# Gradium Phonon TTS

## Genel Bakış

Gradium Phonon TTS, [Gradium](https://gradium.ai)'ın cihaz üzerinde çalışan metinden sese dönüştürme model ailesidir ve [Pocket TTS](./pocket_tts) reçetesiyle eğitilmiştir: bir nedensel transformer, ses örneğini ve metni okuduktan sonra, tek adımlı bir akış başlığı aracılığıyla her adımda 12,5 Hz'de bir sürekli 32 boyutlu ses latent'i üretir ve konuşma sonu başlığı, ifadenin ne zaman bittiğine karar verir. Latent'ler, işlemci tarafından tutulan [Pocket TTS audio tokenizer](./pocket_tts_audio_tokenizer) ile 24 kHz ses olarak çözümlenir; bu işlemci, Pocket TTS'nin [PocketTTSProcessor](/docs/transformers/v5.23.0/tr/model_doc/pocket_tts#transformers.PocketTTSProcessor)'udur.

Pocket TTS'den ses koşullandırma yöntemiyle ayrılır: ses istemi, ayrı bir konuşmacı codec'ine ait 512 boyutlu latentlerden oluşur ve öğrenilmiş bir konuşmacı vektörü, her ses latent konumuna eklenir. Konuşmacı codec'i yayınlanmadığından, sesler önceden hesaplanmış latentler olarak gelir (her kontrol noktasının `default-voice.safetensors` dosyası ve [gradium/phonon-voices](https://huggingface.co/gradium/phonon-voices) kataloğu) ve ses tokenleştiricisi yalnızca bir çözücüdür: sesler bir kayıttan klonlanamaz.

| Kontrol Noktası | Parametreler | Diller | Lisans |
|---|---|---|---|
| [gradium/phonon-31m-en](https://huggingface.co/gradium/phonon-31m-en) | 31M | İngilizce | Apache 2.0 |
| [gradium/phonon-40m-en](https://huggingface.co/gradium/phonon-40m-en) | 40M | İngilizce | CC BY-NC 4.0 |
| [gradium/phonon-40m-fr](https://huggingface.co/gradium/phonon-40m-fr) | 40M | Fransızca | CC BY-NC 4.0 |
| [gradium/phonon-40m-de](https://huggingface.co/gradium/phonon-40m-de) | 40M | Almanca | CC BY-NC 4.0 |
| [gradium/phonon-40m-es](https://huggingface.co/gradium/phonon-40m-es) | 40M | İspanyolca | CC BY-NC 4.0 |
| [gradium/phonon-40m-pt](https://huggingface.co/gradium/phonon-40m-pt) | 40M | Portekizce | CC BY-NC 4.0 |
| [gradium/phonon-40m-multilingual](https://huggingface.co/gradium/phonon-40m-multilingual) | 40M | İngilizce, Fransızca, Almanca, İspanyolca, Portekizce | CC BY-NC 4.0 |

Hepsi aynı şekilde yüklenir: kontrol noktalarını değiştirmek, depo kimliğini değiştirmek anlamına gelir.

Bu model [Eustache Le Bihan](https://huggingface.co/eustlb) tarafından katkıda bulunmuştur. Orijinal kod [gradium-ai/xn-ptts](https://github.com/gradium-ai/xn-ptts).

## Kullanım ipuçları

- Girdileri [apply_chat_template()](/docs/transformers/v5.23.0/tr/main_classes/processors#transformers.ProcessorMixin.apply_chat_template) ile hazırlayın: her metin için bir `user` mesajı, sesin yer alacağı boş bir `{"type": "audio"}` öğesi, `processor_kwargs={"audio_prompt_latents": [...]}` içindeki ses latentleri ve `add_generation_prompt=True`.
- Tokenizör, sayıları, miktarları, sembolleri veya adresleri açıkça yazmaz; bkz. [Metin normalizasyonu](#text-normalization).
- `generate`, `audio_latents` ve `audio_latents_mask` değerlerini döndürür; bunları [PocketTTSProcessor.decode()](/docs/transformers/v5.23.0/tr/model_doc/pocket_tts#transformers.PocketTTSProcessor.decode) ile çözümlersiniz.
- Gradium çalışma zamanının yaptığı gibi üretim örnekleri: `temperature` 0.3 (akışın başlangıç gürültüsünün varyansı) ve konuşma sonu logiti `eos_threshold` değerini aştıktan kısa bir süre sonra durur. `do_sample=False` akışı sıfır gürültüden başlatır.
- Model, ağırlıklarının saklandığı bf16 dtype'ında yüklenir; Gradium'ın oradaki çalışma zamanıyla eşleşmesi için CPU'da `dtype=torch.float32` parametresini iletin.
- Uzun metni [PocketTTSProcessor.split_text()](/docs/transformers/v5.23.0/tr/model_doc/pocket_tts#transformers.PocketTTSProcessor.split_text) ile bölün, her parça bir konuşma içersin.

