# KandinskyS2VTransformer3DModel

Diffusion Transformer (DiT) модели Kandinsky S2V 1.0, использующий в качестве условий опорный кадр и аудиодорожку речи.

## KandinskyS2VTransformer3DModel[[diffusers.KandinskyS2VTransformer3DModel]]

#### diffusers.KandinskyS2VTransformer3DModel[[diffusers.KandinskyS2VTransformer3DModel]]

```python
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)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_kandinsky_s2v.py#L487)

Диффузионный трансформер для генерации видео по речи.

Имена параметров совпадают с контрольными точками обучения, поэтому сконвертированный *.safetensors* загружается без переименования ключей. Вывод выполняется с размером батча 1: последовательность упакована, а кросс-внимание речи выровнено по кадрам, поэтому *forward* принимает ведущую ось батча размером 1 и сжимает её.

Визуальный поток представляет собой одну упакованную последовательность `[memory | ref | visual]`:

- `memory` — контекст FramePack из предыдущего фрагмента с временным даунсемплингом 4x / 2x / 1x, размещённый на отрицательных позициях временного RoPE;
- `ref` — опорная система координат, закреплённая за временным индексом RoPE `index_rope_ref_image`;
- `visual` — зашумлённое латентное представление, которое подвергается денуизингу.

`memory` и `ref` чистые, поэтому они модулируются с `t = 0`, тогда как `visual` использует реальный шаг; модуляция содержит обе строки, а индекс выбирает значение для каждого токена.

#### forward[[diffusers.KandinskyS2VTransformer3DModel.forward]]

```python
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)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_kandinsky_s2v.py#L632)

**Параметры:**

hidden_states : шумный латентный вектор, `(1, T, H, W, C)`.

encoder_hidden_states : векторные представления текста, `(1, S_text, in_text_dim)`.

audio_hidden_states : признаки речи, `(1, S_audio, in_audio_dim)`.

reference_hidden_states : латентное представление опорной системы координат, `(1, 1, H, W, C)`.

memory_hidden_states : память FramePack при 4x / 2x / 1x, каждая `(1, T_i, H_i, W_i, C)`.

timestep : текущий шаг, `(1,)`.

pooled_projections : объединённое текстовое представление CLIP, `(1, in_text_dim2)`.

visual_rope_pos : позиции RoPE по каждой оси для зашумленного латента.

reference_rope_pos : позиции RoPE по каждой оси системы отсчёта.

memory_rope_pos : позиции RoPE по каждой оси для каждого масштаба памяти FramePack.

text_rope_pos : одномерные позиции RoPE для текстовых токенов.

audio_rope_pos : латентный кадр, которому принадлежит каждый речевой токен.

scale_factor : масштаб RoPE по каждой оси, задаваемый корзинкой разрешения.

return_dict : возвращает `Transformer2DModelOutput` вместо кортежа.

**Возвращает:** [*~models.modeling_outputs.Transformer2DModelOutput*] или *tuple*

предсказанная скорость, имеющая форму `hidden_states`.

Денойзинг одного чанка.

Размер батча должен быть равен 1: последовательность упакована, а речевое кросс-внимание выровнено по кадрам.