# Stable Audio 3

Stable Audio 3 (SA3), [Stability AI](https://stability.ai/) tarafından geliştirilen, 44,1 kHz'de yüksek kaliteli stereo ses üreten bir metinden sese modelidir. İki sinyale koşullanan bir rectified-flow DiT kullanır:

* **Metin** — dondurulmuş bir T5Gemma kodlayıcı tarafından kodlanır ve çapraz dikkat (cross-attention) yoluyla enjekte edilir.
* **Süre** — [StableAudio3DurationEmbedder](/docs/diffusers/main/tr/api/pipelines/stable_audio_3#diffusers.StableAudio3DurationEmbedder) tarafından gömülen ve uyumlu katman normalizasyonu için küresel koşullandırma vektörü olarak kullanılan bir ondalık sayı (saniye).

Ses, [AutoencoderSAME](/docs/diffusers/main/tr/api/models/autoencoder_same#diffusers.AutoencoderSAME) otomatik kodlayıcısı tarafından SAME (Semantically-Aligned Music Encoder) ile çözümlenir.

Her iki kontrol noktası da log-SNR-uniform sigma zamanlamasıyla [FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/tr/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler) kullanır; yalnızca `stochastic_sampling` ve varsayılan adım sayısı açısından farklılık gösterirler:

| Kontrol Noktası | `diffusion_objective` | `stochastic_sampling` | `num_inference_steps` |
|---|---|---|---|
| `stable-audio-3-medium-base` | `rectified_flow` | `False` (deterministik Euler) | **100** (damıtılmamış) |
| `stable-audio-3-medium` (damıtılmış) | `rf_denoiser` | `True` (ping-pong yeniden gürültü) | **8** (8 adımda damıtıldı) |

Doğru zamanlayıcı yapılandırması, dönüştürülen her kontrol noktasına gömülüdür; bu nedenle `num_inference_steps` parametresini ayarlamazsanız varsayılan olarak doğru değeri alır. Yalnızca bu değeri geçersiz kılmak istediğinizde parametreyi iletin.

Orijinal kod tabanı: [Stability-AI/stable-audio-3](https://github.com/Stability-AI/stable-audio-3).

## Orijinal denetim noktalarını dönüştürme

Stability AI kontrol noktaları diffusers biçiminde yayımlanmadığından, bunları yerel olarak dönüştürün. Betik, kontrol noktasının `model_config.json` dosyasını indirir ve zamanlayıcıyı `diffusion_objective` alanından seçer:

```bash
python scripts/convert_stable_audio_3_to_diffusers.py \
  --checkpoint_path stabilityai/stable-audio-3-medium-base \
  --text_encoder_repo google/t5gemma-b-b-ul2 \
  --output_dir /tmp/sa3-diffusers-euler \
  --dtype float32
```

> [!TIP]
> `stable-audio-3-medium-base` bir **gated** depodur. Dönüştürmeden önce, erişimi olan bir hesapla `hf auth login` komutunu çalıştırın; aksi takdirde indirme 401 hatasıyla başarısız olur.

## Kullanım örneği

Dönüştürülen kontrol noktasını yerel çıktı dizininden yükleyin ([`soundfile`](https://pypi.org/project/soundfile/) paketini `pip install soundfile` ile yükleyin):

```py
import torch
import soundfile as sf
from diffusers import StableAudio3Pipeline

pipe = StableAudio3Pipeline.from_pretrained("/tmp/sa3-diffusers-euler", torch_dtype=torch.float32)
pipe = pipe.to("cuda")  # or "mps", "xpu", "cpu"

generator = torch.Generator("cuda").manual_seed(0)
audio = pipe(
    "A gentle piano melody with soft strings in a concert hall",
    duration=10.0,  # seconds; latent length is computed automatically
    generator=generator,
).audios

sf.write("sa3_output.wav", audio[0].T.cpu().float().numpy(), samplerate=44100)
```

Pipeline ayrıca [AutoPipelineForText2Audio](/docs/diffusers/main/tr/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Audio) ile de kayıtlıdır ve bu, checkpoint'i otomatik olarak `StableAudio3Pipeline` olarak çözer:

```py
from diffusers import AutoPipelineForText2Audio

pipe = AutoPipelineForText2Audio.from_pretrained("/tmp/sa3-diffusers-euler", torch_dtype=torch.float32)
```

> [!NOTE]
> Örnekler, `stabilityai/stable-audio-3-medium` ve `stable-audio-3-medium-base` henüz diffusers formatında yayımlanmadığı için (repo id ile yükleme 404 döndürüyor) yerel bir yol kullanır. Yayımlandıktan sonra, repo id yerel yolun yerine geçer.

