# StableAudioDiTModel

Um modelo Transformer para formas de onda de áudio do [Stable Audio Open](https://huggingface.co/papers/2407.14358).

## StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

#### diffusers.StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

```python
diffusers.StableAudioDiTModel(sample_size: int = 1024, in_channels: int = 64, num_layers: int = 24, attention_head_dim: int = 64, num_attention_heads: int = 24, num_key_value_attention_heads: int = 12, out_channels: int = 64, cross_attention_dim: int = 768, time_proj_dim: int = 256, global_states_input_dim: int = 1536, cross_attention_input_dim: int = 768)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/stable_audio_transformer.py#L183)

**Parâmetros:**

sample_size ( `int`, *opcional*, padrão 1024) : O tamanho da amostra de entrada.

in_channels (`int`, *opcional*, padrão 64) : O número de canais na entrada.

num_layers (`int`, *opcional*, padrão 24) : O número de blocos de Transformer a serem usados.

attention_head_dim (`int`, *opcional*, padrão 64) : O número de canais em cada head.

num_attention_heads (`int`, *opcional*, padrão 24) : O número de cabeças a serem usadas para os estados de consulta.

num_key_value_attention_heads (`int`, *opcional*, padrão 12) : O número de cabeças a serem usadas para os estados de chave e valor.

out_channels (`int`, padrão 64) : Número de canais de saída.

cross_attention_dim ( `int`, *opcional*, padrão 768) : Dimensão da projeção de atenção cruzada.

time_proj_dim ( `int`, *opcional*, padrão 256) : Dimensão da projeção interna do timestep.

global_states_input_dim ( `int`, *opcional*, padrão 1536) : Dimensão de entrada da projeção dos estados ocultos globais.

cross_attention_input_dim ( `int`, *opcional*, padrão é 768) : Dimensão de entrada da projeção de atenção cruzada

O modelo Diffusion Transformer introduzido no Stable Audio.

Referência: https://github.com/Stability-AI/stable-audio-tools

#### forward[[diffusers.StableAudioDiTModel.forward]]

```python
forward(hidden_states: FloatTensor, timestep: LongTensor = None, encoder_hidden_states: FloatTensor = None, global_hidden_states: FloatTensor = None, rotary_embedding: FloatTensor = None, return_dict: bool = True, attention_mask: typing.Optional[torch.LongTensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/stable_audio_transformer.py#L282)

**Parâmetros:**

hidden_states (`torch.FloatTensor` de forma `(batch size, in_channels, sequence_len)`) : Entrada `hidden_states`.

timestep ( `torch.LongTensor`) : Usado para indicar o passo de remoção de ruído.

encoder_hidden_states (`torch.FloatTensor` de forma `(batch size, encoder_sequence_len, cross_attention_input_dim)`) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

global_hidden_states (`torch.FloatTensor` de forma `(batch size, global_sequence_len, global_states_input_dim)`) : Embutidos globais que serão adicionados antes dos estados ocultos.

rotary_embedding (`torch.Tensor`) : Os embeddings rotacionais a serem aplicados nos tensores de consulta e chave durante o cálculo da atenção.

return_dict (`bool`, *opcional*, padrão `True`) : Indica se deve retornar um `~models.transformer_2d.Transformer2DModelOutput` em vez de uma tupla simples.

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_len)`, *opcional*) : Máscara para evitar a execução de atenção nos índices de tokens de preenchimento, formada pela concatenação das máscaras de atenção dos dois codificadores de texto. Valores de máscara selecionados em `[0, 1]`: - 1 para tokens que **não estão mascarados**, - 0 para tokens que **estão mascarados**.

encoder_attention_mask (`torch.Tensor` de forma `(batch_size, sequence_len)`, *opcional*) : Máscara para evitar a execução de atenção nos índices de atenção cruzada dos tokens de preenchimento, formada pela concatenação das máscaras de atenção dos dois codificadores de texto. Valores da máscara selecionados em `[0, 1]`:  - 1 para tokens que **não estão mascarados**, - 0 para tokens que **estão mascarados**.

**Retorna:**

Se `return_dict` for True, um `~models.transformer_2d.Transformer2DModelOutput` é retornado; caso contrário, uma `tuple` onde o primeiro elemento é o tensor da amostra.

O método forward do [StableAudioDiTModel](/docs/diffusers/v0.43.0/pt/api/models/stable_audio_transformer#diffusers.StableAudioDiTModel).

#### set_default_attn_processor[[diffusers.StableAudioDiTModel.set_default_attn_processor]]

```python
set_default_attn_processor()
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/stable_audio_transformer.py#L276)

Desativa os processadores de atenção personalizados e define a implementação padrão de atenção.