# StableAudioDiTModel

نموذج Transformer لموجات الصوت من [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)
```

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

**المعاملات:**

sample_size ( `int`، *اختياري*، القيمة الافتراضية 1024) : حجم العينة المدخلة.

in_channels (`int`، *اختياري*، القيمة الافتراضية 64) : عدد القنوات في المدخلات.

num_layers (`int`، *اختياري*، القيمة الافتراضية 24) : عدد طبقات كتل Transformer التي سيتم استخدامها.

attention_head_dim (`int`، *اختياري*، القيمة الافتراضية 64) : عدد القنوات في كل رأس.

num_attention_heads (`int`، *اختياري*، القيمة الافتراضية 24) : عدد الرؤوس المستخدمة لحالات الاستعلام.

num_key_value_attention_heads (`int`، *اختياري*، القيمة الافتراضية 12) : عدد الرؤوس المستخدمة لحالات المفتاح والقيمة.

out_channels (`int`، القيمة الافتراضية 64) : عدد قنوات الإخراج.

cross_attention_dim ( `int`، *اختياري*، القيمة الافتراضية 768) : بُعد الإسقاط في الانتباه المتقاطع.

time_proj_dim ( `int`، *اختياري*، القيمة الافتراضية 256) : بُعد الإسقاط الداخلي لخطوة الزمن.

global_states_input_dim ( `int`، *اختياري*، القيمة الافتراضية 1536) : بُعد الإدخال لإسقاط الحالات المخفية العالمية.

cross_attention_input_dim ( `int`، *اختياري*، القيمة الافتراضية 768) : بُعد الإدخال لإسقاط الانتباه المتقاطع

نموذج Diffusion Transformer الذي تم تقديمه في Stable Audio.

مرجع: 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)
```

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

**المعاملات:**

hidden_states (`torch.FloatTensor` من الشكل `(batch size, in_channels, sequence_len)`) : مدخلات `hidden_states`.

timestep ( `torch.LongTensor`) : يُستخدم للإشارة إلى خطوة إزالة الضوضاء.

encoder_hidden_states (`torch.FloatTensor` من الشكل `(batch size, encoder_sequence_len, cross_attention_input_dim)`) : التضمينات الشرطية (التضمينات المحسوبة من شروط الإدخال مثل الأوامر النصية) للاستخدام.

global_hidden_states (`torch.FloatTensor` من الشكل `(batch size, global_sequence_len, global_states_input_dim)`) : تمثيلات عامة (Global embeddings) ستُضاف في بداية الحالات المخفية (hidden states).

rotary_embedding (`torch.Tensor`) : التضمينات الدورانية التي تُطبَّق على متجهات الاستعلام والمفتاح أثناء حساب الانتباه.

return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع `~models.transformer_2d.Transformer2DModelOutput` بدلاً من tuple عادي.

attention_mask (`torch.Tensor` من الشكل `(batch_size, sequence_len)`، *اختياري*) : قناع لتجنب تنفيذ الانتباه على فهارس رموز الحشو، يتم تشكيله عن طريق دمج أقنعة الانتباه الخاصة بمشفرَي النص معًا. قيم القناع المختارة في `[0, 1]`: - 1 للرموز التي **ليست مقنّعة**، - 0 للرموز التي **مقنّعة**.

encoder_attention_mask (`torch.Tensor` من الشكل `(batch_size, sequence_len)`، *اختياري*) : قناع لتجنب تنفيذ الانتباه على فهارس الانتباه المتقاطع لرموز الحشو، يتم تشكيله عن طريق دمج أقنعة الانتباه الخاصة بمشفرَي النص معًا. قيم القناع المختارة في `[0, 1]`: - 1 للرموز التي **ليست مقنّعة**، - 0 للرموز التي **مقنّعة**.

**يعيد:**

إذا كان `return_dict` صحيحًا، يُعاد `~models.transformer_2d.Transformer2DModelOutput`، وإلا يُعاد `tuple` يكون عنصره الأول هو تينسور العينة.

طريقة [StableAudioDiTModel](/docs/diffusers/main/ar/api/models/stable_audio_transformer#diffusers.StableAudioDiTModel) الأمامية.

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

```python
set_default_attn_processor()
```

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

يعطّل معالجات الانتباه المخصصة ويضبط تطبيق الانتباه الافتراضي.