## İpuçları

* CPU veya MPS (Apple Silicon) üzerinde `torch.float32` kullanın — MPS üzerinde `torch.float16` gürültü üretir.
* Distilled model (`stable-audio-3-medium`) **adversarially distilled** — guidance, ağırlıklara gömülüdür. Bu checkpoint için `guidance_scale=1.0` (varsayılan) değerini bırakın ve `negative_prompt` geçirmeyin; her ikisi de yalnızca distilled olmayan `stable-audio-3-medium-base` checkpoint için işe yarar.
* `silence_padding_duration` (varsayılan `0.0`), latent dizinin sonuna sessiz bir pay bırakır. Model bu dolguyu maskelemek üzere eğitilmediyse `0.0` olarak bırakın; aksi halde ek kareler çıktı enerjisini tüketir ve sonuç kısılır.
* Her istem başına birden fazla klip oluşturmak için `num_waveforms_per_prompt > 1` değerini ayarlayın.

## StableAudio3Pipeline[[diffusers.StableAudio3Pipeline]]

#### diffusers.StableAudio3Pipeline[[diffusers.StableAudio3Pipeline]]

```python
diffusers.StableAudio3Pipeline(vae: AutoencoderSAME, text_encoder: T5GemmaEncoderModel, tokenizer: GemmaTokenizer, duration_embedder: StableAudio3DurationEmbedder, transformer: StableAudio3DiTModel, scheduler: FlowMatchEulerDiscreteScheduler)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3.py#L157)

**Parametreler:**

vae ([*AutoencoderSAME*]) : Ses latentlerini kodlamak ve çözmek için kullanılan SAME otoenkoderi.

text_encoder ([*~transformers.T5GemmaEncoderModel*]) : Donmuş T5Gemma metin kodlayıcısı (`google/t5gemma-b-b-ul2`).

tokenizer ([*~transformers.GemmaTokenizerFast*]) : Metin kodlayıcı için tokenizer.

duration_embedder ([*StableAudio3DurationEmbedder*]) : `duration` değerini saniye cinsinden her DiT bloğundaki AdaLN için küresel bir koşullandırma vektörüne eşler.

transformer ([*StableAudio3DiTModel*]) : Düzeltme akışı hız tahmini DiT.

scheduler ([*FlowMatchEulerDiscreteScheduler*]) : İteratif gürültü azaltma döngüsü için zamanlayıcı. Üretim (damıtılmış) SA3 Medium kontrol noktası, tam olarak 8 ping-pong adımı için *stochastic_sampling=True* kullanır; damıtılmamış temel kontrol noktası ise ~100 deterministik Euler adımı için *stochastic_sampling=False* kullanır.

Stable Audio 3 kullanılarak metinden ses üretimi için Pipeline.

SA3, ping-pong örneklemeye sahip damıtılmış rectified-flow DiT kullanır. Damıtılmış checkpoint için sınıflandırıcı-özgür yönlendirme (`guidance_scale` / `negative_prompt`) gereksizdir (`guidance_scale=1.0`, varsayılan değer bırakılmalıdır) ancak damıtılmamış `stable-audio-3-medium-base` checkpoint için anlamlıdır.

Bu model, [*DiffusionPipeline*] sınıfından devralır. Tüm pipeline'lar için uygulanan genel yöntemler için üst sınıf belgelendirmesini kontrol edin.

#### __call__[[diffusers.StableAudio3Pipeline.__call__]]

```python
__call__(prompt: typing.Union[str, typing.List[str], NoneType] = None, duration: float = 10.0, num_inference_steps: typing.Optional[int] = None, logsnr_min: float = -6.2, logsnr_max: float = 2.0, silence_padding_duration: float = 0.0, guidance_scale: float = 1.0, negative_prompt: typing.Union[str, typing.List[str], NoneType] = None, num_waveforms_per_prompt: int = 1, generator: typing.Union[torch.Generator, typing.List[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None, negative_prompt_embeds: typing.Optional[torch.Tensor] = None, negative_encoder_attention_mask: typing.Optional[torch.LongTensor] = None, return_dict: bool = True, callback_on_step_end: typing.Optional[typing.Callable[[int, int, dict], dict]] = None, callback_on_step_end_tensor_inputs: typing.List[str] = ['latents'], output_type: str = 'pt')
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3.py#L398)

**Parametreler:**

prompt (*str* veya *list[str]*, *isteğe bağlı*) : Metin istemcisi(leri). Tokenizasyonu ve kodlamayı atlamak için bunun yerine `prompt_embeds` geçirin.

duration (*float*, varsayılan 10.0) : Saniye cinsinden istenen çıktı süresi.

num_inference_steps (*int*, *optional*) : Gürültü azaltma adım sayısı. `None` (varsayılan) olduğunda, adım sayısı zamanlayıcının *stochastic_sampling* yapılandırmasından seçilir: *True* ise (distilled ping-pong tarzı checkpoint) **8**, *False* ise (distilled olmayan temel checkpoint) **100**. Değiştirmek için açık bir değer geçirin.

logsnr_min (*float*, varsayılan -6.2) : Gürültü zamanlaması için minimum log-SNR değeri — zamanlamanın yüksek gürültülü başlangıcına eşlenir.

logsnr_max (*float*, varsayılan 2.0) : Gürültü zamanlaması için maksimum log-SNR değeri — zamanlamanın düşük gürültülü ucuna eşlenir.

