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

KandinskyS2VTransformer3DModel

Kandinsky S2V 1.0 の Diffusion Transformer (DiT) は、参照フレームと音声トラックを条件として使用します。

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)

ソース

音声から動画への拡散トランスフォーマー。

パラメータ名は学習チェックポイントと一致しているため、変換済みの*.safetensorsはキーの再マッピングなしで読み込むことができます。推論はバッチサイズ1です。シーケンスはパックされ、音声クロスアテンションはフレーム単位でアラインされるため、forward*は先頭にバッチ軸1を受け取り、それをsqueezeします。

ビジュアルストリームは、1つのパックされたシーケンス[memory | ref | visual]です:

• memory — 4x / 2x / 1x の時間方向ダウンサンプリングで取得した、前チャンクの FramePack コンテキスト。負の時間方向 RoPE 位置に配置されます。
• ref — 参照フレーム。時間軸 RoPE のインデックス index_rope_ref_image に固定されます。
• visual — 現在デノイジング処理中のノイズ付き潜在変数。

memory と ref はクリーンなため t = 0 でモジュレーションされ、visual は実際のタイムステップを使用します。モジュレーションは2行を保持し、インデックスによってトークンごとに選択されます。

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)

ソース

パラメータ:

hidden_states : 乱数潜在変数、(1, T, H, W, C)。

encoder_hidden_states : テキスト埋め込み、(1, S_text, in_text_dim)。

audio_hidden_states : 音声特徴、(1, S_audio, in_audio_dim)。

reference_hidden_states : 参照フレームの潜在変数、(1, 1, H, W, C)。

memory_hidden_states : 4x / 2x / 1x における FramePack のメモリ、それぞれ (1, T_i, H_i, W_i, C)。

timestep : 現在のタイムステップ、(1,)。

pooled_projections : プールされた CLIP テキスト埋め込み、(1, in_text_dim2)。

visual_rope_pos : ノイジー潜在変数の軸ごとの RoPE 位置。

reference_rope_pos : 基準フレームの軸ごとのRoPE位置。

memory_rope_pos : 各 FramePack メモリースケールの軸ごとの RoPE 位置。

text_rope_pos : テキストトークンの1次元RoPE位置。

audio_rope_pos : 各音声トークンが属する潜在フレーム。

scale_factor : 解像度バケットによって設定される、軸ごとの RoPE スケール。

return_dict : タプルではなくTransformer2DModelOutputを返します。

戻り値: [~models.modeling_outputs.Transformer2DModelOutput] または tuple

hidden_states と同じ形状の予測速度。

1チャンクをデノイズします。

Batch sizeは1である必要があります。シーケンスはパックされており、音声クロスアテンションはフレーム単位でアラインされています。