diffusers/main/pt/api/models/ltx2_video_transformer3d.md

LTX2VideoTransformer3DModel

Um modelo Diffusion Transformer para dados 3D da LTX foi introduzido pela Lightricks.

O modelo pode ser carregado com o seguinte trecho de código.

from diffusers import LTX2VideoTransformer3DModel

transformer = LTX2VideoTransformer3DModel.from_pretrained("Lightricks/LTX-2", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

LTX2VideoTransformer3DModel[[diffusers.LTX2VideoTransformer3DModel]]

diffusers.LTX2VideoTransformer3DModel[[diffusers.LTX2VideoTransformer3DModel]]

diffusers.LTX2VideoTransformer3DModel(in_channels: int = 128, out_channels: int | None = 128, patch_size: int = 1, patch_size_t: int = 1, num_attention_heads: int = 32, attention_head_dim: int = 128, cross_attention_dim: int = 4096, vae_scale_factors: tuple[int, int, int] = (8, 32, 32), pos_embed_max_pos: int = 20, base_height: int = 2048, base_width: int = 2048, gated_attn: bool = False, cross_attn_mod: bool = False, audio_in_channels: int = 128, audio_out_channels: int | None = 128, audio_patch_size: int = 1, audio_patch_size_t: int = 1, audio_num_attention_heads: int = 32, audio_attention_head_dim: int = 64, audio_cross_attention_dim: int = 2048, audio_scale_factor: int = 4, audio_pos_embed_max_pos: int = 20, audio_sampling_rate: int = 16000, audio_hop_length: int = 160, audio_gated_attn: bool = False, audio_cross_attn_mod: bool = False, num_layers: int = 48, activation_fn: str = 'gelu-approximate', qk_norm: str = 'rms_norm_across_heads', norm_elementwise_affine: bool = False, norm_eps: float = 1e-06, caption_channels: int = 3840, attention_bias: bool = True, attention_out_bias: bool = True, rope_theta: float = 10000.0, rope_double_precision: bool = True, causal_offset: int = 1, timestep_scale_multiplier: int = 1000, cross_attn_timestep_scale_multiplier: int = 1000, rope_type: str = 'interleaved', use_prompt_embeddings = True, perturbed_attn: bool = False, ff_bias: bool = True, audio_ff_bias: bool = True, use_prompt_adaln_single: bool = True, use_keyframes_abs_pos_embedding: bool = False)

Fonte

Parâmetros:

in_channels (int, padrão 128) : O número de canais na entrada.

out_channels (int, padrão 128) : O número de canais na saída.

patch_size (int, padrão 1) : O tamanho dos patches espaciais a serem usados na camada de incorporação de patches.

patch_size_t (int, padrão 1) : O tamanho dos patches temporais a serem usados na camada de incorporação de patches.

num_attention_heads (int, padrão 32) : O número de cabeças a serem usadas para a atenção multi-cabeça.

attention_head_dim (int, padrão 64) : O número de canais em cada head.

cross_attention_dim (int, padrão 2048 ) : O número de canais para as cabeças de atenção cruzada.

num_layers (int, padrão 28) : O número de blocos de Transformer a serem usados.

activation_fn (str, padrão "gelu-approximate") : Função de ativação a ser usada no feed-forward.

qk_norm (str, padrão "rms_norm_across_heads") : A camada de normalização a ser usada.

ff_bias (bool, padrão True) : Se as camadas lineares da camada feed-forward do vídeo incluem um termo de viés. False para LTX-2.5.

audio_ff_bias (bool, padrão True) : Se as camadas lineares da camada feed-forward de áudio incluem um termo de viés.

use_prompt_adaln_single (bool, padrão True) : Se a modulação de Key/Value da cross-attention do prompt é dependente do timestep. Quando False, usa uma tabela fixa por camada, tornando os valores de Key/Value da cross-attention cacheáveis entre as etapas de desruidamento para um prompt dado.

use_keyframes_abs_pos_embedding (bool, padrão False) : Se deve armazenar um embedding absoluto de posição aprendido (1, inner_dim) para tokens de keyframes gerados (LTX-2.5). Quando True, os tokens selecionados por video_keyframes_mask recebem esse embedding. O argumento é opcional; omiti-lo mantém o caminho de forward destilado inalterado.

Um modelo Transformer para dados semelhantes a vídeo usado no LTX.

forward[[diffusers.LTX2VideoTransformer3DModel.forward]]

forward(hidden_states: Tensor, audio_hidden_states: Tensor, encoder_hidden_states: Tensor, audio_encoder_hidden_states: Tensor, timestep: LongTensor, audio_timestep: typing.Optional[torch.LongTensor] = None, sigma: typing.Optional[torch.Tensor] = None, audio_sigma: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.Tensor] = None, audio_encoder_attention_mask: typing.Optional[torch.Tensor] = None, num_frames: int | None = None, height: int | None = None, width: int | None = None, fps: float = 24.0, audio_num_frames: int | None = None, video_coords: typing.Optional[torch.Tensor] = None, audio_coords: typing.Optional[torch.Tensor] = None, isolate_modalities: bool = False, spatio_temporal_guidance_blocks: list[int] | None = None, perturbation_mask: typing.Optional[torch.Tensor] = None, use_cross_timestep: bool = False, attention_kwargs: dict[str, typing.Any] | None = None, video_self_attention_mask: typing.Optional[torch.Tensor] = None, video_keyframes_mask: typing.Optional[torch.Tensor] = None, return_dict: bool = True)

Fonte

Parâmetros:

hidden_states (torch.Tensor) : Latentes de vídeo em patches de entrada, com forma (batch_size, num_video_tokens, in_channels).

audio_hidden_states (torch.Tensor) : Latentes de áudio em patches de entrada, com forma (batch_size, num_audio_tokens, audio_in_channels).

