Paramètres

• prompt (str ou list[str]) — Prompt ou prompts qui guident la génération audio.
• negative_prompt (str ou list[str], facultatif) — Prompt(s) négatif(s) pour le guidage sans classifieur.
• audio_duration_s (float, facultatif) — Durée cible de l’audio en secondes. Ignoré lorsque latents est fourni.
• latents (torch.Tensor, facultatif) — Latents bruités pré-générés de forme (batch_size, duration, latent_dim).
• num_inference_steps (int, par défaut 16) — Nombre d'étapes de débruitage.
• guidance_scale (float, par défaut 4.0) — Échelle de guidage pour le guidage sans classifieur.
• generator (torch.Generator ou list[torch.Generator], facultatif) — Générateur(s) aléatoire(s).
• output_type (str, par défaut "np") — Format de sortie : "np", "pt" ou "latent".
• return_dict (bool, par défaut True) — Indique s'il faut retourner AudioPipelineOutput.
• callback_on_step_end (Callable, facultatif) — Une fonction appelée à la fin de chaque étape de débruitage, recevant le pipeline, l'indice de l'étape, le timestep et les entrées tensorielles spécifiées par callback_on_step_end_tensor_inputs.
• callback_on_step_end_tensor_inputs (list, par défaut ["latents"]) — Entrées tensorielles passées à callback_on_step_end.

Paramètres

• pretrained_model_name_or_path (str ou os.PathLike, facultatif) — Peut être l'un des éléments suivants :
  • Une chaîne de caractères, l'identifiant du dépôt (par exemple CompVis/ldm-text2im-large-256) d'un pipeline pré-entraîné hébergé sur le Hub.
  • Un chemin vers un dossier (par exemple ./my_pipeline_directory/) contenant les poids du pipeline enregistrés à l'aide de save_pretrained().
• dtype (torch.dtype ou dict[str, Union[str, torch.dtype]], facultatif) — Remplace le torch.dtype par défaut et charge le modèle avec un autre dtype. Pour charger des sous-modèles avec des dtypes différents, passez un dict (par exemple {'transformer': torch.bfloat16, 'vae': torch.float16}). Définissez le dtype par défaut pour les composants non spécifiés avec default (par exemple {'transformer': torch.bfloat16, 'default': torch.float16}). Si un composant n'est pas spécifié et qu'aucun défaut n'est défini, torch.float32 est utilisé.
• custom_pipeline (str, facultatif) —

  > 🧪 Il s'agit d'une fonctionnalité expérimentale qui peut évoluer à l'avenir.

  Peut être :

  • Une chaîne de caractères, l'identifiant du dépôt (par exemple hf-internal-testing/diffusers-dummy-pipeline) d'un pipeline personnalisé hébergé sur le Hub. Le dépôt doit contenir un fichier nommé pipeline.py qui définit le pipeline personnalisé.
  • Une chaîne de caractères, le nom de fichier d’un pipeline communautaire hébergé sur GitHub sous Community. Les noms de fichiers valides doivent correspondre au nom du fichier et non au script du pipeline (clip_guided_stable_diffusion plutôt que clip_guided_stable_diffusion.py). Les pipelines communautaires sont toujours chargés depuis la branche main actuelle de GitHub.
  • Un chemin vers un répertoire (./my_pipeline_directory/) contenant un pipeline personnalisé. Le répertoire doit contenir un fichier nommé pipeline.py qui définit le pipeline personnalisé.

  Pour plus d'informations sur la manière de charger et de créer des pipelines personnalisés, veuillez consulter Chargement et ajout de pipelines personnalisés

