"cover_feature_id\":\"\",\"lyrics\":\"<修正歌詞>\"}"

禁止組み合わせ（2013 エラー）

• cover で audio_url + audio_base64 両方
• cover_feature_id + audio_url 同時
• stream:true で output_format:url
• music-cover で lyrics_optimizer:true（music-2.6 専用）

MiniMax music-2.6 は漢字を誤読する（樊城→まいふせつ・不屈→ふこつ）。造語を生成する。ひらがな表記の母音列しか読めない。→ ひらがな化が必須。

ひらがな化フロー（日本語ボーカル時）

1. 漢字で歌詞執筆（意味明確・情景描写）
2. ひらがな化（kanji_to_hiragana.py・janome・固有名詞マップで補正）
3. 助詞「は→わ」全適用
4. 漢字版併記（ユーザー照合用）
5. 1行ずつ音読で造語・不自然表現スキャン

絶対禁止

Phase -1: 目的・用途の定義

楽曲の用途を確認（設計厳密さが変わる）：

• 商用BGM / 個人作品 / 動画投稿用 / クライアントワーク / 実験
• Quick Mode（Phase -1+0+1+3+4・構造簡略・手軽に1曲）or Full Mode（全Phase・最高品質）

Phase 0: コンセプト起点

• アイデア/テーマ/情景を聞く（フリー記述 or 選択）
• テーマ選択（任意）：汎用 / 三国志HIPHOP / サイバー和モダン → 該当 THEME 層を読込
• リファレンス仕様書の持ち込みがあれば読込（reverse-engineer-song 経由）
• 楽曲の目的：フックonly / 60秒 / フル3-4分

Phase 1: 設計パラメータ固め（Reference 3曲 → GMIV）

1. Reference 3曲（業界標準）：雰囲気を具体曲で伝える
2. GMIV順序（第2章・第4章）：
   • Genre — ジャンル＋時代・具体語（抽象語NG）
   • Mood — ムード/情景（ジャンル×感情の翻訳）
   • Instrumentation — 楽器2-4個・重要音源順
   • Vocal — 性別＋声質プロファイル（固定文字列・声色ブレ防止）＋Delivery（歌い回し）
3. BPM＋曲規模（テンポ×曲長連動）

Phase 2: 楽曲構造設計（理論/補正の分離）

• 2a 理論構造（Layer 1・AI非依存）：小節数逆算＋構造タグ14種＋感情曲線
• 2b AI補正（Layer 2・圧縮率60-70%）：補正設計値＋長尺化ベストプラクティス

Phase 3: 歌詞 → 音楽プロンプト生成（順序: 歌詞先）

• 3b 歌詞（先）：構造タグ付き・第5章（韻・音節・呼吸ポイント）・第6章（ひらがな化・は→わ）
• 3a 音楽プロンプト（後）：GMIV順序・具体語・声質プロファイル・括弧記法（実証済主軸）・コロン記法（未検証ラベル）

🔴 人間判断：プロンプト＋歌詞提示 → 「これで生成していいですか?」

Phase 4: 生成＋検証ループ（実測ファースト）

1. MiniMax music_generation（高音質標準値）で生成
2. 聴取はユーザー手動再生（play_audio は300sタイムアウト・停止不能なので使わない）
3. Success Metric を明示：音質 / 構造再現 / 歌詞適合 / 雰囲気一致 の優先順位
4. 修正は1変数変更法（第4章）：発音問題→music-coverループ / 曲調ズレ→該当変数のみ / 声色ブレ→声質プロファイル強化
5. 良い回は即 music_cover_preprocess で保存（24h有効）
6. 打切基準：コスト・時間制約でイテレーション上限を設定

🔴 ループ継続/完了判断

成果物整理

• 楽曲保存（songs/<曲名>/）＋ lyrics.md（ひらがな/漢字/修正履歴）
• SSOT記録：詳細ファイル ＋ 日記（サマリー+リンク）

知見蓄積（実測ファーストの循環エンジン）

• 失敗パターンカタログへ今回の失敗/解決を記録
• MiniMax実測知見へ確定知見を昇格
• 潮流へ流行り知見を記録
• 4象限マトリクスの昇格/降格候補を明示

実測で判明した失敗する書き方と回避策。制作ごとに拡充される育成型カタログ。

make-song は Phase 0 でテーマを選択すると、テーマ固有の作曲知識（THEME 層）を読み込む。各テーマには専用の実践ガイド（互補）がある。

⚔️ 三国志HIPHOP

武将生涯をラップのストーリーにする。発音（漢字→ひらがな）・韻（武将名の母音列）・和風/中国系ジャンルが鍵。曹仁「樊城の守り」（8回の試行錯誤）が代表的実例。

• 📖 実践ガイド: 三国志HIPHOP制作教科書（武将選び→曲・歌詞・画像・動画まで）
• 🐍 ツール: kanji_to_hiragana.py（固有名詞マップ付き）

🏯 サイバー和モダン

原点廻帰 / 電子参拝 / 百鬼夜行の3作品群。和楽器×電子音の融合。8ジャンルカタログ（ラウドロック×和楽器 / Lo-Fiサイバー和 / サイバー和EDM / 和風トラップ 等）。

• 🐍 スキル: cyber-wa-song（曲+歌詞+画像+動画まで質問ドリブン制作）

make-song が生成した曲を定量分析（BPM・キー・コード進行・音域・フレーズ反復などを数値化）し、歴史的名曲の特徴量DBと照合する。得られた「どの名曲に似ているか」「名曲っぽさスコア」を make-song のプロンプトに還元し、生成品質を伸ばすループ。

各特徴量を独立に 0〜1 の類似度スコアに変換し、固定重みで加重平均する。BPM（ガウシアン変換）/ キー（五度圏距離）/ コード進行（n-gram Jaccard）/ 音域（範囲重なり）など、軸ごとに最適な距離尺度を選べる。

4層パイプライン

なぜ他案でなくこの方式か

定量分析は完璧ではない。実曲（米津玄師「Lemon」）の分析で、高信頼度な軸と信頼できない軸が明確に分かれた。