# KandinskyS2VTransformer3DModel

Diffusion Transformer (DiT) dari Kandinsky S2V 1.0, dikondisikan pada frame referensi dan trek ucapan.

## 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)
```

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

Transformer difusi dari ucapan ke video.

Nama parameter sesuai dengan checkpoint pelatihan, sehingga *.safetensors* yang dikonversi dapat dimuat tanpa pemetaan ulang kunci. Inferensi menggunakan ukuran batch 1: urutan dikemas dan cross-attention ucapan selaras per frame, sehingga *forward* menerima sumbu batch awal berukuran 1 dan mengecilkannya.

Aliran visual adalah satu urutan yang dikemas `[memory | ref | visual]`:

- `memory` — konteks FramePack dari chunk sebelumnya pada downsampling temporal 4x / 2x / 1x, ditempatkan pada posisi RoPE temporal negatif;
- `ref` — kerangka acuan, dikunci pada indeks RoPE temporal `index_rope_ref_image`;
- `visual` — latensi berisik yang sedang didenois.

`memory` dan `ref` bersih, sehingga dimodulasi dengan `t = 0` sementara `visual` menggunakan timestep asli; modulasi tersebut menyimpan kedua baris dan sebuah indeks memilih per 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)
```

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

**Parameter:**

hidden_states : laten berisik, `(1, T, H, W, C)`.

encoder_hidden_states : embedding teks, `(1, S_text, in_text_dim)`.

audio_hidden_states : fitur ucapan, `(1, S_audio, in_audio_dim)`.

reference_hidden_states : latens kerangka acuan, `(1, 1, H, W, C)`.

memory_hidden_states : Memori FramePack pada 4x / 2x / 1x, masing-masing `(1, T_i, H_i, W_i, C)`.

timestep : timestep saat ini, `(1,)`.

pooled_projections : embedding teks CLIP yang dipoolkan, `(1, in_text_dim2)`.

visual_rope_pos : posisi RoPE per-sumbu dari laten yang bising.

reference_rope_pos : posisi RoPE per sumbu dari kerangka acuan.

memory_rope_pos : posisi RoPE per sumbu dari setiap skala memori FramePack.

text_rope_pos : posisi RoPE 1-D dari token teks.

audio_rope_pos : frame laten tempat setiap token ucapan berada.

scale_factor : skala RoPE per sumbu, diatur oleh bucket resolusi.

return_dict : mengembalikan `Transformer2DModelOutput` alih-alih tuple.

**Mengembalikan:** [*~models.modeling_outputs.Transformer2DModelOutput*] atau *tuple*

kecepatan yang diprediksi, dengan bentuk seperti `hidden_states`.

Denoise satu chunk.

Batch size harus 1: urutan dikemas dan cross-attention ucapan diselaraskan per frame.