# Pocket TTS

## نظرة عامة

Pocket TTS هو نموذج تحويل النص إلى كلام من تطوير [Kyutai](https://kyutai.org) يحتوي على 100 مليون معامل، وهو [Continuous Audio Language Model](https://huggingface.co/papers/2509.06926) يعمل بسرعة تتجاوز الزمن الحقيقي على المعالج المركزي. يقوم محوّل سببي (causal transformer) بإخراج كامن صوتي مستمر واحد لكل إطار (12.5 هرتز) عبر رأس تدفق من خطوة واحدة، بينما يقرر رأس نهاية الكلام متى يتوقف.

يحتوي المعالج على [مُرمِّز الصوت الخاص بـ Pocket TTS](./pocket_tts_audio_tokenizer)، وهو مُرمِّز مبني على Mimi يقوم بتشفير أوامر الصوت وفك تشفير الكمّات المولَّدة إلى صوت بتردد 24 كيلوهرتز. وتُشحن الأصوات المُعرَّفة مسبقًا كذاكرة KV (`voices/`).

تم إصدار رأسَي تدفّق: التلقائي الذاتي لانغرانج (`flow_type="lsd"`، الافتراضي) والمنجرف (`flow_type="drifting"`، `english_drifting_26-09`). يتم دعم الضبط الدقيق، راجع [التدريب](#training).

تمت مساهمة هذا النموذج من قِبل [Eustache Le Bihan](https://huggingface.co/eustlb). الكود الأصلي هو [kyutai-labs/pocket-tts](https://github.com/kyutai-labs/pocket-tts).

## نصائح للاستخدام

- جهّز المدخلات باستخدام [apply_chat_template()](/docs/transformers/v5.23.0/ar/main_classes/processors#transformers.ProcessorMixin.apply_chat_template) (رسالة `user` واحدة لكل نص، مع `add_generation_prompt=True`). يقوم المُطبِّع الخاص بمجزّئ الرموز بإعداد النص كما في الأصل، مع إعدادات لغة نقطة التفتيش.
- يعيد `generate` القيم `audio_latents` و`audio_latents_mask`؛ قم بفك ترميزها باستخدام [PocketTTSProcessor.decode()](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor.decode).
- يُعيَّن `max_new_tokens` افتراضيًا بميزانية تعتمد على طول النص، ويتوقف التوليد بعد تجاوز `eos_threshold` مباشرةً.
- `do_sample=False` يطابق الأصل عند درجة حرارة 0. عند استخدام العينة، `temperature` (الافتراضي 0.3) هو تباين الضوضاء الأولية للتدفق.
- قسّم النص الطويل باستخدام [PocketTTSProcessor.split_text()](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor.split_text)، بحيث يحتوي كل جزء على محادثة واحدة.

## الاستخدام

### الصوت

يمكن منح الصوت بثلاث طرق.

**1. استنساخ تسجيل**: عنصر `audio` في المحادثة.

```python
from transformers import AutoModelForTextToWaveform, AutoProcessor

model_id = "eustlb/pocket-tts"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")

url = "https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/en-Alice_woman.wav"
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "audio", "url": url},
            {"type": "text", "text": "Hello world. I am Kyutai's Pocket TTS."},
        ],
    }
]
inputs = processor.apply_chat_template(
    conversation, tokenize=True, return_dict=True, add_generation_prompt=True
).to(model.device)

outputs = model.generate(**inputs)
audio = processor.decode(outputs.audio_latents, outputs.audio_latents_mask)
processor.save_audio(audio, "cloned.wav")
```

**2. الكمونيات المحسوبة مسبقًا**: عنصر `audio` فارغ، مع تمرير الكمونيات إلى المعالج.

```python
from transformers import AutoModelForTextToWaveform, AutoProcessor
from transformers.audio_utils import load_audio

model_id = "eustlb/pocket-tts"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")

# e.g. a recording encoded once by the processor's audio tokenizer,
# to reuse without re-encoding it
url = "https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/en-Alice_woman.wav"
features = processor.feature_extractor(
    load_audio(url, sampling_rate=24000), sampling_rate=24000
).to(processor.audio_tokenizer.device)
# (num_frames, latent_dim)
voice = processor.audio_tokenizer.encode(**features).latents[0]

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "audio"},
            {"type": "text", "text": "Hello world. I am Kyutai's Pocket TTS."},
        ],
    }
]
inputs = processor.apply_chat_template(
    conversation,
    tokenize=True,
    return_dict=True,
    add_generation_prompt=True,
    processor_kwargs={"audio_prompt_latents": [voice]},
).to(model.device)

outputs = model.generate(**inputs)
audio = processor.decode(outputs.audio_latents, outputs.audio_latents_mask)
processor.save_audio(audio, "latents.wav")
```

**3. السياق المخزّن مؤقتًا**: ذاكرة KV الخاصة بإشارة الصوت، والتي تُمرَّر على شكل `past_key_values`. تستخدم الأصوات المرفقة (`voices/`) هذا الشكل.

```python
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from transformers import AutoModelForTextToWaveform, AutoProcessor, DynamicCache

model_id = "eustlb/pocket-tts"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")

voice = load_file(hf_hub_download(model_id, "voices/alba.safetensors"))
layers = []
for i, layer in enumerate(model.model.layers):
    # each layer's cache on that layer's device
    device = layer.self_attn.k_proj.weight.device
    layers.append(
        (voice[f"layers.{i}.keys"].to(device), voice[f"layers.{i}.values"].to(device))
    )
voice_cache = DynamicCache(layers, config=model.config)

conversation = [
    {
        "role": "user",
        "content": [{"type": "text", "text": "Hello world. I am Kyutai's Pocket TTS."}],
    }
]
inputs = processor.apply_chat_template(
    conversation, tokenize=True, return_dict=True, add_generation_prompt=True
).to(model.device)

outputs = model.generate(**inputs, past_key_values=voice_cache)
audio = processor.decode(outputs.audio_latents, outputs.audio_latents_mask)
processor.save_audio(audio, "cached.wav")
```

### الدفعات والنص الطويل

معالجة عدة نصوص وأصوات دفعة واحدة، مع تقسيم النص الطويل إلى مقاطع:

```python
import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from transformers import AutoModelForTextToWaveform, AutoProcessor, DynamicCache

model_id = "eustlb/pocket-tts"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")

def load_voices(names):
    """The shipped voices, one per conversation, as one cache, left-padded to the
    longest voice, and the mask of their positions.

    `generate` extends the cache: load it for every call.
    """
    voices = [
        load_file(hf_hub_download(model_id, f"voices/{name}.safetensors"))
        for name in names
    ]
    lengths = [voice["layers.0.keys"].shape[2] for voice in voices]
    length = max(lengths)
    layers = []
    for i, layer in enumerate(model.model.layers):
        device = layer.self_attn.k_proj.weight.device
        keys, values = (
            torch.cat(
                [
                    torch.nn.functional.pad(voice[f"layers.{i}.{kind}"], (0, 0, length - n, 0))
                    for voice, n in zip(voices, lengths)
                ]
            ).to(device)
            for kind in ("keys", "values")
        )
        layers.append((keys, values))
    mask = torch.tensor([[0] * (length - n) + [1] * n for n in lengths])
    return DynamicCache(layers, config=model.config), mask

text = (
    "A first sentence that is long enough to be worth splitting. "
    "Then a second one, and a third one for good measure."
)
chunks = processor.split_text(text)
conversations = [
    [{"role": "user", "content": [{"type": "text", "text": chunk}]}]
    for chunk in chunks + ["Hello world"]
]
inputs = processor.apply_chat_template(
    conversations, tokenize=True, return_dict=True, add_generation_prompt=True
).to(model.device)

voice_cache, voice_mask = load_voices(["alba"] * len(chunks) + ["jean"])
# the mask covers the cached voices too
inputs["attention_mask"] = torch.cat(
    [voice_mask.to(inputs["attention_mask"]), inputs["attention_mask"]], dim=-1
)
outputs = model.generate(**inputs, past_key_values=voice_cache)
audio = processor.decode(outputs.audio_latents, outputs.audio_latents_mask)
processor.save_audio(
    [torch.cat(audio[: len(chunks)]), audio[-1]], ["long.wav", "hello.wav"]
)
```