## Kullanım

### Ses

Bir ses, `(num_frames, 512)` boyutunda bir latent tensörüdür. Her checkpoint bir ses içerir (`default-voice.safetensors`) ve [gradium/phonon-voices](https://huggingface.co/gradium/phonon-voices) deposunda her dilde yaklaşık yüz ses daha bulunur; her ses kendi ses kimliği altında yer alır (`voices.jsonl` dosyası adlarını, dillerini ve açıklamalarını listeler). Herhangi bir ses, herhangi bir checkpoint ile kullanılabilir.

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

model_id = "gradium/phonon-31m-en"
processor = AutoProcessor.from_pretrained(model_id, device_map="auto")
model = GradiumPhononTTSForConditionalGeneration.from_pretrained(model_id, device_map="auto")

def load_voice(voice_id):
    """A voice of gradium/phonon-voices, as latents of shape (num_frames, 512)."""
    path = hf_hub_download("gradium/phonon-voices", f"voices/{voice_id}.safetensors")
    return load_file(path)["speaker_wavs"][0].T.float()

# Easton (en-us); the checkpoint's own voice: hf_hub_download(model_id, "default-voice.safetensors")
voice = load_voice("LMDIYE0Oa377Qh6Z")
# an empty `audio` item marks the voice
conversation = [
    {"role": "user", "content": [{"type": "audio"}, {"type": "text", "text": "Hello from Phonon."}]}
]
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, "phonon.wav")
```

### Partiler ve uzun metin

Uzun metinleri parçalara ayırarak, her biri kendi sesiyle birden fazla metni toplu olarak işleyin:

```python
text = (
    "Phonon is a small text-to-speech model that runs on your device. "
    "Long texts are split into sentences, and each chunk is one conversation of the batch."
)
chunks = processor.split_text(text)
texts = chunks + ["And this one is said by another voice."]
voices = [load_voice("LMDIYE0Oa377Qh6Z")] * len(chunks) + [load_voice("NbpkqMVS3CJeq2j8")]
conversations = [
    [{"role": "user", "content": [{"type": "audio"}, {"type": "text", "text": text}]}] for text in texts
]
inputs = processor.apply_chat_template(
    conversations,
    tokenize=True,
    return_dict=True,
    add_generation_prompt=True,
    processor_kwargs={"audio_prompt_latents": voices},
).to(model.device)

outputs = model.generate(**inputs)
audio = processor.decode(outputs.audio_latents, outputs.audio_latents_mask)
processor.save_audio([torch.cat(audio[: len(chunks)]), audio[-1]], ["long.wav", "other.wav"])
```

### Metin normalizasyonu

tokenizer, Gradium çalışma zamanının yaptığı gibi, dil bağımlı olmayan unsurları normalize eder:

| Metin | Tokenizer |
|---|---|
| `“Hello” — it’s here…` | `"Hello" it's here.` |
| `hello (world); see you 🚀` | `Hello, world, see you.` |

Sayıları, miktarları, sembolleri veya adresleri dile bağlı olarak açıkça yazmaz:

| Metin | Tokenizer | Gradium çalışma zamanı |
|---|---|---|
| `It costs $1,234.56.` | `It costs $1,234.56.` | `It costs 1 thousand 234 dollars and 56 cents.` |
| `Write to jean@gradium.ai` | `Write to jean@gradium.ai.` | `Write to jean at gradium dot A-I.` |
| `It is 21°C` | `It is 21°C.` | `It is 21 degrees Celsius.` |

Bunlar için Gradium çalışma zamanının metin normalizasyonunu, [ptts](https://github.com/gradium-ai/xn-ptts)'yi kullanın veya onları açıkça yazın.

## GradiumPhononTTSConfig[[transformers.GradiumPhononTTSConfig]]

#### transformers.GradiumPhononTTSConfig[[transformers.GradiumPhononTTSConfig]]

