# KandinskyS2VTransformer3DModel

El Diffusion Transformer (DiT) de Kandinsky S2V 1.0, condicionado por un fotograma de referencia y una pista de audio.

## 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)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_kandinsky_s2v.py#L487)

Transformador de difusión de voz a video.

Los nombres de los parámetros coinciden con los puntos de control de entrenamiento, por lo que un *.safetensors* convertido se carga sin remapeo de claves. La inferencia es con tamaño de lote 1: la secuencia se empaqueta y la atención cruzada de voz está alineada por cuadro, por lo que *forward* toma un eje de lote inicial de 1 y lo comprime.

El flujo visual es una secuencia empaquetada `[memory | ref | visual]`:

- `memory` — Contexto de FramePack del fragmento anterior con submuestreo temporal de 4x / 2x / 1x, colocado en posiciones temporales de RoPE negativas;
- `ref` — el marco de referencia, fijado al índice temporal de RoPE `index_rope_ref_image`;
- `visual` — el latente ruidoso que se está desruidando.

`memory` y `ref` están limpios, por lo que se modulan con `t = 0`, mientras que `visual` utiliza el paso temporal real; la modulación contiene ambas filas y un índice selecciona por token.

#### 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)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_kandinsky_s2v.py#L632)

**Parámetros:**

hidden_states : latente ruidoso, `(1, T, H, W, C)`.

encoder_hidden_states : embeddings de texto, `(1, S_text, in_text_dim)`.

audio_hidden_states : características de voz, `(1, S_audio, in_audio_dim)`.

reference_hidden_states : latente del marco de referencia, `(1, 1, H, W, C)`.

memory_hidden_states : Memoria de FramePack a 4x / 2x / 1x, cada una `(1, T_i, H_i, W_i, C)`.

timestep : paso temporal actual, `(1,)`.

pooled_projections : embedding de texto CLIP agrupado, `(1, in_text_dim2)`.

visual_rope_pos : posiciones de RoPE por eje del latente ruidoso.

reference_rope_pos : posiciones de RoPE por eje del marco de referencia.

memory_rope_pos : posiciones de RoPE por eje de cada escala de memoria de FramePack.

text_rope_pos : posiciones RoPE de 1-D de los tokens de texto.

audio_rope_pos : cuadro latente al que pertenece cada token de voz.

scale_factor : Escala de RoPE por eje, definida por el cubo de resolución.

return_dict : devuelve un `Transformer2DModelOutput` en lugar de una tupla.

**Devuelve:** [*~models.modeling_outputs.Transformer2DModelOutput*] o *tuple*

la velocidad predicha, con la misma forma que `hidden_states`.

Desruidar un fragmento.

El tamaño del lote debe ser 1: la secuencia está empaquetada y la atención cruzada del habla está alineada por cuadro.