### نقطة تفتيش منجرفة

نفس الاستخدام، مع أصوات نقطة التفتيش الخاصة بها:

```python
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from transformers import AutoModelForTextToWaveform, AutoProcessor, DynamicCache

model_id = "eustlb/pocket-tts-english-drifting"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")

voice = load_file(hf_hub_download(model_id, "voices/alba.safetensors"))
layers = []
for i, layer in enumerate(model.model.layers):
    device = layer.self_attn.k_proj.weight.device
    layers.append(
        (voice[f"layers.{i}.keys"].to(device), voice[f"layers.{i}.values"].to(device))
    )

conversation = [
    {
        "role": "user",
        "content": [{"type": "text", "text": "Hello world. I am Kyutai's Pocket TTS."}],
    }
]
inputs = processor.apply_chat_template(
    conversation, tokenize=True, return_dict=True, add_generation_prompt=True
).to(model.device)

outputs = model.generate(
    **inputs, past_key_values=DynamicCache(layers, config=model.config)
)
audio = processor.decode(outputs.audio_latents, outputs.audio_latents_mask)
processor.save_audio(audio, "drifting.wav")
```

## التدريب

ضع الصوت المستهدف في دور `assistant`. يعيد المعالج كامناته (latents) على شكل `labels`، ويعيد النموذج خسارة الأصل (خسارة تدفق LSD بالإضافة إلى `config.eos_loss_weight` مضروبة في خسارة نهاية الكلام). عادةً ما يكون تلميح الصوت هو بداية نفس العبارة.

```python
import torch
from transformers import AutoModelForTextToWaveform, AutoProcessor

model_id = "eustlb/pocket-tts"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")
model.train()

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "audio", "audio": voice_prompt},
            {"type": "text", "text": target_text},
        ],
    },
    {"role": "assistant", "content": [{"type": "audio", "audio": target_audio}]},
]
inputs = processor.apply_chat_template(
    conversation, tokenize=True, return_dict=True
).to(model.device)
loss = model(**inputs).loss
loss.backward()
```

- قدّم الصوت كتسجيل أو كمخزّنات كامنة (latents)، وليس كذاكرة مؤقتة.
- لإرشاد التصنيف الحر، احذف عنصر `audio` أو `text` الخاص بجولة `user` (حيث يُحذف الأصل كل منهما باحتمال 0.2).
- تُوضع الكامنات المحسوبة مسبقًا في `processor_kwargs={"audio_prompt_latents": [...], "labels": [...]}`، مع عناصر `{"type": "audio"}` فارغة كعناصر نائبة.
- الوصفة الأصلية: AdamW، `learning_rate=2e-5` (2e-4 للغة جديدة)، `adam_beta2=0.95`، `weight_decay=0.1`، `max_grad_norm=1.0`، 1000 خطوات إحماء ثم ثابتة، ومتوسط أسي (EMA) للأوزان (معامل اضمحلال 0.999).

## PocketTTSConfig[[transformers.PocketTTSConfig]]

#### transformers.PocketTTSConfig[[transformers.PocketTTSConfig]]

```python
transformers.PocketTTSConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, flow_head_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vocab_size: int = 4004, hidden_size: int = 1024, num_hidden_layers: int = 6, num_attention_heads: int = 16, num_key_value_heads: int | None = None, head_dim: int | None = None, intermediate_size: int = 4096, hidden_act: str = 'gelu_pytorch_tanh', layer_norm_eps: float = 1e-05, attention_bias: bool = False, attention_dropout: float = 0.0, max_position_embeddings: int = 8192, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, latent_dim: int = 32, pad_token_id: int = 3, bos_token_id: int | None = None, eos_token_id: int | None = None, audio_prompt_token_id: int = 4000, audio_latent_token_id: int = 4001, audio_prompt_bos_token_id: int = 4002, audio_bos_token_id: int = 4003, frame_rate: float = 12.5, initializer_range: float = 0.02, use_cache: bool = True, eos_loss_weight: float = 0.1, flow_loss_num_samples: int = 4, lsd_distill_probability: float = 0.25, lsd_diagonal_weight: float = 0.75, lsd_time_logit_mean: float = 0.4, lsd_time_logit_std: float = 1.0, latent_stats_ema_steps: int = 1000, latent_stats_ema_decay: float = 0.999)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/configuration_pocket_tts.py#L75)

**المعاملات:**

flow_head_config (`Union[PocketTTSFlowHeadConfig, dict]`، *اختياري*) : إعدادات رأس التدفق الذي يستخرج كل حالة كامنة من حالة الخلفية المخفية.

vocab_size (`int`، *اختياري*، القيمة الافتراضية `4004`) : حجم مفردات النموذج. يحدد عدد الرموز المختلفة التي يمكن تمثيلها بواسطة `input_ids`.

hidden_size (`int`، *اختياري*، القيمة الافتراضية `1024`) : بُعد التمثيلات المخفية.

num_hidden_layers (`int`, *اختياري*, الافتراضي هو `6`) : عدد الطبقات المخفية في مُفكِّك Transformer.

num_attention_heads (`int`، *اختياري*، القيمة الافتراضية `16`) : عدد رؤوس الانتباه في كل طبقة انتباه داخل مُفكِّك Transformer.

num_key_value_heads (`int`, *اختياري*) : هذا هو عدد رؤوس key_value التي يجب استخدامها لتنفيذ Grouped Query Attention. إذا كان `num_key_value_heads=num_attention_heads`، فسيستخدم النموذج Multi Head Attention (MHA)، وإذا كان `num_key_value_heads=1` فسيستخدم النموذج Multi Query Attention (MQA)، وإلا فسيتم استخدام GQA. عند تحويل نقطة تفتيش متعددة الرؤوس إلى نقطة تفتيش GQA، يجب بناء كل مجموعة من رؤوس key و value عن طريق meanpooling جميع الرؤوس الأصلية داخل تلك المجموعة. لمزيد من التفاصيل، راجع [هذا الورقة](https://huggingface.co/papers/2305.13245). إذا لم يتم تحديد القيمة، فسيتم افتراض `num_attention_heads`.

head_dim (`int`، *اختياري*) : بُعد رأس الانتباه. إذا كانت القيمة None، فسيتم افتراض hidden_size // num_attention_heads

intermediate_size (`int`، *اختياري*، القيمة الافتراضية `4096`) : بُعد تمثيلات MLP.

hidden_act (`str`، *اختياري*، القيمة الافتراضية `gelu_pytorch_tanh`) : دالة التنشيط غير الخطية (دالة أو نص) في المُفكِّك. على سبيل المثال، `"gelu"`، `"relu"`، `"silu"`، وما إلى ذلك.

layer_norm_eps (`float`، *اختياري*، القيمة الافتراضية 1e-05) : قيمة إبسيلون لطبقات تطبيع الطبقة (layer normalizations) في الهيكل الأساسي (backbone).

attention_bias (`bool`، *اختياري*، القيمة الافتراضية `False`) : ما إذا كان سيتم استخدام انحياز في طبقات الإسقاط للاستعلام والمفتاح والقيمة والمخرجات أثناء الانتباه الذاتي.

attention_dropout (`float`, *اختياري*, القيمة الافتراضية `0.0`) : نسبة dropout لاحتمالات الانتباه.

max_position_embeddings (`int`، *اختياري*، الافتراضي هو `8192`) : أقصى طول تسلسل قد يُستخدم به هذا النموذج.

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`، *اختياري*) : قاموس يحتوي على معاملات التهيئة الخاصة بتضمينات RoPE. يجب أن يحتوي القاموس على قيمة لـ `rope_theta`، وبشكل اختياري معاملات تُستخدم للتوسيع في حال رغبتَ في استخدام RoPE مع `max_position_embeddings` أطول.

latent_dim (`int`، *اختياري*، القيمة الافتراضية 32) : بُعد الكامن الصوتي الذي يستقبله الهيكل العظمي كمدخل (`audio_prompt_latents`، `audio_latents`)؛ يساوي `latent_dim` لرأس التدفق ولرمز الصوت.

pad_token_id (`int`، *اختياري*، القيمة الافتراضية `3`) : معرّف الرمز المستخدم للتعبئة في المفردات.

bos_token_id (`int`, *اختياري*) : معرّف الرمز المستخدم لبدء البث في المفردات.

eos_token_id (`int`, *اختياري*) : معرّف الرمز المستخدم لنهاية البث في المفردات.

audio_prompt_token_id (`int`، *اختياري*، القيمة الافتراضية 4000) : معرّف رمز الوكيل (Placeholder) لإطارات موجه الصوت في `input_ids`.

audio_latent_token_id (`int`، *اختياري*، القيمة الافتراضية 4001) : معرّف الرمز الوهمي لمواقع الكمون الصوتي في `input_ids`.

audio_prompt_bos_token_id (`int`، *اختياري*، القيمة الافتراضية 4002) : معرّف الرمز الذي يُوضع قبل موجه الصوت؛ حيث أن تضمين هذا الرمز هو المتجه المُتعلَّم الذي يضيفه الأصل إلى بداية الصوت.

audio_bos_token_id (`int`، *اختياري*، القيمة الافتراضية 4003) : معرّف الرمز (Token id) لأول موضع صوتي، يغلق الاستدعاء (prompt): يحتوي على الكامن (latent) الخاص بـ BOS المُتعلَّم، والذي تُولَّد منه الإطار الأول.

frame_rate (`float`، *اختياري*، القيمة الافتراضية 12.5) : عدد كامنات الصوت لكل ثانية من الصوت: يستمد `generate` ميزانية الإطارات الافتراضية الخاصة به منه.

initializer_range (`float`، *اختياري*، القيمة الافتراضية `0.02`) : الانحراف المعياري لـ truncated_normal_initializer المستخدم في تهيئة جميع مصفوفات الأوزان.

use_cache (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب على النموذج إرجاع قيم المفاتيح/القيم الأخيرة للانتباه (لا تستخدمها جميع النماذج). لا ينطبق إلا إذا كان `config.is_decoder=True` أو عندما يكون النموذج نموذجًا توليديًا يعتمد على المُفكِّك فقط.

eos_loss_weight (`float`، *اختياري*، القيمة الافتراضية 0.1) : وزن خسارة نهاية الكلام في خسارة التدريب.

flow_loss_num_samples (`int`، *اختياري*، القيمة الافتراضية 4) : عدد سحب الضوضاء لكل إطار مستهدف في خسارة التدفق.

lsd_distill_probability (`float`، *اختياري*، القيمة الافتراضية 0.25) : الاحتمال، في كل خطوة تدريب، لحساب حد التوزيع الذاتي من خسارة LSD (مع إعادة الوزن للحفاظ على الخسارة المتوقعة)؛ القيمة 1 تعني حسابه في كل خطوة.

lsd_diagonal_weight (`float`، *اختياري*، القيمة الافتراضية 0.75) : وزن الحد القطري (تدفق لحظي) في خسارة LSD؛ بينما يزن حد التلقائي-التعليم (self-distillation) الباقي.

lsd_time_logit_mean (`float`، *اختياري*، القيمة الافتراضية 0.4) : متوسط توزيع اللوجيت-الطبيعي لأزمنة التدفق التي يسحبها خسارة LSD.

lsd_time_logit_std (`float`، *اختياري*، القيمة الافتراضية 1.0) : الانحراف المعياري لتوزيع اللوجيت-الطبيعي لأزمنة التدفق التي يسحبها خسارة LSD.

latent_stats_ema_steps (`int`، *اختياري*، القيمة الافتراضية 1000) : عدد خطوات التدريب الأولى التي يتبع فيها `latent_mean` و`latent_std` متوسطًا متحركًا أُسّيًا للقيم الكامنة المستهدفة؛ القيمة 0 تُبقيهما مجمّدين.

latent_stats_ema_decay (`float`، *اختياري*، القيمة الافتراضية 0.999) : معدل التلاشي لذلك المتوسط المتحرك.

هذه فئة الإعدادات المخزنة لإعدادات نموذج PocketTTSModel. تُستخدم لاستحداث نموذج Pocket Tts وفقاً للحجج المحددة، مع تعريف بنية النموذج. إن استحداث إعدادات باستخدام القيم الافتراضية سيؤدي إلى إعدادات مشابهة لتلك الخاصة بـ [eustlb/pocket-tts](https://huggingface.co/eustlb/pocket-tts)

ترث كائنات الإعداد من [PreTrainedConfig](/docs/transformers/v5.23.0/ar/main_classes/configuration#transformers.PreTrainedConfig) ويمكن استخدامها للتحكم في مخرجات النموذج. اقرأ التوثيق الخاص بـ [PreTrainedConfig](/docs/transformers/v5.23.0/ar/main_classes/configuration#transformers.PreTrainedConfig) لمزيد من المعلومات.

## PocketTTSFlowHeadConfig[[transformers.PocketTTSFlowHeadConfig]]

#### transformers.PocketTTSFlowHeadConfig[[transformers.PocketTTSFlowHeadConfig]]