silence_padding_duration (*float*, varsayılan 0.0) : Hedef içeriğin ötesinde üretilen ek saniyelik latent bağlam, modele sınırda bir pay bırakır; çıktı *duration* değerine geri kırpılır. Varsayılan değer 0.0'dır (devre dışı). Bu dolguyu maskeleyecek şekilde eğitilmiş/distille edilmiş bir model kullanılmadığı sürece artırmayın — aksi halde ek kareler çıktı enerjisini tüketir.

guidance_scale (*float*, varsayılan 1.0) : Classifier-free guidance ölçeği. `1.0` guidance'ı devre dışı bırakır (varsayılan değer ve damıtılmış SA3 Medium checkpoint için tek mantıklı değer, çünkü CFG'si ağırlıklara gömülüdür). `> 1.0` değerleri, damıtılmamış `stable-audio-3-medium-base` checkpoint için anlamlıdır; daha yüksek değerler, çeşitlilikten ödün vererek prompt'a daha sadık kalır.

negative_prompt (*str* veya *list[str]*, *isteğe bağlı*) : `guidance_scale > 1.0` olduğunda uzaklaşılmak istenen şeyleri tanımlayan istem(ler). `guidance_scale > 1.0` ve ne bu parametre ne de *negative_prompt_embeds* verildiğinde varsayılan olarak boş bir dize (koşulsuz) kullanılır. `guidance_scale <= 1.0` olduğunda yok sayılır.

num_waveforms_per_prompt (*int*, varsayılan 1) : Her istem için üretilecek dalga formu sayısı.

generator (*torch.Generator* veya *list[torch.Generator]*, *opsiyonel*) : Ping-pong döngüsünde deterministik üretim ve yeniden gürültüleme için.

latents (*torch.Tensor*, *opsiyonel*) : Ön oluşturulmuş başlangıç latentleri. `None` ise yeni bir Gauss tensörü örneklenir.

prompt_embeds (*torch.Tensor*, *opsiyonel*) : Ön hesaplanmış metin gömlemeleri `(batch, seq_len, 768)`.

encoder_attention_mask (*torch.LongTensor*, *isteğe bağlı*) : Ön hesaplanmış gömme (embedding) için Boolean maskesi.

negative_prompt_embeds (*torch.Tensor*, *opsiyonel*) : *negative_prompt* yerine kullanılacak, önceden hesaplanmış negatif metin gömme değerleri.

negative_encoder_attention_mask (*torch.LongTensor*, *isteğe bağlı*) : Ön hesaplanmış negatif gömme vektörleri için Boole maskesi.

return_dict (*bool*, varsayılan *True*) : *AudioPipelineOutput* veya düz bir tuple döndürür.

callback_on_step_end (*Callable*, *isteğe bağlı*) : *(self, step_idx, timestep, callback_kwargs)* ile her gürültü azaltma adımının sonunda çağrılır; burada *callback_kwargs*, *callback_on_step_end_tensor_inputs* içinde listelenen tensörleri içerir. Döngünün geri kalanında kullanılacak (isteğe bağlı olarak değiştirilmiş) tensörleri içeren bir sözlük döndürmelidir.

callback_on_step_end_tensor_inputs (*list[str]*, varsayılan *["latents"]*) : *callback_on_step_end*'e geçirilen tensörler. *self._callback_tensor_inputs*'ün bir alt kümesi olmalıdır.

output_type (*str*, varsayılan `"pt"`) : PyTorch tensörü için `"pt"`, NumPy dizisi için `"np"` veya çözmeyi atlayıp ham latentleri döndürmek için `"latent"`.

**Dönüş:** [*~pipelines.AudioPipelineOutput*] veya *tuple*

`.audios`, `(batch * num_waveforms_per_prompt, audio_channels, samples)` biçiminde bir tensör/dizidir.

Bir metin komutundan ses üretin.

Örnekler:
```py
>>> import torch
>>> import soundfile as sf
>>> from diffusers import StableAudio3Pipeline

>>> pipe = StableAudio3Pipeline.from_pretrained("stabilityai/stable-audio-3-medium", torch_dtype=torch.float16)
>>> pipe = pipe.to("cuda")

>>> generator = torch.Generator("cuda").manual_seed(0)
>>> audio = pipe(
...     "A gentle piano melody with soft strings in a concert hall",
...     duration=10.0,
...     generator=generator,
... ).audios

>>> sf.write("output.wav", audio[0].T.cpu().float().numpy(), samplerate=pipe.vae.config.sampling_rate)
```

#### encode_duration[[diffusers.StableAudio3Pipeline.encode_duration]]

```python
encode_duration(duration: float, device: device, num_waveforms_per_prompt: int, batch_size: int)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3.py#L289)

**Parametreler:**

duration : Saniye cinsinden süre, batch'teki her örneğe uygulanır.

device : Hedef cihaz.

num_waveforms_per_prompt : Karo çarpanı.

batch_size : İstek sayısı.

**Dönüş:**

`(batch * num_waveforms_per_prompt, output_dim)` tensörü.

Süre değerini küresel koşullandırma vektörüne gömün.

#### encode_prompt[[diffusers.StableAudio3Pipeline.encode_prompt]]

```python
encode_prompt(prompt: typing.Union[str, typing.List[str], NoneType], device: device, num_waveforms_per_prompt: int, prompt_embeds: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3.py#L223)

**Parametreler:**

prompt : Metin komutu veya komut listesi. `prompt_embeds` sağlandığında yok sayılır.

device : Hedef cihaz.

num_waveforms_per_prompt : Her istem başına üretilecek çıktı dalga formu sayısı; koşullama tensörleri buna göre çoğaltılır.

prompt_embeds : Ön hesaplanmış metin gömme değerleri `(batch, seq_len, hidden_size)`.

encoder_attention_mask : Ön hesaplanmış gömceler için Boole maskesi `(batch, seq_len)`; `1` = gerçek token, `0` = dolgu.