encoder_hidden_states (torch.Tensor) : Embeddings de texto do vídeo de entrada, com forma (batch_size, text_seq_len, self.config.caption_channels).

audio_encoder_hidden_states (torch.Tensor) : Embeddings de texto de áudio de entrada com forma (batch_size, text_seq_len, self.config.caption_channels).

timestep (torch.Tensor) : Timestep de entrada com forma (batch_size, num_video_tokens). Estes devem já ter sido escalados por self.config.timestep_scale_multiplier.

audio_timestep (torch.Tensor, opcional) : Timestep de entrada com forma (batch_size,) ou (batch_size, num_audio_tokens) para os parâmetros de modulação de áudio. Isso é usado apenas por determinados pipelines, como o pipeline I2V.

sigma (torch.Tensor, opcional) : Timestep de entrada escalado com forma (batch_size,). Usado para modulação de atenção cruzada de prompt de vídeo em modelos como LTX-2.3.

audio_sigma (torch.Tensor, opcional) : Timestep de entrada escalonado com forma (batch_size,). Usado para modulação de atenção cruzada de prompt de áudio em modelos como LTX-2.3. Se sigma for fornecido, mas audio_sigma não, audio_sigma será definido para o valor de sigma fornecido.

encoder_attention_mask (torch.Tensor, opcional) : Máscara de atenção de texto multiplicativa opcional com forma (batch_size, text_seq_len).

audio_encoder_attention_mask (torch.Tensor, opcional) : Máscara de atenção de texto multiplicativa opcional de forma (batch_size, text_seq_len) para modelagem de áudio.

num_frames (int, opcional) : O número de quadros de vídeo latentes. Usado ao calcular as coordenadas do vídeo para o RoPE.

height (int, opcional) : A altura do vídeo latente. Usada ao calcular as coordenadas do vídeo para o RoPE.

width (int, opcional) : A largura do vídeo latente. Usado ao calcular as coordenadas do vídeo para o RoPE.

fps : (float, opcional, padrão 24.0): Os quadros por segundo desejados do vídeo gerado. Usado ao calcular as coordenadas do vídeo para o RoPE.

audio_num_frames : (int, opcional): O número de quadros de áudio latentes. Usado ao calcular as coordenadas de áudio para o RoPE.

video_coords (torch.Tensor, opcional) : As coordenadas do vídeo a serem usadas ao calcular os embeddings posicionais rotativos (RoPE) de forma (batch_size, 3, num_video_tokens, 2). Se não fornecidas, serão calculadas dentro de forward.

audio_coords (torch.Tensor, opcional) : As coordenadas de áudio a serem usadas ao calcular os embeddings posicionais rotativos (RoPE) de forma (batch_size, 1, num_audio_tokens, 2). Se não fornecidas, serão calculadas dentro de forward.

isolate_modalities (bool, opcional, padrão False) : Se deve isolar cada modalidade desativando a atenção cruzada entre modalidades (de áudio para vídeo e de vídeo para áudio) em todos os blocos. Use para orientação de modalidade no LTX-2.3.

spatio_temporal_guidance_blocks (list[int], opcional, padrão None) : Os índices dos blocos do transformer nos quais aplicar o direcionamento espaço-temporal (STG), que encurta as operações de autoatenção usando simplesmente os valores em vez da operação completa de atenção de produto escalar normalizado (SDPA). Se None ou vazio, o STG não será aplicado a nenhum bloco.

perturbation_mask (torch.Tensor, opcional) : Máscara de perturbação para STG com forma (batch_size,) ou (batch_size, 1, 1). Deve ser 0 nos elementos do lote onde o STG deve ser aplicado e 1 nos demais. Se o STG estiver sendo usado, mas perturbation_mask não for fornecido, o padrão será aplicar o STG (perturbar) todos os elementos do lote.

use_cross_timestep (bool opcional, padrão False) : Se deve usar o sigma da modalidade cruzada (áudio é a modalidade cruzada de vídeo, e vice-versa) ao calcular os parâmetros de modulação da atenção cruzada. True é o comportamento mais recente (por exemplo, LTX-2.3); False é o comportamento legado do LTX-2.0.

attention_kwargs (dict[str, Any], opcional) : Dicionário opcional de argumentos de palavra-chave a serem passados para o processador de atenção.

video_self_attention_mask (torch.Tensor, opcional) : Máscara opcional de autoatenção multiplicativa de forma (batch_size, num_video_tokens, num_video_tokens) aplicada à autoatenção do vídeo em cada bloco do transformer. Valores em [0, 1], onde 1 significa atenção total e 0 significa mascarado. Usado, por exemplo, pelo pipeline IC-LoRA para controlar a intensidade da atenção entre tokens ruidosos e tokens de referência anexados. A autoatenção de áudio não é afetada.

video_keyframes_mask (torch.Tensor, opcional) : Marcador opcional por token, de forma (batch_size, num_video_tokens, 1), não nulo nos tokens de vídeo cujo quadro latente codifica um quadro de pixel único. Esses tokens recebem keyframes_abs_pos_embedding. Ignorado quando o modelo foi construído sem use_keyframes_abs_pos_embedding.

return_dict (bool, opcional, padrão True) : Se deve retornar uma saída estruturada em formato de dicionário do tipo AudioVisualModelOutput ou uma tupla.

Retorna: AudioVisualModelOutput ou tuple

Se return_dict for True, retorna uma saída estruturada do tipo AudioVisualModelOutput; caso contrário, uma tuple é retornada, em que o primeiro elemento é a sequência de patches latentes do vídeo dessonada e o segundo elemento é a sequência de patches latentes do áudio dessonada.

Passada para frente do transformador audiovisual de vídeo LTX-2.0.