```python
transformers.PocketTTSFlowHeadConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 512, num_hidden_layers: int = 6, latent_dim: int = 32, condition_dim: int = 1024, frequency_embedding_size: int = 256, hidden_act: str = 'silu', layer_norm_eps: float = 1e-06, rms_norm_eps: float = 1e-05, max_period: float = 10000.0, flow_type: typing.Literal['lsd', 'drifting'] = 'lsd', loss_weighting_hidden_size: int = 32, loss_weighting_num_layers: int = 3)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/configuration_pocket_tts.py#L27)

**المعاملات:**

hidden_size (`int`، *اختياري*، القيمة الافتراضية `512`) : بُعد التمثيلات المخفية.

num_hidden_layers (`int`, *اختياري*, الافتراضي هو `6`) : عدد الطبقات المخفية في مُفكِّك Transformer.

latent_dim (`int`، *اختياري*، القيمة الافتراضية 32) : بُعد الكامن الصوتي المستمر الذي يتنبأ به الرأس (بُعد الكامن لمُرمِّز الصوت).

condition_dim (`int`، *اختياري*، القيمة الافتراضية 1024) : بُعد حالة الخلفية المخفية التي يُشترط عليها الرأس (حالة الخلفية المخفية `hidden_size`).

frequency_embedding_size (`int`، *اختياري*، القيمة الافتراضية 256) : حجم التضمين الجيبية لأزمنة التدفق.

hidden_act (`str`، *اختياري*، القيمة الافتراضية `silu`) : دالة التنشيط غير الخطية (دالة أو نص) في المُفكِّك. على سبيل المثال، `"gelu"`، `"relu"`، `"silu"`، وما إلى ذلك.

layer_norm_eps (`float`، *اختياري*، القيمة الافتراضية 1e-06) : قيمة إبسيلون لطبقات التطبيع داخل الكتل المتبقية والطبقة النهائية.

rms_norm_eps (`float`، *اختياري*، القيمة الافتراضية 1e-05) : قيمة إيبسلون (Epsilon) لعملية التطبيع التي تُغلق تضمينات الوقت.

max_period (`float`، *اختياري*، القيمة الافتراضية 10000.0) : الحد الأقصى لدورة التضمين الزمني الجيبية، والذي يخزّنه نقطة الحفظ على شكل `freqs`.

flow_type (`str`، *اختياري*، القيمة الافتراضية `"lsd"`) : الهدف الذي تم تدريب الرأس عليه، والذي يحدد كيفية تكييفه وعيّنته. `"lsd"` (التباعد الذاتي لاغرانجي): مُكيَّف على أوقات البداية والنهاية لخطوة التدفق، ويُعَيَّن بخطوات أويلر من ضوضاء غاوسية. `"drifting"`: لا يوجد تكييف زمني، حيث يُحوِّل الرأس الضوضاء إلى الكمون في استدعاء واحد.

loss_weighting_hidden_size (`int`، *اختياري*، القيمة الافتراضية 32) : عرض شبكة MLP التي تتعلم وزن عدم اليقين لمصطلحات خسارة LSD من أزمنة تدفقها (للتدريب فقط).

loss_weighting_num_layers (`int`، *اختياري*، القيمة الافتراضية 3) : عدد الطبقات المخفية لذلك MLP.

هذه فئة الإعدادات المخزنة لإعدادات نموذج PocketTTSModel. تُستخدم لاستحداث نموذج Pocket Tts وفقاً للحجج المحددة، مع تعريف بنية النموذج. إن استحداث إعدادات باستخدام القيم الافتراضية سيؤدي إلى إعدادات مشابهة لتلك الخاصة بـ [eustlb/pocket-tts](https://huggingface.co/eustlb/pocket-tts)

ترث كائنات الإعداد من [PreTrainedConfig](/docs/transformers/v5.23.0/ar/main_classes/configuration#transformers.PreTrainedConfig) ويمكن استخدامها للتحكم في مخرجات النموذج. اقرأ التوثيق الخاص بـ [PreTrainedConfig](/docs/transformers/v5.23.0/ar/main_classes/configuration#transformers.PreTrainedConfig) لمزيد من المعلومات.