**Dönüş:**

`(prompt_embeds, encoder_attention_mask)` ikisi de `batch * num_waveforms_per_prompt` boyutuna döşendi.

Metin istemlerini çapraz dikkat koşullama tensörlerine kodlayın.

#### prepare_cross_attention[[diffusers.StableAudio3Pipeline.prepare_cross_attention]]

```python
prepare_cross_attention(prompt_embeds: Tensor, encoder_attention_mask: Tensor, global_hidden_states: Tensor)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3.py#L313)

**Dönüş:**

`(context, context_mask)` biçimleri `(batch, T_text + 1, dim)` ve `(batch, T_text + 1)`.

Çapraz dikkat bağlamını, süre gömme değerini ek bir jeton olarak ekleyerek oluşturun.

SA3, `seconds_total` koşullandırıcısını hem küresel (AdaLN) girdiye hem de *her ikisine* çapraz dikkat bağlamına (`cross_attention_cond_ids = ["prompt", "seconds_total"]`) yönlendirir. Süre gömme (embedding) metin jetonlarının ardından birleştirilir ve dikkat maskesi bir geçerli girişle genişletilir.

## StableAudio3InpaintPipeline[[diffusers.StableAudio3InpaintPipeline]]

#### diffusers.StableAudio3InpaintPipeline[[diffusers.StableAudio3InpaintPipeline]]

```python
diffusers.StableAudio3InpaintPipeline(vae: AutoencoderSAME, text_encoder: T5GemmaEncoderModel, tokenizer: GemmaTokenizer, duration_embedder: StableAudio3DurationEmbedder, transformer: StableAudio3DiTModel, scheduler: FlowMatchEulerDiscreteScheduler)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_inpaint.py#L158)

**Parametreler:**

vae ([*AutoencoderSAME*]) : Ses latentlerini kodlamak ve çözmek için kullanılan SAME otoenkoderi.

text_encoder ([*~transformers.T5GemmaEncoderModel*]) : Donmuş T5Gemma metin kodlayıcısı (`google/t5gemma-b-b-ul2`).

tokenizer ([*~transformers.GemmaTokenizerFast*]) : Metin kodlayıcı için tokenizer.

duration_embedder ([*StableAudio3DurationEmbedder*]) : `duration` değerini saniye cinsinden her DiT bloğundaki AdaLN için küresel bir koşullandırma vektörüne eşler.

transformer ([*StableAudio3DiTModel*]) : Düzeltme akışı hız tahmini DiT.

scheduler ([*FlowMatchEulerDiscreteScheduler*]) : İteratif gürültü azaltma döngüsü için zamanlayıcı. Üretim (damıtılmış) SA3 Medium kontrol noktası, tam olarak 8 ping-pong adımı için *stochastic_sampling=True* kullanır; damıtılmamış temel kontrol noktası ise ~100 deterministik Euler adımı için *stochastic_sampling=False* kullanır.

Stable Audio 3 için ses inpainting hattı.

Metin-ses mantığını [*StableAudio3Pipeline*] ile paylaşır (*# Copied from* ile senkronize tutulur). `audio` ve `mask` sağlandığında, referans ses dondurulmuş SAME kodlayıcı ile kodlanır ve `masked_latent ∥ mask`, transformer'ın `local_add_cond` yolu (`to_local_embed`) üzerinden her DiT bloğuna yerel-eklemeli koşullama olarak enjekte edilir.

Çağrı imzası uzantısı (bkz. `__call__`): audio (`(batch, channels, samples)` biçiminde *torch.Tensor*): `vae.config.sampling_rate` Hz'de referans ses dalgası. mask (`(batch, 1, latent_length)` biçiminde *torch.Tensor*): Gizli uzayda çerçeve başına ikili maske. `1` = orijinal sesi koru; `0` = doldurulacak bölge.

