diffusers/main/es/api/models/autoencoder_kl_kvae_audio.md

AutoencoderKLKVAEAudio

Un autoencoder variacional (VAE) de convolución 1D con pérdida KL para audio, introducido por el equipo de Kandinsky Lab en KVAE-Audio. Comprime las formas de onda crudas de banda completa (48 kHz) en latentes continuos compactos y las reconstruye con alta fidelidad en el habla, la música y el audio en general.

El modelo se puede cargar con el siguiente fragmento de código.

import torch
from diffusers import AutoencoderKLKVAEAudio

vae = AutoencoderKLKVAEAudio.from_pretrained("kandinskylab/KVAE-Audio", subfolder="diffusers", dtype=torch.float32)

AutoencoderKLKVAEAudio[[diffusers.AutoencoderKLKVAEAudio]]

diffusers.AutoencoderKLKVAEAudio[[diffusers.AutoencoderKLKVAEAudio]]

diffusers.AutoencoderKLKVAEAudio(encoder_dim: int = 64, encoder_rates: list[int] = [2, 3, 4, 5, 8], latent_dim: int = 2048, codebook_dim: int = 64, decoder_dim: int = 1536, decoder_rates: list[int] = [8, 5, 4, 3, 2], sample_rate: int = 48000, num_channels: int = 1, attn_num_heads: int = 8)

Fuente

Parámetros:

encoder_dim (int, opcional, valor predeterminado 64) : Dimensión de canal base para el codificador; se duplica en cada etapa de muestreo descendente.

encoder_rates (list[int], opcional, valor predeterminado [2, 3, 4, 5, 8]) : Pasos para el muestreo descendente en el codificador.

latent_dim (int, opcional, valor predeterminado 2048) : Dimensión del canal de la salida del codificador (antes del cuello de botella in_proj).

codebook_dim (int, opcional, valor predeterminado 64) : Dimensión del canal del espacio latente de la distribución posterior (después del cuello de botella in_proj).

decoder_dim (int, opcional, valor predeterminado 1536) : Dimensión base de canales para el decodificador; se reduce a la mitad en cada etapa de muestreo ascendente.

decoder_rates (list[int], opcional, valor predeterminado [8, 5, 4, 3, 2]) : Pasos para el muestreo ascendente en el decodificador.

sample_rate (int, opcional, valor predeterminado 48000) : La tasa de muestreo, en Hz, con la que se entrenó el modelo.

num_channels (int, opcional, valor predeterminado 1) : Número de canales en los datos de audio (1 para mono).

attn_num_heads (int, opcional, valor predeterminado 8) : Número de cabezas en el bloque de autoatención aplicado a la salida del codificador.

Un autoencoder convolucional 1D para codificar formas de onda de audio en bruto en latentes continuos y decodificarlos de nuevo en formas de onda. Introducido en KVAE-Audio.

Este modelo hereda de ModelMixin. Consulta la documentación de la superclase para sus métodos genéricos implementados para todos los modelos (como la descarga o el guardado).

decode[[diffusers.AutoencoderKLKVAEAudio.decode]]

decode(z: Tensor, return_dict: bool = True)

Fuente

Parámetros:

z (torch.Tensor) : Lote de entrada de vectores latentes.

return_dict (bool, opcional, valor predeterminado True) : Si se debe devolver un DecoderOutput en lugar de una tupla simple.

Devuelve: DecoderOutput o tuple

Si return_dict es True, se devuelve un DecoderOutput; de lo contrario, se devuelve una tuple simple.

Decodificar un lote de latentes en formas de onda de audio.

encode[[diffusers.AutoencoderKLKVAEAudio.encode]]

encode(audio_data: Tensor, return_dict: bool = True)

Fuente

Parámetros:

audio_data (torch.Tensor de forma (batch_size, num_channels, num_samples)) : Lote de entrada de formas de onda de audio sin procesar.

return_dict (bool, opcional, valor predeterminado True) : Si se debe devolver un ~models.autoencoder_kl.AutoencoderKLOutput en lugar de una tupla simple.

Devuelve:

Las representaciones latentes del audio codificado. Si return_dict es True, se devuelve un ~models.autoencoder_kl.AutoencoderKLOutput; de lo contrario, se devuelve una tuple simple.

Codifica un lote de formas de onda de audio en latentes.

forward[[diffusers.AutoencoderKLKVAEAudio.forward]]

forward(sample: Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None)

Fuente

Parámetros:

sample (torch.Tensor de forma (batch_size, num_channels, num_samples)) : Lote de entrada de formas de onda de audio sin procesar.

sample_posterior (bool, opcional, por defecto False) : Si se muestrea de la posterior.

return_dict (bool, opcional, por defecto True) : Indica si se debe devolver un DecoderOutput en lugar de una tupla simple.

generator (torch.Generator, opcional) : Un torch.Generator para hacer que la muestreo sea determinista.

Devuelve: DecoderOutput o tuple

Si return_dict es True, se devuelve un DecoderOutput; en caso contrario, se devuelve una tuple simple.