## PocketTTSFeatureExtractor[[transformers.PocketTTSFeatureExtractor]]

#### transformers.PocketTTSFeatureExtractor[[transformers.PocketTTSFeatureExtractor]]

```python
transformers.PocketTTSFeatureExtractor(feature_size = 1, sampling_rate = 24000, padding_value = 0.0, frame_size = 1920, pad_to_multiple_of = 1920, end_on_pause = True, pause_duration = 0.08, fade_out_duration = 0.02, silence_floor_db = 35.0, analysis_frame_duration = 0.02, **kwargs)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/feature_extraction_pocket_tts.py#L29)

**المعاملات:**

feature_size (`int`، *اختياري*، القيمة الافتراضية 1) : عدد القنوات.

sampling_rate (`int`، *اختياري*، القيمة الافتراضية 24000) : معدل أخذ العينات الذي يجب من خلاله تحويل الموجة الصوتية إلى شكل رقمي، ويُعبَّر عنه بالهرتز (Hz).

padding_value (`float`، *اختياري*، القيمة الافتراضية 0.0) : القيمة المستخدمة للتعبئة.

frame_size (`int`، *اختياري*، القيمة الافتراضية 1920) : عدد عينات الصوت لكل إطار كامن في مُرمِّز الصوت (أي `frame_size` الخاص به).

pad_to_multiple_of (`int`، *اختياري*، القيمة الافتراضية 1920) : يُضيف حشوة إلى الصوت ليصبح مضاعفاً لهذه القيمة؛ فمضاعف `frame_size` يُبقي كل إطار كامن كاملاً.

end_on_pause (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إنهاء كل موجة صوتية بالضبط `pause_duration` ثانية من الصمت: يتم قطع الصمت النهائي (الإطارات التي تزيد عن `analysis_frame_duration` ثانية وتكون أقل من `silence_floor_db` من أعلى صوت)، ويتم تخفيف آخر `fade_out_duration` ثانية مما تبقى، وإضافة `pause_duration` ثانية من الأصفار.

pause_duration (`float`، *اختياري*، القيمة الافتراضية 0.08) : مدة الصمت المضاف بواسطة `end_on_pause`، بالثواني.

fade_out_duration (`float`, *اختياري*, القيمة الافتراضية 0.02) : مدة التلاشي التي يطبّقها `end_on_pause` قبل الإيقاف المؤقت، بالثواني.

silence_floor_db (`float`، *اختياري*، القيمة الافتراضية 35.0) : المستوى الذي يقع تحت إطار التحليل الأعلى صوتًا، بوحدة الديسيبل، حيث يعامل `end_on_pause` الإطارات التالية كصمت.

analysis_frame_duration (`float`، *اختياري*، القيمة الافتراضية 0.02) : مدة الإطارات التي تقيس `end_on_pause` مستواها، بالثواني.

ينشئ مستخرج ميزات Pocket TTS، الذي يعدّ موجات الصوت التوجيهية لمُشفِّر مُرمِّز الصوت.

تنتهي كل موجة صوتية اختياريًا بوقفة قصيرة (وهي خاصية `end_on_pause` الأصلية: تنتهي موجهات التدريب داخل الوقفة بين كلمتين، والموجه الذي يتوقف عند الكلام يجعل النموذج يستمر فيه، بينما الذي ينتهي بصمت طويل يؤخر بدء الكلام)، ثم يُملأ الدفعة من اليمين حتى يصبح طولها مضاعفًا لحجم إطار مُجزّئ الرموز.

#### __call__[[transformers.PocketTTSFeatureExtractor.__call__]]

```python
__call__(audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']], sampling_rate: int | None = None, end_on_pause: bool | None = None, padding: bool | str | transformers.utils.generic.PaddingStrategy | None = True, pad_to_multiple_of: int | None = None, max_length: int | None = None, return_attention_mask: bool | None = True, return_tensors: str | None = 'pt', **kwargs)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/feature_extraction_pocket_tts.py#L106)

**المعاملات:**

audio (`np.ndarray`، `torch.Tensor`، `list[np.ndarray]`، `list[torch.Tensor]`) : الموجة الصوتية أحادية القناة أو دفعة من الموجات الصوتية أحادية القناة الخاصة بالموجّهات الصوتية.

sampling_rate (`int`, *اختياري*) : معدل أخذ العينات الذي تم به أخذ عينات إدخال `audio`. يُوصى بشدة بتمرير `sampling_rate` عند استدعاء الأمامي لمنع الأخطاء الصامتة.

end_on_pause (`bool`، *اختياري*) : ما إذا كان يجب إنهاء كل موجة صوتية بوقفة قصيرة، راجع وصف الفئة. القيمة الافتراضية هي `self.end_on_pause`.

padding (`bool` أو `str` أو [PaddingStrategy](/docs/transformers/v5.23.0/ar/internal/file_utils#transformers.utils.PaddingStrategy)، *اختياري*، القيمة الافتراضية `True`) : استراتيجية الحشو (Padding) للدفعة، راجع [pad()](/docs/transformers/v5.23.0/ar/main_classes/feature_extractor#transformers.SequenceFeatureExtractor.pad).

pad_to_multiple_of (`int`، *اختياري*) : يُكمل الدفعة (batch) إلى مضاعف لهذا القيمة. القيمة الافتراضية هي `self.pad_to_multiple_of`.

## PocketTTSProcessor[[transformers.PocketTTSProcessor]]

#### transformers.PocketTTSProcessor[[transformers.PocketTTSProcessor]]

```python
transformers.PocketTTSProcessor(feature_extractor, tokenizer, audio_tokenizer = None, chat_template = None, short_text_max_words: int = 4, frames_after_eos_short_text: int = 4, frames_after_eos: int = 2, fade_in_duration: float = 0.005)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/processing_pocket_tts.py#L49)

**المعاملات:**

feature_extractor (`PocketTTSFeatureExtractor`) : مُستخرج الميزات هو مدخل مطلوب.

tokenizer (`TokenizersBackend`) : مُجزِّئ الرموز (tokenizer) هو مدخل مطلوب.

audio_tokenizer (`PocketTTSAudioTokenizerModel`، *اختياري*) : مُرمِّز الصوت: يقوم بتشفير الصوت إلى متغيرات كامنة (latents)، وفك تشفير المتغيرات الكامنة المولَّدة إلى صوت.

chat_template (`str`) : قالب Jinja لتحويل قوائم الرسائل في المحادثة إلى نص قابل للتحويم.

short_text_max_words (`int`، *اختياري*، القيمة الافتراضية 4) : النصوص التي لا تتجاوز هذا العدد من الكلمات تحصل على `frames_after_eos_short_text` إطارًا بعد إطار نهاية الكلام.

frames_after_eos_short_text (`int`، *اختياري*، القيمة الافتراضية 4) : عدد الإطارات التي يتم توليدها بعد إطار نهاية الكلام للنصوص القصيرة.

frames_after_eos (`int`، *اختياري*، القيمة الافتراضية 2) : عدد الإطارات التي يتم توليدها بعد إطار نهاية الكلام للنصوص الأطول.

fade_in_duration (`float`، *اختياري*، القيمة الافتراضية 0.005) : المدة بالثواني للتلاشي الخطي المطبَّق على بداية كل موجة صوتية مُفكَّكة: يبدأ حالة المُفكِّك الجديدة بخطوة صغيرة، تُسمَع كنقرة.

ينشئ PocketTTSProcessor الذي يجمع مستخرج الميزات ومجزئ الرموز في معالج واحد.

يوفر [PocketTTSProcessor](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor) جميع وظائف [PocketTTSFeatureExtractor](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSFeatureExtractor) و[TokenizersBackend](/docs/transformers/v5.23.0/ar/main_classes/tokenizer#transformers.TokenizersBackend). راجع [~PocketTTSFeatureExtractor](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSFeatureExtractor) و[~TokenizersBackend](/docs/transformers/v5.23.0/ar/main_classes/tokenizer#transformers.TokenizersBackend) لمزيد من المعلومات.

#### __call__[[transformers.PocketTTSProcessor.__call__]]

```python
__call__(text: str | list[str] | None = None, audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = None, audio_prompt_latents: list[torch.Tensor] | None = None, labels: list[torch.Tensor] | None = None, **kwargs: *<class 'transformers.models.pocket_tts.processing_pocket_tts.PocketTTSProcessorKwargs'>)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/processing_pocket_tts.py#L107)