#### __call__[[diffusers.StableAudio3InpaintPipeline.__call__]]

```python
__call__(prompt: typing.Union[str, typing.List[str], NoneType] = None, duration: float = 10.0, audio: typing.Optional[torch.Tensor] = None, mask: typing.Optional[torch.Tensor] = None, mask_start_seconds: typing.Union[float, typing.List[float], NoneType] = None, mask_end_seconds: typing.Union[float, typing.List[float], NoneType] = None, num_inference_steps: typing.Optional[int] = None, logsnr_min: float = -6.2, logsnr_max: float = 2.0, silence_padding_duration: float = 0.0, num_waveforms_per_prompt: int = 1, generator: typing.Union[torch.Generator, typing.List[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None, return_dict: bool = True, callback_on_step_end: typing.Optional[typing.Callable[[int, int, dict], dict]] = None, callback_on_step_end_tensor_inputs: typing.List[str] = ['latents'], output_type: str = 'pt')
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_inpaint.py#L455)

**Parametreler:**

prompt (*str* veya *list[str]*, *isteğe bağlı*) : Metin istemcileri.

duration (*float*, varsayılan 10.0) : Saniye cinsinden çıktı süresi. Referans sesle eşleşmelidir.

audio (*torch.Tensor*, *opsiyonel*) : `vae.config.sampling_rate` Hz'de `(batch, channels, samples)` boyutlu referans dalga formu. Inpainting için gereklidir.

mask (*torch.Tensor*, *opsiyonel*) : 0 = inpaint bölgesi, 1 = koru olacak şekilde kare başına latent uzay maskesi `(batch, 1, L)`. `mask` veya `mask_start_seconds` / `mask_end_seconds` sağlanmalıdır.

mask_start_seconds (*float* veya *list[float]*, *isteğe bağlı*) : Inpaint bölgesinin saniye cinsinden başlangıç zaman(lar)ı.

mask_end_seconds (*float* veya *list[float]*, *isteğe bağlı*) : Inpaint bölgesinin bitiş zaman(lar)ı (`mask_start_seconds` ile eşleşmelidir).

num_inference_steps (*int*, *optional*) : Gürültü azaltma adım sayısı. `None` (varsayılan) olduğunda, adım sayısı zamanlayıcının *stochastic_sampling* yapılandırmasından seçilir ve [*StableAudio3Pipeline*] ile eşleşir.

logsnr_min (*float*, varsayılan -6.2) : Gürültü zamanlaması için minimum log-SNR değeri — zamanlamanın yüksek gürültülü başlangıcına eşlenir.

logsnr_max (*float*, varsayılan 2.0) : Gürültü zamanlaması için maksimum log-SNR değeri — zamanlamanın düşük gürültülü ucuna eşlenir.

silence_padding_duration (*float*, varsayılan 0.0) : Hedef içeriğin ardından eklenen gizli alan payı.

num_waveforms_per_prompt (*int*, varsayılan 1) : İstek başına dalga formu sayısı.

generator : Yeniden üretilebilirlik için RNG.

latents : Ön oluşturulmuş başlangıç gürültüsü (`None` → taze örnek).

prompt_embeds : Ön hesaplanmış metin gömme değerleri.

encoder_attention_mask : Ön hesaplanmış gömceler için maske.

return_dict (*bool*, varsayılan *True*) : *AudioPipelineOutput* veya tuple döndürür.

callback_on_step_end (*Callable*, *isteğe bağlı*) : Her gürültü azaltma adımının sonunda *(self, step_idx, timestep, callback_kwargs)* ile çağrılır. Döngünün geri kalanında kullanılacak (isteğe bağlı olarak değiştirilmiş) tensörleri içeren bir sözlük döndürmelidir.

callback_on_step_end_tensor_inputs (*list[str]*, varsayılan *["latents"]*) : *callback_on_step_end*'e geçirilen tensörler. *self._callback_tensor_inputs*'ün bir alt kümesi olmalıdır.

output_type (*str*, varsayılan `"pt"`) : `"pt"` / `"np"` / `"latent"`.

**Dönüş:**

[*~pipelines.AudioPipelineOutput*] ve `.audios`.

Bir metin istemi ve referans koşullu olarak inpainted ses üretin.

Örnekler:
```py
>>> import torch
>>> import soundfile as sf
>>> import torchaudio
>>> from diffusers import StableAudio3InpaintPipeline

>>> pipe = StableAudio3InpaintPipeline.from_pretrained(
...     "stabilityai/stable-audio-3-medium", torch_dtype=torch.float16
... )
>>> pipe = pipe.to("cuda")

>>> audio, sr = torchaudio.load("reference.wav")
>>> audio = torchaudio.functional.resample(audio, sr, pipe.vae.config.sampling_rate).unsqueeze(0).to("cuda")

>>> generator = torch.Generator("cuda").manual_seed(0)
>>> audio = pipe(
...     "A gentle piano melody with soft strings in a concert hall",
...     duration=10.0,
...     audio=audio,
...     mask_start_seconds=4.0,
...     mask_end_seconds=6.0,
...     generator=generator,
... ).audios

>>> sf.write("output.wav", audio[0].T.cpu().float().numpy(), samplerate=pipe.vae.config.sampling_rate)
```

#### encode_duration[[diffusers.StableAudio3InpaintPipeline.encode_duration]]

```python
encode_duration(duration: float, device: device, num_waveforms_per_prompt: int, batch_size: int)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_inpaint.py#L290)

**Parametreler:**

duration : Saniye cinsinden süre, batch'teki her örneğe uygulanır.

device : Hedef cihaz.

num_waveforms_per_prompt : Karo çarpanı.

batch_size : İstek sayısı.

