diffusers/main/id/api/models/kandinsky_s2v_transformer.md

KandinskyS2VTransformer3DModel

Diffusion Transformer (DiT) dari Kandinsky S2V 1.0, dikondisikan pada frame referensi dan trek ucapan.

KandinskyS2VTransformer3DModel[[diffusers.KandinskyS2VTransformer3DModel]]

diffusers.KandinskyS2VTransformer3DModel[[diffusers.KandinskyS2VTransformer3DModel]]

diffusers.KandinskyS2VTransformer3DModel(in_visual_dim: int = 16, out_visual_dim: int = 16, in_text_dim: int = 3584, in_text_dim2: int = 768, in_audio_dim: int = 3584, time_dim: int = 512, patch_size: tuple[int, int, int] = (1, 2, 2), frame_buckets: tuple[int, int, int] = (2, 4, 24), enable_framepack: bool = True, index_rope_ref_image: int = 40, patch_proj1x_coef: tuple[int, int, int] = (1, 1, 1), patch_proj2x_coef: tuple[int, int, int] = (2, 2, 2), patch_proj4x_coef: tuple[int, int, int] = (4, 4, 4), model_dim: int = 1792, ff_dim: int = 7168, num_text_blocks: int = 2, num_audio_blocks: int = 2, num_visual_blocks: int = 32, axes_dims: tuple[int, int, int] = (16, 24, 24), audio_inject_layers: tuple[int, ...] = (), text_rope_max_pos: int = 4096)

Sumber

Transformer difusi dari ucapan ke video.

Nama parameter sesuai dengan checkpoint pelatihan, sehingga .safetensors yang dikonversi dapat dimuat tanpa pemetaan ulang kunci. Inferensi menggunakan ukuran batch 1: urutan dikemas dan cross-attention ucapan selaras per frame, sehingga forward menerima sumbu batch awal berukuran 1 dan mengecilkannya.

Aliran visual adalah satu urutan yang dikemas [memory | ref | visual]:

• memory — konteks FramePack dari chunk sebelumnya pada downsampling temporal 4x / 2x / 1x, ditempatkan pada posisi RoPE temporal negatif;
• ref — kerangka acuan, dikunci pada indeks RoPE temporal index_rope_ref_image;
• visual — latensi berisik yang sedang didenois.

memory dan ref bersih, sehingga dimodulasi dengan t = 0 sementara visual menggunakan timestep asli; modulasi tersebut menyimpan kedua baris dan sebuah indeks memilih per token.

forward[[diffusers.KandinskyS2VTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, audio_hidden_states: Tensor, reference_hidden_states: Tensor, memory_hidden_states: tuple[Tensor, Tensor, Tensor], timestep: Tensor, pooled_projections: Tensor, visual_rope_pos: list[Tensor], reference_rope_pos: list[Tensor], memory_rope_pos: tuple[list[Tensor], list[Tensor], list[Tensor]], text_rope_pos: Tensor, audio_rope_pos: Tensor, scale_factor: tuple[float, float, float] = (1.0, 1.0, 1.0), return_dict: bool = True)

Sumber

Parameter:

hidden_states : laten berisik, (1, T, H, W, C).

encoder_hidden_states : embedding teks, (1, S_text, in_text_dim).

audio_hidden_states : fitur ucapan, (1, S_audio, in_audio_dim).

reference_hidden_states : latens kerangka acuan, (1, 1, H, W, C).

memory_hidden_states : Memori FramePack pada 4x / 2x / 1x, masing-masing (1, T_i, H_i, W_i, C).

timestep : timestep saat ini, (1,).

pooled_projections : embedding teks CLIP yang dipoolkan, (1, in_text_dim2).

visual_rope_pos : posisi RoPE per-sumbu dari laten yang bising.

reference_rope_pos : posisi RoPE per sumbu dari kerangka acuan.

memory_rope_pos : posisi RoPE per sumbu dari setiap skala memori FramePack.

text_rope_pos : posisi RoPE 1-D dari token teks.

audio_rope_pos : frame laten tempat setiap token ucapan berada.

scale_factor : skala RoPE per sumbu, diatur oleh bucket resolusi.

return_dict : mengembalikan Transformer2DModelOutput alih-alih tuple.

Mengembalikan: [~models.modeling_outputs.Transformer2DModelOutput] atau tuple

kecepatan yang diprediksi, dengan bentuk seperti hidden_states.

Denoise satu chunk.

Batch size harus 1: urutan dikemas dan cross-attention ucapan diselaraskan per frame.