```python
transformers.GradiumPhononTTSConfig(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 = 4001, hidden_size: int = 768, num_hidden_layers: int = 6, num_attention_heads: int = 12, num_key_value_heads: int | None = None, head_dim: int | None = None, intermediate_size: int = 3072, hidden_act: str = 'gelu', 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 = 5, audio_latent_token_id: int = 6, audio_bos_token_id: int = 4, 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, audio_prompt_dim: int = 512, num_speakers: int = 1, num_speakers_vocab_size: int = 32, num_speakers_embedding_dim: int = 16, duration_delta: float = 0.0, duration_delta_embedding_dim: int = 128, duration_delta_scale: float = 1000.0, duration_delta_max_period: float = 10000.0)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/gradium_phonon_tts/configuration_gradium_phonon_tts.py#L82)

**Parametreler:**

flow_head_config (`Union[GradiumPhononTTSFlowHeadConfig, dict]`, *isteğe bağlı*) : Omurga gizli durumundan her latent'i örnekleyen akış başlığının yapılandırması.

vocab_size (`int`, *isteğe bağlı*, varsayılan `4001`) : Modelin sözlük boyutu. `input_ids` tarafından temsil edilebilecek farklı token sayısını tanımlar.

hidden_size (`int`, *isteğe bağlı*, varsayılan `768`) : Gizli temsillerin boyutu.

num_hidden_layers (`int`, *isteğe bağlı*, varsayılan `6`) : Transformer decoder'ındaki gizli katman sayısı.

num_attention_heads (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.

num_key_value_heads (`int`, *isteğe bağlı*) : Grouped Query Attention uygulamasında kullanılacak key_value başlarının sayısıdır. `num_key_value_heads=num_attention_heads` ise model Multi Head Attention (MHA) kullanır, `num_key_value_heads=1` ise model Multi Query Attention (MQA) kullanır, aksi halde GQA kullanılır. Çok başlı bir checkpoint'i GQA checkpoint'ine dönüştürürken, her grup key ve value başı, o gruptaki tüm orijinal başların ortalama havuzlanması (meanpooling) ile oluşturulmalıdır. Daha fazla ayrıntı için [bu makaleye](https://huggingface.co/papers/2305.13245) göz atın. Belirtilmezse, varsayılan olarak `num_attention_heads` kullanılır.

head_dim (`int`, *isteğe bağlı*) : Dikkat başı boyutu. None ise, varsayılan olarak hidden_size // num_attention_heads değerini alır

intermediate_size (`int`, *isteğe bağlı*, varsayılan `3072`) : MLP temsil boyutu.

hidden_act (`str`, *isteğe bağlı*, varsayılan `gelu`) : Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

layer_norm_eps (`float`, *opsiyonel*, varsayılan 1e-05) : Omurganın katman normalizasyonlarının epsilon değeri.

attention_bias (`bool`, *isteğe bağlı*, varsayılan `False`) : Kendi kendine dikkat (self-attention) sırasında sorgu, anahtar, değer ve çıktı projeksiyon katmanlarında sapma (bias) kullanılıp kullanılmayacağı.

attention_dropout (`float`, *isteğe bağlı*, varsayılan `0.0`) : Dikkat olasılıkları için dropout oranı.

max_position_embeddings (`int`, *isteğe bağlı*, varsayılan `8192`) : Bu modelin kullanılabileceği maksimum dizi uzunluğu.

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *isteğe bağlı*) : RoPE gömme yapılandırma parametrelerini içeren sözlük. Sözlük, `rope_theta` için bir değer içermeli ve daha uzun `max_position_embeddings` ile RoPE kullanmak istiyorsanız ölçekleme için kullanılan parametreleri isteğe bağlı olarak içermelidir.

latent_dim (`int`, *isteğe bağlı*, varsayılan 32) : Omurganın girdi olarak aldığı ses latentlerinin boyutu (`audio_latents`); akış başlığının ve ses belirleyicisinin `latent_dim` değeriyle eşittir.