**Dönüş:**

`(batch * num_waveforms_per_prompt, output_dim)` tensörü.

Süre değerini küresel koşullandırma vektörüne gömün.

#### encode_prompt[[diffusers.StableAudio3InpaintPipeline.encode_prompt]]

```python
encode_prompt(prompt: typing.Union[str, typing.List[str], NoneType], device: device, num_waveforms_per_prompt: int, prompt_embeds: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_inpaint.py#L223)

**Parametreler:**

prompt : Metin komutu veya komut listesi. `prompt_embeds` sağlandığında yok sayılır.

device : Hedef cihaz.

num_waveforms_per_prompt : Her istem başına üretilecek çıktı dalga formu sayısı; koşullama tensörleri buna göre çoğaltılır.

prompt_embeds : Ön hesaplanmış metin gömme değerleri `(batch, seq_len, hidden_size)`.

encoder_attention_mask : Ön hesaplanmış gömceler için Boole maskesi `(batch, seq_len)`; `1` = gerçek token, `0` = dolgu.

**Dönüş:**

`(prompt_embeds, encoder_attention_mask)` ikisi de `batch * num_waveforms_per_prompt` boyutuna döşendi.

Metin istemlerini çapraz dikkat koşullama tensörlerine kodlayın.

#### prepare_cross_attention[[diffusers.StableAudio3InpaintPipeline.prepare_cross_attention]]

```python
prepare_cross_attention(prompt_embeds: Tensor, encoder_attention_mask: Tensor, global_hidden_states: Tensor)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_inpaint.py#L315)

**Dönüş:**

`(context, context_mask)` biçimleri `(batch, T_text + 1, dim)` ve `(batch, T_text + 1)`.

Çapraz dikkat bağlamını, süre gömme değerini ek bir jeton olarak ekleyerek oluşturun.

SA3, `seconds_total` koşullandırıcısını hem küresel (AdaLN) girdiye hem de *her ikisine* çapraz dikkat bağlamına (`cross_attention_cond_ids = ["prompt", "seconds_total"]`) yönlendirir. Süre gömme (embedding) metin jetonlarının ardından birleştirilir ve dikkat maskesi bir geçerli girişle genişletilir.

## StableAudio3AudioToAudioPipeline[[diffusers.StableAudio3AudioToAudioPipeline]]

Referans ses kliplerinin bir varyasyonunu üretir: tüm referans, `init_noise_level` seviyesine kadar gürültülenir ve oradan gürültüsü giderilir; bu, belirli kareleri tam olarak koruyan [StableAudio3InpaintPipeline](/docs/diffusers/main/tr/api/pipelines/stable_audio_3#diffusers.StableAudio3InpaintPipeline)'ın kare bazlı yerel-eklemeli koşullandırmasından farklıdır.

#### diffusers.StableAudio3AudioToAudioPipeline[[diffusers.StableAudio3AudioToAudioPipeline]]

```python
diffusers.StableAudio3AudioToAudioPipeline(vae: AutoencoderSAME, text_encoder: T5GemmaEncoderModel, tokenizer: GemmaTokenizer, duration_embedder: StableAudio3DurationEmbedder, transformer: StableAudio3DiTModel, scheduler: FlowMatchEulerDiscreteScheduler)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_audio2audio.py#L154)

**Parametreler:**

vae ([*AutoencoderSAME*]) : Ses latentlerini kodlamak ve çözmek için kullanılan SAME otoenkoderi.

text_encoder ([*~transformers.T5GemmaEncoderModel*]) : Donmuş T5Gemma metin kodlayıcısı (`google/t5gemma-b-b-ul2`).

tokenizer ([*~transformers.GemmaTokenizerFast*]) : Metin kodlayıcı için tokenizer.

duration_embedder ([*StableAudio3DurationEmbedder*]) : `duration` değerini saniye cinsinden her DiT bloğundaki AdaLN için küresel bir koşullandırma vektörüne eşler.

transformer ([*StableAudio3DiTModel*]) : Düzeltme akışı hız tahmini DiT.

scheduler ([*FlowMatchEulerDiscreteScheduler*]) : İteratif gürültü azaltma döngüsü için zamanlayıcı. Üretim (damıtılmış) SA3 Medium kontrol noktası, tam olarak 8 ping-pong adımı için *stochastic_sampling=True* kullanır; damıtılmamış temel kontrol noktası ise ~100 deterministik Euler adımı için *stochastic_sampling=False* kullanır.

Stable Audio 3 için sesten sese varyasyon hattı.

Metin-ses mantığını [*StableAudio3Pipeline*] ile paylaşır (*# Copied from* üzerinden senkronize tutulur). Referans sesi donmuş SAME kodlayıcıyla kodlar, `init_noise_level`'ye göre taze gürültüyle karıştırır ve oradan gürültü giderme işlemine başlar — [*StableAudio3InpaintPipeline*]'in çerçeve başına yerel-eklemeli koşullandırmasının aksine, tüm sinyal küresel olarak gürültülenir/gürültüsü giderilir.

Çağrı imzası uzantısı (bkz. `__call__`): audio (`(batch, channels, samples)` biçiminde *torch.Tensor*): `vae.config.sampling_rate` Hz'de referans ses dalgası. init_noise_level (*float*): Gürültü azaltma işleminden önce referansa karıştırılacak gürültü miktarı. `1.0` = tam gürültü (metinden sese eşdeğer); daha düşük değerler referansın daha büyük bir kısmını korur.

#### __call__[[diffusers.StableAudio3AudioToAudioPipeline.__call__]]

