Hugging Face's logo

Diffusers documentation

AutoencoderKLKVAEAudio

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

AutoencoderKLKVAEAudio

Одномерный свёрточный вариационный автоэнкодер (VAE) с потерей KL для аудио, предложенный командой Kandinsky Lab в KVAE-Audio. Он сжимает необработанные широкополосные (48 кГц) звуковые сигналы в компактные непрерывные латентные представления и восстанавливает их с высокой точностью для речи, музыки и общего аудио.

Модель можно загрузить с помощью следующего фрагмента кода.

import torch
from diffusers import AutoencoderKLKVAEAudio

vae = AutoencoderKLKVAEAudio.from_pretrained("kandinskylab/KVAE-Audio", subfolder="diffusers", dtype=torch.float32)

AutoencoderKLKVAEAudio

класс diffusers.AutoencoderKLKVAEAudio

< >

( encoder_dim: int = 64encoder_rates: list[int] = [2, 3, 4, 5, 8]latent_dim: int = 2048codebook_dim: int = 64decoder_dim: int = 1536decoder_rates: list[int] = [8, 5, 4, 3, 2]sample_rate: int = 48000num_channels: int = 1attn_num_heads: int = 8 )

Параметры

  • encoder_dim (int, необязательный, по умолчанию 64) — Базовое количество каналов для энкодера; удваивается на каждом этапе понижения разрешения.
  • encoder_rates (list[int], необязательный, по умолчанию [2, 3, 4, 5, 8]) — Шаги для понижения разрешения в кодере.
  • latent_dim (int, необязательный, по умолчанию 2048) — Размерность канала на выходе кодировщика (до бутылочного горлышка in_proj).
  • codebook_dim (int, необязательный, по умолчанию 64) — Размерность канала в латентном пространстве апостериорного распределения (после бутылочного горлышка in_proj).
  • decoder_dim (int, необязательный, по умолчанию 1536) — Базовое количество каналов для декодера; уменьшается вдвое на каждом этапе апсемплинга.
  • decoder_rates (list[int], необязательный, по умолчанию [8, 5, 4, 3, 2]) — Шаги для апсемплинга в декодере.
  • sample_rate (int, необязательный, по умолчанию 48000) — Частота дискретизации, в Гц, на которой обучалась модель.
  • num_channels (int, необязательный, по умолчанию 1) — Количество каналов в аудиоданных (1 для моно).
  • attn_num_heads (int, необязательный, по умолчанию 8) — Количество головок в блоке само-внимания, применяемом к выходу кодировщика.

Одномерный свёрточный автоэнкодер для кодирования сырых аудиосигналов в непрерывные латенты и декодирования их обратно в сигналы. Представлен в KVAE-Audio.

Эта модель наследуется от ModelMixin. См. документацию суперкласса для его универсальных методов, реализованных для всех моделей (например, загрузка или сохранение).

decode

< >

( z: Tensorreturn_dict: bool = True ) → DecoderOutput or tuple

Параметры

  • z (torch.Tensor) — Входная партия латентных векторов.
  • return_dict (bool, необязательный, по умолчанию True) — Определяет, следует ли возвращать DecoderOutput вместо обычного кортежа.

Возвращает

DecoderOutput или tuple

Если `return_dict` равно True, возвращается DecoderOutput, иначе возвращается обычный tuple.

Декодирование батча латентов в аудиоволны.

encode

< >

( audio_data: Tensorreturn_dict: bool = True )

Параметры

  • audio_data (torch.Tensor формы (batch_size, num_channels, num_samples)) — Входная партия сырых аудиосигналов.
  • return_dict (bool, необязательный, по умолчанию True) — Определяет, следует ли возвращать ~models.autoencoder_kl.AutoencoderKLOutput вместо обычного кортежа.

Кодирует пакет аудиоволн в латенты.

forward

< >

( sample: Tensorsample_posterior: bool = Falsereturn_dict: bool = Truegenerator: typing.Optional[torch.Generator] = None ) → DecoderOutput or tuple

Параметры

  • sample (torch.Tensor формы (batch_size, num_channels, num_samples)) — Входная партия сырых аудиосигналов.
  • sample_posterior (bool, необязательный, по умолчанию False) — Следует ли извлекать выборку из апостериорного распределения.
  • return_dict (bool, необязательный, по умолчанию True) — Определяет, следует ли возвращать DecoderOutput вместо обычного кортежа.
  • generator (torch.Generator, необязательный) — torch.Generator для обеспечения детерминированности выборки.

Возвращает

DecoderOutput или tuple

Если return_dict равно True, возвращается DecoderOutput, иначе возвращается обычный tuple.

Update on GitHub

←AutoencoderKLKVAE AutoencoderKLKVAEVideo→