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

KandinskyS2VTransformer3DModel

Kandinsky S2V 1.0의 Diffusion Transformer (DiT)는 참조 프레임과 음성 트랙에 조건부입니다.

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)

소스

음성-영상 확산 변환기.

파라미터 이름이 학습 체크포인트와 일치하므로, 변환된 .safetensors는 키 재매핑 없이 로드됩니다. 추론은 배치 크기 1로 수행됩니다: 시퀀스가 패킹되고 음성 크로스 어텐션이 프레임 정렬되므로, forward는 1인 리딩 배치 축을 받아 이를 스퀴즈합니다.

시각 스트림은 하나의 패킹된 시퀀스 [memory | ref | visual]입니다:

• memory — 4x / 2x / 1x 시간적 다운샘플링을 적용한 이전 청크의 FramePack 컨텍스트로, 음의 시간적 RoPE 위치에 배치됩니다;
• ref — 시간적 RoPE 인덱스 index_rope_ref_image에 고정된 참조 프레임입니다;
• visual — 노이즈가 제거되는 노이즈가 포함된 잠재 변수(latent).

memory와 ref는 클린(clean) 상태이므로 t = 0로 변조(modulated)되고, visual은 실제 타임스텝을 사용합니다. 변조는 두 행을 모두 포함하며, 인덱스가 토큰별로 선택합니다.

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)

소스

매개변수:

hidden_states : 노이즈가 포함된 잠재 변수, (1, T, H, W, C).

encoder_hidden_states : 텍스트 임베딩, (1, S_text, in_text_dim).

audio_hidden_states : 음성 특징, (1, S_audio, in_audio_dim).

reference_hidden_states : reference frame latent, (1, 1, H, W, C).

memory_hidden_states : 4x / 2x / 1x의 FramePack 메모리, 각각 (1, T_i, H_i, W_i, C).

timestep : 현재 timestep, (1,).

pooled_projections : 풀링된 CLIP 텍스트 임베딩, (1, in_text_dim2).

visual_rope_pos : 노이즈된 잠재 변수의 축별 RoPE 위치.

reference_rope_pos : 기준 좌표계의 축별 RoPE 위치.

memory_rope_pos : 각 FramePack 메모리 스케일의 축별 RoPE 위치.

text_rope_pos : 텍스트 토큰의 1-D RoPE 위치.

audio_rope_pos : 각 음성 토큰이 속하는 잠재 프레임.

scale_factor : 축별 RoPE scale, 해상도 버킷에 의해 설정됩니다.

return_dict : tuple 대신 Transformer2DModelOutput를 반환합니다.

반환값: [~models.modeling_outputs.Transformer2DModelOutput] 또는 tuple

hidden_states와 동일한 모양을 가진 예측 속도입니다.

하나의 청크를 디노이즈합니다.

Batch size는 1이어야 합니다: 시퀀스가 패킹되며 음성 크로스 어텐션은 프레임에 정렬됩니다.