**المعاملات:**

text (`str` أو `list[str]`) : المُوجِّهات التي تُنشئها [apply_chat_template()](/docs/transformers/v5.23.0/ar/main_classes/processors#transformers.ProcessorMixin.apply_chat_template).

audio (`np.ndarray` أو `torch.Tensor` أو قائمة منهما، *اختياري*) : الموجات الصوتية للمحادثات، أحادية القناة عند 24 كيلو هرتز، بترتيب المحادثة: كل صوت، وفي التدريب كل هدف.

audio_prompt_latents (`list[torch.Tensor]`، *اختياري*) : أصوات محسوبة مسبقًا، كل صوت يحتوي على متجه `(num_frames, latent_dim)` واحد لكل موضع صوت، بدلاً من الموجات الصوتية.

labels (`list[torch.Tensor]`، *اختياري*) : أهداف محسوبة مسبقًا (للتدريب)، كل هدف عبارة عن متجه `(num_frames, latent_dim)` واحد لكل موضع نائب للهدف، بدلاً من الموجات الصوتية.

end_on_pause (`bool`، *kwargs*، *اختياري*) : ما إذا كان يجب إنهاء موجة صوتية لكل موجه صوتي بوقفة قصيرة، كما يفعل الأصل قبل استنساخ الصوت. القيمة الافتراضية هي `end_on_pause` لاستخراج الميزات.

return_mm_token_type_ids (`bool`, *kwargs*) : ما إذا كان يجب إرجاع معرّفات أنواع الرموز متعددة الوسائط التي تشير إلى مواضع رموز الحشو متعددة الوسائط.

return_text_replacement_offsets (`bool`، *kwargs*) : ما إذا كان يجب إرجاع إزاحات الأحرف لكل عنصر نائب متعدد الوسائط (multimodal placeholder) وعنصر الاستبدال الخاص به.

return_tensors (`str` أو [TensorType](/docs/transformers/v5.23.0/ar/internal/file_utils#transformers.TensorType)، *اختياري*) : إذا تم تعيينه، فسيُرجع تينسورات من إطار عمل محدد. القيم المقبولة هي:  - `'pt'`: يُرجع كائنات `torch.Tensor` من PyTorch. - `'np'`: يُرجع كائنات `np.ndarray` من NumPy.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/v5.23.0/ar/main_classes/processors#transformers.ProcessingKwargs)، *اختياري*) : خيارات معالجة إضافية لكل نمط (نص، صور، مقاطع فيديو، صوت). تُدرج المعلمات الخاصة بالنموذج أعلاه؛ راجع فئة TypedDict للحصول على القائمة الكاملة للحجج المدعومة.

**يعيد:**

[BatchFeature](/docs/transformers/v5.23.0/ar/main_classes/feature_extractor#transformers.BatchFeature) يحتوي على `input_ids` و`attention_mask` و`audio_prompt_latents` و`audio_prompt_latents_mask`؛ وللتوليد `frames_after_eos` (الإطارات المولّدة بعد إطار نهاية الكلام، حسب طول النص)، وللتدريب `labels` و`labels_mask`.

#### split_text[[transformers.PocketTTSProcessor.split_text]]

```python
split_text(text: str, max_tokens: int = 50)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/processing_pocket_tts.py#L281)

**المعاملات:**

text (`str`) : النص المراد تقسيمه.

max_tokens (`int`، *اختياري*، القيمة الافتراضية 50) : الحد الأقصى لعدد الرموز في كل جزء.

يقسم `text` إلى مقاطع محاذاة مع الجمل لا تتجاوز `max_tokens` رمزًا، تمامًا كما في `split_into_best_sentences` الأصلية: يتم قطع النص المُعدّ بعد نهايات الجمل (وليس عند النقاط العشرية)، وبعد نهايات العبارات للجمل التي تتجاوز `max_tokens`، ثم تُجمَّع القطع بشكل طمّاع. يُقصد بكل مقطع أن يكون محادثة واحدة ضمن دفعة.

#### فك الترميز[[transformers.PocketTTSProcessor.decode]]

```python
decode(audio_latents: torch.Tensor, audio_latents_mask: torch.Tensor | None = None)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/processing_pocket_tts.py#L339)

**المعاملات:**

audio_latents (`torch.Tensor` من الشكل `(batch_size, num_frames, latent_dim)` أو `(num_frames, latent_dim)`) : المتغيرات الكامنة التي تُرجعها `generate` (`PocketTTSGenerateOutput.audio_latents`)، مُفككة الترميز كدفعة واحدة، أو متغيرات كامنة لعينة واحدة.

audio_latents_mask (`torch.Tensor` من الشكل `(batch_size, num_frames)`، *اختياري*) : قناع إطارات كل عينة (`PocketTTSGenerateOutput.audio_latents_mask`). بدونه، يتم فك ترميز كل صف بطول كامل.

**يعيد:**

`list[torch.Tensor]` من الموجات الصوتية أحادية البُعد على وحدة المعالجة المركزية (CPU)، موجة واحدة لكل صف، أو موجة واحدة لكل عينة من البيانات الكامنة.

يفكك الترميز الصوتي الكامنات المولّدة إلى موجات صوتية، ويُخفّت أول `fade_in_duration` ثوانٍ من كل موجة، تماماً كما يفعل الأصل.

#### save_audio[[transformers.PocketTTSProcessor.save_audio]]

```python
save_audio(audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']], saving_path: str | pathlib.Path | list[str | pathlib.Path], sampling_rate: int | None = None)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/processing_pocket_tts.py#L388)

يكتب الموجات المولّدة في ملفات WAV.

audio (`torch.Tensor`، `np.ndarray` أو قائمة منهما): الموجات الصوتية، كما تُعاد بواسطة [decode()](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor.decode). saving_path (`str`، `Path` أو قائمة منهما): مسار واحد لكل موجة صوتية. sampling_rate (`int`، *اختياري*): معدل أخذ العينات للموجات الصوتية، افتراضيًا معدل مستخرج الميزات (مُرمِّز الصوت).

## PocketTTSModel[[transformers.PocketTTSModel]]

#### transformers.PocketTTSModel[[transformers.PocketTTSModel]]

```python
transformers.PocketTTSModel(config: PocketTTSConfig)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/modeling_pocket_tts.py#L498)

**المعاملات:**

config ([PocketTTSConfig](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSConfig)) : فئة إعدادات النموذج التي تحتوي على جميع معاملات النموذج. عند التهيئة باستخدام ملف إعدادات، لا يتم تحميل الأوزان المرتبطة بالنموذج، بل الإعدادات فقط. راجع طريقة [from_pretrained()](/docs/transformers/v5.23.0/ar/main_classes/model#transformers.PreTrainedModel.from_pretrained) لتحميل أوزان النموذج.

الهيكل الأساسي لـ Pocket TTS: محوّل سببي (causal transformer) يعمل على تدفق واحد يتكوّن من موجه الصوت (voice prompt) ورموز النص (text tokens) والقيم الكامنة للصوت (audio latents)، ويعيد الحالات المخفية المعيارية (normalised hidden states). موجه الصوت والقيم الكامنة للصوت هما قيم كامنة لمُرمِّز الصوت (audio tokenizer)، الذي يحتفظ به المعالج (processor).

يرث هذا النموذج من [PreTrainedModel](/docs/transformers/v5.23.0/ar/main_classes/model#transformers.PreTrainedModel). راجع توثيق الفئة الأصلية لمعرفة الطرق العامة التي تنفذها المكتبة لجميع نماذجها (مثل التنزيل أو الحفظ، وتغيير حجم تضمينات الإدخال، وقص الرؤوس، وما إلى ذلك).

هذا النموذج هو أيضاً فئة فرعية من [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) في PyTorch. استخدمه كوحدة PyTorch عادية، وارجع إلى توثيق PyTorch لكل ما يتعلق بالاستخدام العام والسلوك.

