# KandinskyS2VTransformer3DModel

Le Diffusion Transformer (DiT) de Kandinsky S2V 1.0, conditionné par une image de référence et une piste 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)
```

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

Transformeur de diffusion pour la conversion de la parole en vidéo.

Les noms des paramètres correspondent aux points de contrôle d’entraînement, de sorte qu’un fichier *.safetensors* converti se charge sans remappage des clés. L’inférence est effectuée avec une taille de lot de 1 : la séquence est compactée et l’attention croisée avec la parole est alignée sur les trames, de sorte que *forward* accepte un axe de lot de tête de taille 1 et le supprime.

Le flux visuel est une séquence compacte `[memory | ref | visual]` :

- `memory` — Contexte FramePack du bloc précédent avec un sous-échantillonnage temporel 4x / 2x / 1x, placé à des positions temporelles RoPE négatives ;
- `ref` — le repère de référence, fixé à l'index temporel RoPE `index_rope_ref_image` ;
- `visual` — le latent bruité en cours de débruitage.

`memory` et `ref` sont propres, ils sont donc modulés avec `t = 0` tandis que `visual` utilise le pas de temps réel ; la modulation contient les deux lignes et un index sélectionne par jeton.

#### 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)
```

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

**Paramètres :**

hidden_states : latent bruité, `(1, T, H, W, C)`.

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

audio_hidden_states : caractéristiques de la parole, `(1, S_audio, in_audio_dim)`.

reference_hidden_states : latent de référence, `(1, 1, H, W, C)`.

memory_hidden_states : mémoire de FramePack à 4x / 2x / 1x, chacune `(1, T_i, H_i, W_i, C)`.

timestep : pas de temps actuel, `(1,)`.

pooled_projections : plongement de texte CLIP agrégé, `(1, in_text_dim2)`.

visual_rope_pos : positions RoPE par axe du latent bruité.

reference_rope_pos : positions RoPE par axe du repère de référence.

memory_rope_pos : positions RoPE par axe de chaque échelle de mémoire FramePack.

text_rope_pos : positions RoPE 1-D des jetons de texte.

audio_rope_pos : cadre latent auquel chaque jeton de parole appartient.

scale_factor : échelle RoPE par axe, définie par le seau de résolution.

return_dict : renvoyer un `Transformer2DModelOutput` au lieu d'un tuple.

**Retourne :** [*~models.modeling_outputs.Transformer2DModelOutput*] ou *tuple*

la vitesse prédite, de forme `hidden_states`.

Dénuiser un bloc.

La taille du lot doit être 1 : la séquence est compactée et l'attention croisée vocale est alignée sur les trames.