# KandinskyS2VTransformer3DModel

O Diffusion Transformer (DiT) do Kandinsky S2V 1.0, condicionado em um quadro de referência e uma trilha de fala.

## 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)
```

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

Transformador de difusão para conversão de fala em vídeo.

Os nomes dos parâmetros correspondem aos checkpoints de treinamento, portanto um *.safetensors* convertido é carregado sem remapeamento de chaves. A inferência é com tamanho de lote 1: a sequência é empacotada e a atenção cruzada de fala é alinhada por quadro, de modo que *forward* recebe um eixo de lote inicial de 1 e o comprime.

O fluxo visual é uma sequência compacta `[memory | ref | visual]`:

- `memory` — contexto do FramePack do chunk anterior com downsampling temporal de 4x / 2x / 1x, posicionado em posições temporais de RoPE negativas;
- `ref` — o referencial, fixado no índice temporal de RoPE `index_rope_ref_image`;
- `visual` — o latente ruidoso sendo desruidado.

`memory` e `ref` são limpos, portanto são modulados com `t = 0`, enquanto `visual` usa o timestep real; a modulação contém ambas as linhas e um índice seleciona 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)
```

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

**Parâmetros:**

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

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

audio_hidden_states : recursos de fala, `(1, S_audio, in_audio_dim)`.

reference_hidden_states : latente do referencial, `(1, 1, H, W, C)`.

memory_hidden_states : Memória do FramePack em 4x / 2x / 1x, cada uma `(1, T_i, H_i, W_i, C)`.

timestep : timestep atual, `(1,)`.

pooled_projections : incorporado de texto CLIP agregado, `(1, in_text_dim2)`.

visual_rope_pos : posições de RoPE por eixo do latente com ruído.

reference_rope_pos : posições de RoPE por eixo do referencial.

memory_rope_pos : posições de RoPE por eixo de cada escala de memória do FramePack.

text_rope_pos : posições 1-D do RoPE dos tokens de texto.

audio_rope_pos : quadro latente ao qual cada token de fala pertence.

scale_factor : escala de RoPE por eixo, definida pelo bucket de resolução.

return_dict : retorna um `Transformer2DModelOutput` em vez de uma tupla.

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

a velocidade prevista, com a mesma forma de `hidden_states`.

Remova o ruído de um bloco.

O tamanho do lote deve ser 1: a sequência é empacotada e a atenção cruzada de fala é alinhada por quadro.