# AceStepTransformer1DModel

Un Diffusion Transformer 1D para la generación de música a partir de [ACE-Step 1.5](https://github.com/ace-step/ACE-Step-1.5). El modelo opera sobre los latentes estéreo de 25 Hz producidos por [AutoencoderOobleck](/docs/diffusers/v0.43.0/es/api/models/autoencoder_oobleck#diffusers.AutoencoderOobleck) utilizando flow matching, y se entrena con un backbone derivado de Qwen3 (atención de consulta agrupada, incrustación de posición rotativa, RMSNorm, condicionamiento de paso temporal AdaLN-Zero) más atención cruzada con las condiciones de texto / letra / timbre construidas por `AceStepConditionEncoder`.

## AceStepTransformer1DModel[[diffusers.AceStepTransformer1DModel]]

#### diffusers.AceStepTransformer1DModel[[diffusers.AceStepTransformer1DModel]]

```python
diffusers.AceStepTransformer1DModel(hidden_size: int = 2048, intermediate_size: int = 6144, num_hidden_layers: int = 24, num_attention_heads: int = 16, num_key_value_heads: int = 8, head_dim: int = 128, in_channels: int = 192, audio_acoustic_hidden_dim: int = 64, patch_size: int = 2, rope_theta: float = 1000000.0, attention_bias: bool = False, attention_dropout: float = 0.0, rms_norm_eps: float = 1e-06, sliding_window: int = 128, layer_types: typing.Optional[typing.List[str]] = None, encoder_hidden_size: typing.Optional[int] = None, is_turbo: bool = False, model_version: typing.Optional[str] = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/ace_step_transformer.py#L432)

Diffusion Transformer para la generación de música con ACE-Step 1.5.

Genera latentes de audio condicionados por texto, letra y timbre. Utiliza un incrustado de parches 1D (`Conv1d` con paso `patch_size`) seguido de una pila de `AceStepTransformerBlock`s con atención deslizante por ventana / atención completa alternada en la rama de autoatención. La atención cruzada consume los `encoder_hidden_states` empaquetados producidos por `AceStepConditionEncoder`.

#### forward[[diffusers.AceStepTransformer1DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, timestep_r: Tensor, encoder_hidden_states: Tensor, context_latents: Tensor, attention_kwargs: typing.Optional[dict] = None, return_dict: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/ace_step_transformer.py#L532)

**Parámetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, seq_len, channels)`) : Entrada latente con ruido para el proceso de difusión.

timestep (`torch.Tensor` de forma `(batch_size,)`) : Paso de difusión actual `t`.

timestep_r (`torch.Tensor` de forma `(batch_size,)`) : Paso temporal de referencia `r` (establecido igual a `t` para la inferencia estándar).

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, encoder_seq_len, hidden_size)`) : Embeddings de condicionamiento del codificador de condición (texto + letra + timbre).

context_latents (`torch.Tensor` de forma `(batch_size, seq_len, context_dim)`) : Latentes de contexto (latentes de origen concatenados con máscaras de fragmentos) — se alimenta a la convolución de patchify junto con `hidden_states`.

attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que se pasa al `AttentionProcessor`. Se utiliza para pasar la escala de LoRA mediante `{"scale": float}`.

return_dict (`bool`, por defecto `True`) : Si se debe devolver un `Transformer2DModelOutput` o una tupla simple.

**Devuelve:** `Transformer2DModelOutput` o `tuple`

El campo de velocidad predicho.

El método forward de [AceStepTransformer1DModel](/docs/diffusers/v0.43.0/es/api/models/ace_step_transformer#diffusers.AceStepTransformer1DModel).