```python
__call__(prompt: typing.Union[str, typing.List[str], NoneType] = None, duration: float = 10.0, audio: typing.Optional[torch.Tensor] = None, init_noise_level: float = 1.0, num_inference_steps: typing.Optional[int] = None, logsnr_min: float = -6.2, logsnr_max: float = 2.0, silence_padding_duration: float = 0.0, num_waveforms_per_prompt: int = 1, generator: typing.Union[torch.Generator, typing.List[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None, return_dict: bool = True, callback_on_step_end: typing.Optional[typing.Callable[[int, int, dict], dict]] = None, callback_on_step_end_tensor_inputs: typing.List[str] = ['latents'], output_type: str = 'pt')
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_audio2audio.py#L424)

**Parametreler:**

prompt (*str* veya *list[str]*, *isteğe bağlı*) : Metin istemcileri.

duration (*float*, varsayılan 10.0) : Saniye cinsinden çıktı süresi. Referans sesle eşleşmelidir.

audio (*torch.Tensor*, *isteğe bağlı*) : `vae.config.sampling_rate` Hz'de `(batch, channels, samples)` boyutlu referans dalga formu. Zorunludur.

init_noise_level (*float*, varsayılan 1.0) : Gürültü seviyesi (`(0, 1]` aralığında), gürültüden arındırma öncesinde referansa karıştırılır: `x_start = (1 - init_noise_level) * reference_latents + init_noise_level * noise`. `1.0` değeri referansı tamamen atar ([*StableAudio3Pipeline*] ile eşdeğerdir); daha düşük değerler, tam adım sayısını çalıştırmaya devam ederken referansın yapısını giderek daha fazla korur.

num_inference_steps (*int*, *optional*) : Gürültü azaltma adım sayısı. `None` (varsayılan) olduğunda, adım sayısı zamanlayıcının *stochastic_sampling* yapılandırmasından seçilir ve [*StableAudio3Pipeline*] ile eşleşir.

logsnr_min (*float*, varsayılan -6.2) : Gürültü zamanlaması için minimum log-SNR değeri — zamanlamanın yüksek gürültülü başlangıcına eşlenir.

logsnr_max (*float*, varsayılan 2.0) : Gürültü zamanlaması için maksimum log-SNR değeri — zamanlamanın düşük gürültülü ucuna eşlenir.

silence_padding_duration (*float*, varsayılan 0.0) : Hedef içeriğin ardından eklenen gizli alan payı.

num_waveforms_per_prompt (*int*, varsayılan 1) : İstek başına dalga formu sayısı.

generator : Yeniden üretilebilirlik için RNG.

latents : Ön oluşturulmuş başlangıç gürültüsü (`None` → taze örnek).

prompt_embeds : Ön hesaplanmış metin gömme değerleri.

encoder_attention_mask : Ön hesaplanmış gömceler için maske.

return_dict (*bool*, varsayılan *True*) : *AudioPipelineOutput* veya tuple döndürür.

callback_on_step_end (*Callable*, *isteğe bağlı*) : Her gürültü azaltma adımının sonunda *(self, step_idx, timestep, callback_kwargs)* ile çağrılır. Döngünün geri kalanında kullanılacak (isteğe bağlı olarak değiştirilmiş) tensörleri içeren bir sözlük döndürmelidir.

callback_on_step_end_tensor_inputs (*list[str]*, varsayılan *["latents"]*) : *callback_on_step_end*'e geçirilen tensörler. *self._callback_tensor_inputs*'ün bir alt kümesi olmalıdır.

output_type (*str*, varsayılan `"pt"`) : `"pt"` / `"np"` / `"latent"`.

**Dönüş:**

[*~pipelines.AudioPipelineOutput*] ve `.audios`.

Bir metin komutu ve bir referans dalga formuna koşullu bir ses varyasyonu oluşturun.

Örnekler:
```py
>>> import torch
>>> import soundfile as sf
>>> import torchaudio
>>> from diffusers import StableAudio3AudioToAudioPipeline

>>> pipe = StableAudio3AudioToAudioPipeline.from_pretrained(
...     "stabilityai/stable-audio-3-medium", torch_dtype=torch.float16
... )
>>> pipe = pipe.to("cuda")

>>> audio, sr = torchaudio.load("reference.wav")
>>> audio = torchaudio.functional.resample(audio, sr, pipe.vae.config.sampling_rate).unsqueeze(0).to("cuda")

>>> generator = torch.Generator("cuda").manual_seed(0)
>>> audio = pipe(
...     "A gentle piano melody with soft strings in a concert hall",
...     duration=10.0,
...     audio=audio,
...     init_noise_level=0.6,
...     generator=generator,
... ).audios

>>> sf.write("output.wav", audio[0].T.cpu().float().numpy(), samplerate=pipe.vae.config.sampling_rate)
```