#### forward[[transformers.PocketTTSModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, audio_prompt_latents: typing.Optional[torch.Tensor] = None, audio_prompt_latents_mask: typing.Optional[torch.Tensor] = None, audio_latents: typing.Optional[torch.Tensor] = None, audio_latents_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/modeling_pocket_tts.py#L518)

**المعاملات:**

input_ids (`torch.LongTensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : فهارس رموز تسلسل الإدخال في قاموس الكلمات. سيتم تجاهل الحشو افتراضيًا. يمكن الحصول على الفهارس باستخدام [AutoTokenizer](/docs/transformers/v5.23.0/ar/model_doc/auto#transformers.AutoTokenizer). راجع [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ar/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) و [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ar/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) للتفاصيل. [ما هي معرّفات الإدخال؟](../glossary#input-ids)

audio_prompt_latents (`torch.Tensor` من الشكل `(batch_size, num_prompt_frames, latent_dim)`، *اختياري*) : متغيرات (latents) تلميحات الصوت لمُرمِّز الصوت (المُرمَّزة بواسطة المُعالِج، أو من `voices/` نقطة الحفظ)، مُملوءة يمينًا حتى أطول صوت في الدفعة، وموزعة في مواضع `audio_prompt_token_id`.

audio_prompt_latents_mask (`torch.Tensor` من الشكل `(batch_size, num_prompt_frames)`، *اختياري*) : قناع لإطارات الصوت (`1`) على عكس الحشو (`0`) في `audio_prompt_latents`.

audio_latents (`torch.Tensor` من الشكل `(batch_size, num_latents, latent_dim)`، *اختياري*) : كامنات صوتية مُطبَّعة، موزَّعة في مواضع `audio_latent_token_id`. أما موضع `audio_bos_token_id` الذي يسبقها، والذي يُغلق المُوجِّه ومنه يتم توليد الإطار الأول، فيحصل دائمًا على كامن BOS المُتعلَّم.

audio_latents_mask (`torch.Tensor` من الشكل `(batch_size, num_latents)`، *اختياري*) : قناع لكل صف من الكامنات (`1`) مقابل الحشو (`0`) في `audio_latents`، عندما تحتوي الصفوف على أعداد مختلفة من المواضع الكامنة (التدريب).

attention_mask (`torch.Tensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : قناع لتجنب تنفيذ الانتباه على فهارس رموز الحشو. قيم القناع المختارة من `[0, 1]`: - 1 للرموز التي **ليست مقنّعة**، - 0 للرموز التي **مقنّعة**.  [ما هي أقنعة الانتباه؟](../glossary#attention-mask)

position_ids (`torch.LongTensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : فهارس مواضع رموز كل تسلسل إدخال في تضمينات المواضع. يتم اختيارها من النطاق `[0, config.n_positions - 1]`.  [ما هي معرّفات المواضع؟](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`، *اختياري*) : حالات مخفية محسوبة مسبقًا (المفاتيح والقيم في كتل الانتباه الذاتي وكتل الانتباه المتقاطع) يمكن استخدامها لتسريع فك الترميز التسلسلي. يتكوّن هذا عادةً من `past_key_values` التي يعيدها النموذج في مرحلة سابقة من فك الترميز، عندما يكون `use_cache=True` أو `config.use_cache=True`. يُسمح فقط بتمرير كائن [Cache](/docs/transformers/v5.23.0/ar/internal/generation_utils#transformers.Cache) كمدخل، راجع [دليل ذاكرة kv](https://huggingface.co/docs/transformers/en/kv_cache). إذا لم يتم تمرير `past_key_values`، فسيتم تهيئة [DynamicCache](/docs/transformers/v5.23.0/ar/internal/generation_utils#transformers.DynamicCache) افتراضيًا. سيُخرج النموذج نفس تنسيق الذاكرة المؤقتة المُدخل. إذا تم استخدام `past_key_values`، يُتوقع من المستخدم إدخال `input_ids` غير المعالجة فقط (تلك التي لم تُعطَ حالات مفاتيح وقيم سابقة لها في هذا النموذج) بأبعاد `(batch_size, unprocessed_length)` بدلاً من جميع `input_ids` بأبعاد `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` من الشكل `(batch_size, sequence_length, hidden_size)`، *اختياري*) : بدلاً من تمرير `input_ids`، يمكنك اختيار تمرير تمثيل مضمّن مباشرةً. هذا مفيد إذا كنت ترغب في الحصول على مزيد من التحكم في كيفية تحويل فهارس `input_ids` إلى المتجهات المرتبطة بها، مقارنةً بمصفوفة البحث المضمّنة الداخلية للنموذج.

use_cache (`bool`، *اختياري*) : إذا تم ضبطه على `True`، تُعاد حالات المفاتيح والقيم `past_key_values` ويمكن استخدامها لتسريع فك الترميز (انظر `past_key_values`).

**يعيد:** [BaseModelOutputWithPast](/docs/transformers/v5.23.0/ar/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) أو `tuple(torch.Tensor)`

[BaseModelOutputWithPast](/docs/transformers/v5.23.0/ar/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) أو مجموعة من `torch.Tensor` (إذا تم تمرير `return_dict=False` أو عندما يكون `config.return_dict=False`) تتكون من عناصر مختلفة اعتماداً على الإعداد ([PocketTTSConfig](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSConfig)) والمدخلات.

تتجاوز طريقة [PocketTTSModel](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSModel) الخاصة بالتقديم (forward) الطريقة الخاصة `__call__`.

على الرغم من أنه يجب تعريف وصفة المرور الأمامي داخل هذه الدالة، إلا أنه ينبغي استدعاء كائن `Module` بدلاً من هذه الدالة، لأن الكائن يتولى تنفيذ خطوات المعالجة المسبقة والمعالجة اللاحقة، بينما تتجاهل الدالة هذه الخطوات بصمت.

- **last_hidden_state** (`torch.Tensor` من الشكل `(batch_size, sequence_length, hidden_size)`) -- تسلسل من حالات الإخفاء (hidden-states) عند مخرج الطبقة الأخيرة من النموذج.

  إذا تم استخدام `past_key_values`، فإن الحالة المخفية الأخيرة فقط من التسلسلات ذات الشكل `(batch_size, 1, hidden_size)` هي التي تُخرج.
- **past_key_values** (`Cache`، *اختياري*، يُعاد عند تمرير `use_cache=True` أو عند تعيين `config.use_cache=True`) -- هو كائن من نوع [Cache](/docs/transformers/v5.23.0/ar/internal/generation_utils#transformers.Cache). لمزيد من التفاصيل، راجع [دليل ذاكرة kv](https://huggingface.co/docs/transformers/en/kv_cache).

  تحتوي على حالات مخفية محسوبة مسبقًا (المفاتيح والقيم في كتل الانتباه الذاتي، وفي كتل الانتباه المتقاطع اختياريًا إذا كان `config.is_encoder_decoder=True`) يمكن استخدامها (انظر مدخل `past_key_values`) لتسريع فك الترميز التسلسلي.
- **hidden_states** (`tuple(torch.Tensor)`، *اختياري*، يُعاد عند تمرير `output_hidden_states=True` أو عند تعيين `config.output_hidden_states=True`) -- مجموعة من `torch.Tensor` (واحدة لمخرجات التضمينات، إذا كان النموذج يحتوي على طبقة تضمين، + واحدة لمخرجات كل طبقة) بأبعاد `(batch_size, sequence_length, hidden_size)`.

  حالات النموذج المخفية عند مخرج كل طبقة بالإضافة إلى مخرجات التضمين الأولي الاختيارية.
- **attentions** (`tuple(torch.Tensor)`، *اختياري*، يُعاد عند تمرير `output_attentions=True` أو عند تعيين `config.output_attentions=True`) -- مجموعة من `torch.Tensor` (واحدة لكل طبقة) بأبعاد `(batch_size, num_heads, sequence_length, sequence_length)`.

  أوزان الانتباه بعد تطبيق دالة softmax على الانتباه، وتُستخدم لحساب المتوسط الموزون في رؤوس الانتباه الذاتي.

