Entradas
Nota: Cuando se proporciona una imagen de referencia, la primera imagen del lote se escala hacia arriba al
width y height solicitados mediante interpolación bilineal y se codifica con el VAE. Ese latente de referencia se adjunta al condicionamiento positivo, mientras que un latente lleno de ceros de la misma forma se adjunta al condicionamiento negativo. Cuando se proporciona audio_encoder_output, los embeddings de audio se interpolan y se adjuntan al condicionamiento positivo, mientras que un embedding de audio lleno de ceros se adjunta al condicionamiento negativo. Si se omite cualquiera de las entradas opcionales, se utilizan tensores de marcador de posición llenos de ceros: un latente de referencia lleno de ceros de forma [batch_size, 16, 1, height // 8, width // 8] y/o embeddings de audio llenos de ceros de forma [batch_size, latent_t + 1, 8, 5, 1280], donde latent_t = ((length - 1) // 4) + 1.
Salidas
Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub
Source fingerprint (SHA-256):
db674a4a00729a8715988030083e2858f958cd21de73bbbe4ed6d76f5f539419