#### encode_duration[[diffusers.StableAudio3AudioToAudioPipeline.encode_duration]]

```python
encode_duration(duration: float, device: device, num_waveforms_per_prompt: int, batch_size: int)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_audio2audio.py#L287)

**Parametreler:**

duration : Saniye cinsinden süre, batch'teki her örneğe uygulanır.

device : Hedef cihaz.

num_waveforms_per_prompt : Karo çarpanı.

batch_size : İstek sayısı.

**Dönüş:**

`(batch * num_waveforms_per_prompt, output_dim)` tensörü.

Süre değerini küresel koşullandırma vektörüne gömün.

#### encode_prompt[[diffusers.StableAudio3AudioToAudioPipeline.encode_prompt]]

```python
encode_prompt(prompt: typing.Union[str, typing.List[str], NoneType], device: device, num_waveforms_per_prompt: int, prompt_embeds: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_audio2audio.py#L220)

**Parametreler:**

prompt : Metin komutu veya komut listesi. `prompt_embeds` sağlandığında yok sayılır.

device : Hedef cihaz.

num_waveforms_per_prompt : Her istem başına üretilecek çıktı dalga formu sayısı; koşullama tensörleri buna göre çoğaltılır.

prompt_embeds : Ön hesaplanmış metin gömme değerleri `(batch, seq_len, hidden_size)`.

encoder_attention_mask : Ön hesaplanmış gömceler için Boole maskesi `(batch, seq_len)`; `1` = gerçek token, `0` = dolgu.

**Dönüş:**

`(prompt_embeds, encoder_attention_mask)` ikisi de `batch * num_waveforms_per_prompt` boyutuna döşendi.

Metin istemlerini çapraz dikkat koşullama tensörlerine kodlayın.

#### prepare_cross_attention[[diffusers.StableAudio3AudioToAudioPipeline.prepare_cross_attention]]

```python
prepare_cross_attention(prompt_embeds: Tensor, encoder_attention_mask: Tensor, global_hidden_states: Tensor)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/stable_audio_3/pipeline_stable_audio_3_audio2audio.py#L312)

**Dönüş:**

`(context, context_mask)` biçimleri `(batch, T_text + 1, dim)` ve `(batch, T_text + 1)`.

Çapraz dikkat bağlamını, süre gömme değerini ek bir jeton olarak ekleyerek oluşturun.

SA3, `seconds_total` koşullandırıcısını hem küresel (AdaLN) girdiye hem de *her ikisine* çapraz dikkat bağlamına (`cross_attention_cond_ids = ["prompt", "seconds_total"]`) yönlendirir. Süre gömme (embedding) metin jetonlarının ardından birleştirilir ve dikkat maskesi bir geçerli girişle genişletilir.

## StableAudio3DurationEmbedder[[diffusers.StableAudio3DurationEmbedder]]

#### diffusers.StableAudio3DurationEmbedder[[diffusers.StableAudio3DurationEmbedder]]

```python
diffusers.StableAudio3DurationEmbedder(output_dim: int = 768, fourier_dim: int = 256, min_val: float = 0.0, max_val: float = 384.0, min_freq: float = 0.5, max_freq: float = 10000.0)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/condition_embedders/condition_embedder_stable_audio_3.py#L43)

**Parametreler:**

output_dim (*int*, varsayılan 768) : Çıktı gömme boyutu. DiT'nin `global_cond_dim` değeriyle eşleşmelidir.

fourier_dim (*int*, varsayılan 256) : Dahili Fourier özellik boyutu (çift olmalıdır).

min_val (*float*, varsayılan 0.0) : Normalizasyon sınırlama işlemi için minimum süre değeri.

max_val (*float*, varsayılan 384.0) : Normalizasyon sınırlama işlemi için maksimum süre değeri. Bu değerin üzerindeki değerler sınırlanır. 384 saniye, `seconds_total` koşullandırıcısı için üretim ortamındaki SA3 Medium üst sınırıdır.

min_freq (*float*, varsayılan 0.5) : Üstel Fourier tabanı için minimum frekans.

max_freq (*float*, varsayılan 10000.0) : Üstel Fourier tabanı için maksimum frekans.

Süre değerini (saniye cinsinden) Stable Audio 3 DiT için küresel koşullandırma vektörüne gömer (AdaLN girdisi olarak `global_hidden_states` kullanılır).

SA3 referans uygulamasındaki `NumberConditioner(fourier_features_type="expo")` bileşenini yeniden oluşturur.

#### forward[[diffusers.StableAudio3DurationEmbedder.forward]]

```python
forward(seconds: Tensor)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/condition_embedders/condition_embedder_stable_audio_3.py#L90)

**Parametreler:**

seconds (`torch.Tensor`, şekli `(batch,)`) : Saniye cinsinden süre değerleri.

**Dönüş:**

`torch.Tensor`, şekli `(batch, output_dim)` — süre gömme değerleri.