## PocketTTSForConditionalGeneration[[transformers.PocketTTSForConditionalGeneration]]

#### transformers.PocketTTSForConditionalGeneration[[transformers.PocketTTSForConditionalGeneration]]

```python
transformers.PocketTTSForConditionalGeneration(config: PocketTTSConfig)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/modeling_pocket_tts.py#L672)

**المعاملات:**

config ([PocketTTSConfig](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSConfig)) : فئة إعدادات النموذج التي تحتوي على جميع معاملات النموذج. عند التهيئة باستخدام ملف إعدادات، لا يتم تحميل الأوزان المرتبطة بالنموذج، بل الإعدادات فقط. راجع طريقة [from_pretrained()](/docs/transformers/v5.23.0/ar/main_classes/model#transformers.PreTrainedModel.from_pretrained) لتحميل أوزان النموذج.

نموذج تحويل النص إلى كلام Pocket TTS: العمود الفقري، ورأس التدفق الذي يستخرج كامنًا صوتيًا واحدًا في كل خطوة، ورأس نهاية الكلام. يقوم بتوليد كامنات مُرمِّز الصوت، والتي يقوم المُعالج بفك ترميزها إلى صوت بتردد 24 كيلو هرتز.

يرث هذا النموذج من [PreTrainedModel](/docs/transformers/v5.23.0/ar/main_classes/model#transformers.PreTrainedModel). راجع توثيق الفئة الأصلية لمعرفة الطرق العامة التي تنفذها المكتبة لجميع نماذجها (مثل التنزيل أو الحفظ، وتغيير حجم تضمينات الإدخال، وقص الرؤوس، وما إلى ذلك).

هذا النموذج هو أيضاً فئة فرعية من [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) في PyTorch. استخدمه كوحدة PyTorch عادية، وارجع إلى توثيق PyTorch لكل ما يتعلق بالاستخدام العام والسلوك.

#### forward[[transformers.PocketTTSForConditionalGeneration.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, audio_prompt_latents: typing.Optional[torch.Tensor] = None, audio_prompt_latents_mask: typing.Optional[torch.Tensor] = None, audio_latents: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.Tensor] = None, labels_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/modeling_pocket_tts.py#L702)

**المعاملات:**

input_ids (`torch.LongTensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : فهارس رموز تسلسل الإدخال في قاموس الكلمات. سيتم تجاهل الحشو افتراضيًا. يمكن الحصول على الفهارس باستخدام [AutoTokenizer](/docs/transformers/v5.23.0/ar/model_doc/auto#transformers.AutoTokenizer). راجع [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ar/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) و [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ar/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) للتفاصيل. [ما هي معرّفات الإدخال؟](../glossary#input-ids)

audio_prompt_latents (`torch.Tensor` من الشكل `(batch_size, num_prompt_frames, latent_dim)`، *اختياري*) : متجهات الكامنة (Latents) لـ Voice-prompt الخاصة بمشفر الصوت (audio tokenizer)، مع حشو يميني (right-padded)، وموزعة في مواضع `audio_prompt_token_id`.

audio_prompt_latents_mask (`torch.Tensor` من الشكل `(batch_size, num_prompt_frames)`، *اختياري*) : قناع لإطارات الصوت (`1`) على عكس الحشو (`0`) في `audio_prompt_latents`.

audio_latents (`torch.Tensor` من الشكل `(batch_size, num_latents, latent_dim)`، *اختياري*) : كامنات صوتية مُطبَّعة، موزَّعة في مواضع `audio_latent_token_id`.

labels (`torch.Tensor` من الشكل `(batch_size, num_frames, latent_dim)`، *اختياري*) : الكامنات المستهدفة لمُرمِّز الصوت (التدريب)، مع حشو يميني. ينتهي موجه كل صف بموضع `audio_bos_token_id` يليه موضع `audio_latent_token_id` واحد لكل إطار: يغذّي النموذج الأهداف المُطبَّعة (إجبار المعلم)، ويطبّق خسارة التدفّق على مخرجات BOS وجميع الإطارات باستثناء الأخير، والتي تتنبأ بالإطارات، ويطبّق خسارة نهاية الكلام على جميعها، حيث يكون الأخير نهاية الكلام.

labels_mask (`torch.Tensor` من الشكل `(batch_size, num_frames)`، *اختياري*) : قناع إطارات الهدف لكل صف (`1`) مقابل الحشو (`0`) في `labels`.

attention_mask (`torch.Tensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : قناع لتجنب تنفيذ الانتباه على فهارس رموز الحشو. قيم القناع المختارة من `[0, 1]`: - 1 للرموز التي **ليست مقنّعة**، - 0 للرموز التي **مقنّعة**.  [ما هي أقنعة الانتباه؟](../glossary#attention-mask)

position_ids (`torch.LongTensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : فهارس مواضع رموز كل تسلسل إدخال في تضمينات المواضع. يتم اختيارها من النطاق `[0, config.n_positions - 1]`.  [ما هي معرّفات المواضع؟](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`، *اختياري*) : حالات مخفية محسوبة مسبقًا (المفاتيح والقيم في كتل الانتباه الذاتي وكتل الانتباه المتقاطع) يمكن استخدامها لتسريع فك الترميز التسلسلي. يتكوّن هذا عادةً من `past_key_values` التي يعيدها النموذج في مرحلة سابقة من فك الترميز، عندما يكون `use_cache=True` أو `config.use_cache=True`. يُسمح فقط بتمرير كائن [Cache](/docs/transformers/v5.23.0/ar/internal/generation_utils#transformers.Cache) كمدخل، راجع [دليل ذاكرة kv](https://huggingface.co/docs/transformers/en/kv_cache). إذا لم يتم تمرير `past_key_values`، فسيتم تهيئة [DynamicCache](/docs/transformers/v5.23.0/ar/internal/generation_utils#transformers.DynamicCache) افتراضيًا. سيُخرج النموذج نفس تنسيق الذاكرة المؤقتة المُدخل. إذا تم استخدام `past_key_values`، يُتوقع من المستخدم إدخال `input_ids` غير المعالجة فقط (تلك التي لم تُعطَ حالات مفاتيح وقيم سابقة لها في هذا النموذج) بأبعاد `(batch_size, unprocessed_length)` بدلاً من جميع `input_ids` بأبعاد `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` من الشكل `(batch_size, sequence_length, hidden_size)`، *اختياري*) : بدلاً من تمرير `input_ids`، يمكنك اختيار تمرير تمثيل مضمّن مباشرةً. هذا مفيد إذا كنت ترغب في الحصول على مزيد من التحكم في كيفية تحويل فهارس `input_ids` إلى المتجهات المرتبطة بها، مقارنةً بمصفوفة البحث المضمّنة الداخلية للنموذج.

use_cache (`bool`، *اختياري*) : إذا تم ضبطه على `True`، تُعاد حالات المفاتيح والقيم `past_key_values` ويمكن استخدامها لتسريع فك الترميز (انظر `past_key_values`).

**يعيد:** `PocketTTSOutputWithPast` أو `tuple(torch.Tensor)`

`PocketTTSOutputWithPast` أو مجموعة مرتبة من `torch.Tensor` (إذا تم تمرير `return_dict=False` أو عندما يكون `config.return_dict=False`) وتتضمن عناصر مختلفة اعتماداً على الإعداد ([PocketTTSConfig](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSConfig)) والمدخلات.

تُعيد طريقة [PocketTTSForConditionalGeneration](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSForConditionalGeneration) الخاصة بالتقديم (forward) تعريف الطريقة الخاصة `__call__`.

على الرغم من أنه يجب تعريف وصفة المرور الأمامي داخل هذه الدالة، إلا أنه ينبغي استدعاء كائن `Module` بدلاً من هذه الدالة، لأن الكائن يتولى تنفيذ خطوات المعالجة المسبقة والمعالجة اللاحقة، بينما تتجاهل الدالة هذه الخطوات بصمت.

- **loss** (`torch.Tensor` of shape `()`, *اختياري*, يُعاد عند تمرير `labels`) -- خسارة التدريب: خسارة تدفق LSD لللاتنتات المستهدفة بالإضافة إلى `config.eos_loss_weight` مضروبة في خسارة نهاية الكلام.
- **logits** (`torch.Tensor` من الشكل `(batch_size, sequence_length, 1)`) -- قيم logits لنهاية الكلام، قيمة واحدة لكل موضع.
- **past_key_values** (`Cache`، *اختياري*، يُعاد عند تمرير `use_cache=True` أو عند تعيين `config.use_cache=True`) -- هو كائن من نوع [Cache](/docs/transformers/v5.23.0/ar/internal/generation_utils#transformers.Cache). لمزيد من التفاصيل، راجع [دليل ذاكرة kv](https://huggingface.co/docs/transformers/en/kv_cache).

  تحتوي على حالات مخفية محسوبة مسبقًا (المفاتيح والقيم في كتل الانتباه الذاتي) يمكن استخدامها (انظر مدخل `past_key_values`) لتسريع فك الترميز التسلسلي.
- **hidden_states** (`tuple(torch.Tensor)`، *اختياري*، يُعاد عند تمرير `output_hidden_states=True` أو عند تعيين `config.output_hidden_states=True`) -- مجموعة من `torch.Tensor` (واحدة لمخرجات التضمينات، إذا كان النموذج يحتوي على طبقة تضمين، + واحدة لمخرجات كل طبقة) بأبعاد `(batch_size, sequence_length, hidden_size)`.

  حالات النموذج المخفية عند مخرج كل طبقة بالإضافة إلى مخرجات التضمين الأولي الاختيارية.
- **attentions** (`tuple(torch.Tensor)`، *اختياري*، يُعاد عند تمرير `output_attentions=True` أو عند تعيين `config.output_attentions=True`) -- مجموعة من `torch.Tensor` (واحدة لكل طبقة) بأبعاد `(batch_size, num_heads, sequence_length, sequence_length)`.

  أوزان الانتباه بعد تطبيق دالة softmax على الانتباه، وتُستخدم لحساب المتوسط الموزون في رؤوس الانتباه الذاتي.
- **last_hidden_state** (`torch.Tensor` من الشكل `(batch_size, sequence_length, hidden_size)`) -- حالات مخفية مُطبَّعة من الهيكل الأساسي، وهي التي تُشكّل شرط رأس التدفق.

مثال:

