# MiniMaxMusic3Transformer1DModel

[MiniMax Music 3](https://huggingface.co/MiniMaxAI/MiniMax-Music3) 的 2.4B 流匹配扩散 Transformer。它以模型自回归语言模型阶段逐帧隐藏状态为条件，对 128 通道的 Flow-VAE 音频潜变量进行去噪，并将流匹配时间步作为额外的序列 token 前置（这是一个 Stable-Audio 谱系的连续 Transformer，采用部分旋转注意力和 GLU 前馈网络）。

## MiniMaxMusic3Transformer1DModel[[diffusers.MiniMaxMusic3Transformer1DModel]]

#### diffusers.MiniMaxMusic3Transformer1DModel[[diffusers.MiniMaxMusic3Transformer1DModel]]

```python
diffusers.MiniMaxMusic3Transformer1DModel(in_channels: int = 128, condition_dim: int = 2048, num_layers: int = 36, num_attention_heads: int = 32, attention_head_dim: int = 64, ff_inner_dim: int = 8192, rotary_dim: int = 32, fourier_embedding_dim: int = 256)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_minimax_music3.py#L147)

MiniMax Music 3 的流匹配扩散 Transformer。它以自回归语言模型阶段生成的逐帧隐藏状态为条件，对 Flow-VAE 音频潜变量进行去噪。

输入是形状为 `(batch, in_channels, length)` 的一维潜在序列。条件信号（`encoder_hidden_states`，形状为 `(batch, length, condition_dim)`）必须已经与潜在时间轴对齐——参见 `MiniMaxMusic3ConditionEncoder`。流匹配的 `timestep` 从 0（噪声）变化到 1（数据）。

#### forward[[diffusers.MiniMaxMusic3Transformer1DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, return_dict: bool = True)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_minimax_music3.py#L196)

**参数：**

hidden_states (`torch.Tensor`，形状为 `(batch, in_channels, length)`)：带噪声的 Flow-VAE 潜在表示。

timestep (`torch.Tensor`，形状为 `(batch,)`)：流匹配时间，取值范围为 `[0, 1]`，其中 0 表示纯噪声，1 表示数据。

encoder_hidden_states (`torch.Tensor`，形状为 `(batch, length, condition_dim)`)：来自 `MiniMaxMusic3ConditionEncoder` 的帧对齐条件。对于 classifier-free guidance 的无条件分支，请传入零。

return_dict (`bool`，默认为 `True`)：是否返回 [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) 而不是普通元组。

**返回值：**

与 `hidden_states` 具有相同形状的预测流匹配速度。