• force_download (bool, facultatif, par défaut False) — Indique s'il faut forcer le (re)téléchargement des poids du modèle et des fichiers de configuration, en ignorant les versions mises en cache si elles existent.
• cache_dir (Union[str, os.PathLike], facultatif) — Chemin vers un répertoire où la configuration d'un modèle pré-entraîné téléchargé est mise en cache si le cache standard n'est pas utilisé.
• proxies (Dict[str, str], facultatif) — Un dictionnaire de serveurs proxy à utiliser par protocole ou point de terminaison, par exemple, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Les proxys sont utilisés pour chaque requête.
• output_loading_info(bool, facultatif, par défaut False) — Indique s'il faut également retourner un dictionnaire contenant les clés manquantes, les clés inattendues et les messages d'erreur.
• local_files_only (bool, facultatif, par défaut False) — Indique s'il faut charger uniquement les poids et les fichiers de configuration du modèle en local. Si défini sur True, le modèle ne sera pas téléchargé depuis le Hub.
• token (str ou bool, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True, le jeton généré par diffusers-cli login (stocké dans ~/.huggingface) est utilisé.
• revision (str, facultatif, par défaut "main") — La version spécifique du modèle à utiliser. Il peut s’agir d’un nom de branche, d’un nom de tag, d’un identifiant de commit ou de tout identifiant autorisé par Git.
• custom_revision (str, facultatif) — La version spécifique du modèle à utiliser. Il peut s’agir d’un nom de branche, d’un nom de tag ou d’un identifiant de commit, de la même manière que revision lors du chargement d’un pipeline personnalisé depuis le Hub. Par défaut, la dernière version stable 🤗 Diffusers est utilisée.
• mirror (str, facultatif) — Source miroir pour résoudre les problèmes d’accessibilité lors du téléchargement d’un modèle en Chine. Nous ne garantissons ni la réactivité ni la sécurité de la source ; veuillez consulter le site miroir pour plus d’informations.
• device_map (str, facultatif) — Stratégie qui détermine comment les différents composants d'un pipeline doivent être répartis sur les dispositifs disponibles. Actuellement, seul le device_map « balanced » est pris en charge. Consultez ce lien pour en savoir plus.
• max_memory (Dict, facultatif) — Un dictionnaire identifiant les appareils pour la mémoire maximale. Par défaut, la valeur est la mémoire maximale disponible pour chaque GPU et la RAM CPU disponible si non définie.
• offload_folder (str ou os.PathLike, facultatif) — Le chemin vers lequel décharger les poids si device_map contient la valeur "disk".
• offload_state_dict (bool, facultatif) — Si True, décharge temporairement le dictionnaire d’état CPU sur le disque dur pour éviter d’épuiser la RAM CPU si le poids du dictionnaire d’état CPU + le plus grand fragment du point de contrôle ne tient pas. La valeur par défaut est True lorsqu’une décharge sur disque est présente.
• low_cpu_mem_usage (bool, facultatif, par défaut True si la version de torch est >= 1.9.0, sinon False) — Accélère le chargement du modèle en ne chargeant que les poids pré-entraînés et sans initialiser les poids. Cela permet également de ne pas utiliser plus de 1 fois la taille du modèle en mémoire CPU (y compris la mémoire de pointe) lors du chargement du modèle. Uniquement pris en charge pour PyTorch >= 1.9.0. Si vous utilisez une version plus ancienne de PyTorch, définir cet argument sur True déclenchera une erreur.
• use_safetensors (bool, facultatif, valeur par défaut None) — Si défini sur None, les poids safetensors sont téléchargés s’ils sont disponibles et si la bibliothèque safetensors est installée. Si défini sur True, le modèle est chargé de manière forcée à partir des poids safetensors. Si défini sur False, les poids safetensors ne sont pas chargés.
• use_onnx (bool, facultatif, valeur par défaut None) — Si défini sur True, les poids ONNX seront toujours téléchargés s’ils sont présents. Si défini sur False, les poids ONNX ne seront jamais téléchargés. Par défaut, use_onnx prend la valeur de l’attribut de classe _is_onnx, qui est False pour les pipelines non-ONNX et True pour les pipelines ONNX. Les poids ONNX incluent à la fois les fichiers se terminant par .onnx et .pb.
• kwargs (dictionnaire restant des arguments par mot-clé, facultatif) — Peut être utilisé pour écraser les variables de chargement et de sauvegarde (les composants du pipeline de la classe de pipeline spécifique). Les composants écrasés sont transmis directement à la méthode __init__ des pipelines. Voir l’exemple ci-dessous pour plus d’informations.
• variant (str, facultatif) — Charge les poids depuis un nom de fichier de variante spécifié, tel que "fp16" ou "ema".
• disable_mmap (‘bool’, facultatif, valeur par défaut ‘False’) — Indique s'il faut désactiver mmap lors du chargement d'un modèle Safetensors. Cette option peut offrir de meilleures performances lorsque le modèle se trouve sur un montage réseau ou un disque dur, qui peuvent ne pas gérer correctement les accès aléatoires (seek) de mmap.