```python
>>> from transformers import AutoProcessor, PocketTTSForConditionalGeneration

>>> model = PocketTTSForConditionalGeneration.from_pretrained("eustlb/pocket-tts")

>>> processor = AutoProcessor.from_pretrained("eustlb/pocket-tts")
>>> inputs = processor(text="Hello, my dog is cute", return_tensors="pt")

>>> # generate speech
>>> speech = model(inputs["input_ids"])
```

#### generate[[transformers.PocketTTSForConditionalGeneration.generate]]

```python
generate(inputs: typing.Optional[torch.Tensor] = None, **kwargs)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/generation_pocket_tts.py#L122)

**المعاملات:**

inputs (`torch.LongTensor` من الشكل `(batch_size, sequence_length)`، *اختياري*) : `input_ids` المُعدّة بواسطة [PocketTTSProcessor](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor). يمكن أيضًا تمريرها على شكل `input_ids=`.

kwargs (`dict[str, Any]`، *اختياري*) : `attention_mask`، موجه الصوت (`audio_prompt_latents` و`audio_prompt_latents_mask`، أو ذاكرة مؤقتة لبداية صوتية على شكل `past_key_values`، الأصوات المرفقة، مع موجهات النص فقط)، `frames_after_eos` من المعالج، معاملات التوليد (`do_sample`، `temperature`، `max_new_tokens`، ...)، و`num_flow_steps` و`eos_threshold` و`min_frames_before_eos` الخاصة بـ Pocket TTS، والتي تعتمد افتراضيًا على إعدادات التوليد.

**يعيد:**

[PocketTTSGenerateOutput](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.models.pocket_tts.generation_pocket_tts.PocketTTSGenerateOutput) عند `return_dict_in_generate=True` (إعدادات التوليد الخاصة بالنقاط المحفوظة): `audio_latents` المُكمّلة وقناعها `audio_latents_mask`، والذي يترجمه [PocketTTSProcessor.decode()](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor.decode) كدفعة واحدة. وإلا، قائمة الكامنات المولّدة، حيث يكون لكل عينة متجه `(num_frames, latent_dim)` يُترجم على حدة.

يولّد الكلام. تتجاوز هذه الطريقة [generate()](/docs/transformers/v5.23.0/ar/main_classes/text_generation#transformers.GenerationMixin.generate) لجعل القيمة الافتراضية لـ`max_new_tokens` تساوي ميزانية الإطارات الخاصة بوقت التشغيل الأصلي، وهي `ceil((num_text_tokens / 3 + 2) * frame_rate)` لأطول نص في الدفعة. أما كل ما عدا ذلك فيمر عبر خطافات التوليد العادية.

#### sample_latent[[transformers.PocketTTSForConditionalGeneration.sample_latent]]

```python
sample_latent(condition: Tensor, noise: Tensor, num_flow_steps: int)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/modeling_pocket_tts.py#L807)

**المعاملات:**

condition (`torch.Tensor` من الشكل `(batch_size, hidden_size)`) : حالة الخلفية المخفية (hidden state) للموضع الذي يتم توليده.

noise (`torch.Tensor` من الشكل `(batch_size, latent_dim)`) : ضوضاء غاوسية مُقيَّسة بواسطة `sqrt(temperature)`، أو أصفار.

num_flow_steps (`int`) : عدد خطوات أويلر لمُعيّن LSD (تُتجاهل من قبل الرأس المنجرف، الذي يتطلب استدعاءً واحداً).

**يعيد:** `torch.Tensor` من الشكل `(batch_size, latent_dim)`

الكامنة المُستخرجة، في الفضاء المُعايَر.

يُجري عيّنةً على الحالة الكامنة التالية من `noise` باستخدام رأس التدفق.

#### denormalize_latents[[transformers.PocketTTSForConditionalGeneration.denormalize_latents]]

```python
denormalize_latents(audio_latents: Tensor)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/modeling_pocket_tts.py#L854)

تُحوّل الكامنات من الفضاء المُعايَر لرأس التدفق إلى فضاء مُرمّز الصوت.

## PocketTTSGenerateOutput[[transformers.models.pocket_tts.generation_pocket_tts.PocketTTSGenerateOutput]]

#### transformers.models.pocket_tts.generation_pocket_tts.PocketTTSGenerateOutput[[transformers.models.pocket_tts.generation_pocket_tts.PocketTTSGenerateOutput]]

```python
transformers.models.pocket_tts.generation_pocket_tts.PocketTTSGenerateOutput(sequences: LongTensor, scores: tuple[torch.Tensor] | None = None, logits: tuple[torch.Tensor] | None = None, attentions: tuple[tuple[torch.Tensor]] | None = None, hidden_states: tuple[tuple[torch.Tensor]] | None = None, past_key_values: transformers.cache_utils.Cache | None = None, audio_latents: typing.Optional[torch.Tensor] = None, audio_latents_mask: typing.Optional[torch.LongTensor] = None)
```

[المصدر](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/pocket_tts/generation_pocket_tts.py#L40)

**المعاملات:**

sequences (`torch.LongTensor` من الشكل `(batch_size, sequence_length)`) : معرّفات رموز الموجّه تليها رمز `audio_latent_token_id` واحد لكل إطار مُولَّد. الصوت نفسه موجود في `audio_latents`.

scores (`tuple(torch.Tensor)` *اختياري*، يُعاد عند `output_scores=True`) : قيمة اللوجيت (logit) الخاصة بنهاية الكلام لكل إطار مُولَّد، مع وجود متجه واحد من الشكل `(batch_size,)` لكل إطار.

logits (`tuple(torch.Tensor)` *اختياري*، يُعاد عند `output_logits=True`) : نفس `scores`: لا يحتوي Pocket TTS على مفردات، لذا لا يوجد شيء للمعالجة بين الاثنين.

attentions (`tuple(tuple(torch.Tensor))`، *اختياري*، يُعاد عند `output_attentions=True`) : مجموعة (عنصر واحد لكل إطار مُولَّد) من المجموعات (عنصر واحد لكل طبقة) من `torch.Tensor` بشكل `(batch_size, num_heads, generated_length, sequence_length)`.

hidden_states (`tuple(tuple(torch.Tensor))`، *اختياري*، يُعاد عند `output_hidden_states=True`) : مجموعة (عنصر واحد لكل إطار مُولَّد) من المجموعات (عنصر واحد لكل طبقة) من `torch.Tensor` بشكل `(batch_size, generated_length, hidden_size)`.

past_key_values (`Cache`، *اختياري*، يُعاد عند `use_cache=True`) : ذاكرة التخزين المؤقت للمفاتيح/القيم (key/value) للعمود الفقري (backbone) في نهاية التوليد.

audio_latents (`torch.Tensor` من الشكل `(batch_size, num_frames, latent_dim)`) : الكامنات المولّدة، في فضاء الكامنات الخاص بمشفر الصوت، مع ملء صفر في النهاية بعد إطارات كل عينة. يحوّل [PocketTTSProcessor.decode()](/docs/transformers/v5.23.0/ar/model_doc/pocket_tts#transformers.PocketTTSProcessor.decode) هذه الكامنات إلى موجات صوتية.

audio_latents_mask (`torch.LongTensor` من الشكل `(batch_size, num_frames)`) : قناع إطارات كل عينة (`1`)، بما في ذلك إطار نهاية الكلام والإطارات التي تليه، على عكس الحشو (`0`).

المخرجات لـ`PocketTTSForConditionalGeneration.generate`.