pad_token_id (`int`, *isteğe bağlı*, varsayılan `3`) : Sözlükte dolgu için kullanılan token kimliği.

bos_token_id (`int`, *isteğe bağlı*) : Sözlükte akış başlangıcı için kullanılan token kimliği.

eos_token_id (`int`, *isteğe bağlı*) : Sözlükte akış sonu için kullanılan token kimliği.

audio_prompt_token_id (`int`, *isteğe bağlı*, varsayılan 5) : `input_ids` içindeki ses-istemi karelerinin yer tutucu token kimliği (`<|audio_prompt|>`).

audio_latent_token_id (`int`, *opsiyonel*, varsayılan 6) : `input_ids` içindeki ses latent konumlarının yer tutucu token kimliği (`<|audio_latent|>`).

audio_bos_token_id (`int`, *opsiyonel*, varsayılan 4) : İsteği kapatan ilk ses konumunun token kimliği: öğrenilmiş BOS latentini barındırır ve ilk kare bundan üretilir (`<|audio_bos|>`).

frame_rate (`float`, *opsiyonel*, varsayılan 12.5) : Saniye başına ses latent sayısı: `generate` varsayılan çerçeve bütçesini buradan türetir.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

use_cache (`bool`, *isteğe bağlı*, varsayılan `True`) : Modelin son anahtar/değer dikkatlerini döndürüp döndürmeyeceğini belirtir (tüm modellerde kullanılmaz). Yalnızca `config.is_decoder=True` olduğunda veya model yalnızca çözücü tabanlı üretken bir model olduğunda geçerlidir.

eos_loss_weight (`float`, *isteğe bağlı*, varsayılan 0.1) : Eğitim kaybında konuşma sonu kaybının ağırlığı.

flow_loss_num_samples (`int`, *isteğe bağlı*, varsayılan 4) : Akış kaybında hedef kare başına gürültü çekme sayısı.

lsd_distill_probability (`float`, *opsiyonel*, varsayılan 0.25) : LSD kaybının öz-distilasyon teriminin her eğitim adımında hesaplanma olasılığı (beklenen kaybı korumak için yeniden ağırlıklandırılmıştır); 1 değeri her adımda hesaplanmasını sağlar.

lsd_diagonal_weight (`float`, *opsiyonel*, varsayılan 0.75) : LSD kaybının çapraz (anlık akış) teriminin ağırlığı; kendinden damıtma terimi kalan kısmı tartar.

lsd_time_logit_mean (`float`, *opsiyonel*, varsayılan 0.4) : LSD kaybının çektiği akış sürelerinin logit-normal dağılımının ortalaması.

lsd_time_logit_std (`float`, *opsiyonel*, varsayılan 1.0) : LSD kaybının çektiği akış sürelerinin logit-normal dağılımının standart sapması.

latent_stats_ema_steps (`int`, *opsiyonel*, varsayılan 1000) : `latent_mean` ve `latent_std`'ın hedef latentlerin üstel hareketli ortalamasını takip ettiği ilk eğitim adımlarının sayısı; 0 bunları dondurur.

latent_stats_ema_decay (`float`, *isteğe bağlı*, varsayılan 0.999) : Bu hareketli ortalamanın sönümleme değeri.

audio_prompt_dim (`int`, *isteğe bağlı*, varsayılan 512) : Ses komutu latentlerinin (`audio_prompt_latents`) boyutu; Gradium'ın konuşmacı codec'inin (ses tokenlaştırıcısının değil, Mimi kodlayıcısının) kuantize edilmemiş latentleri, iskelet bu değerleri `hidden_size` boyutuna yansıtır.

num_speakers (`int`, *isteğe bağlı*, varsayılan 1) : `num_speakers` koşulunun değeri: her ses latent konumuna eklenen arama tablosu satırı.

num_speakers_vocab_size (`int`, *isteğe bağlı*, varsayılan 32) : `num_speakers` arama tablosunun satır sayısı.

num_speakers_embedding_dim (`int`, *isteğe bağlı*, varsayılan 16) : `num_speakers` arama tablosunun genişliği, `hidden_size`'e yansıtılır.

duration_delta (`float`, *isteğe bağlı*, varsayılan 0.0) : `duration_delta` koşulunun değeri, sinüs olarak gömülür ve her ses latent konumuna eklenir.

duration_delta_embedding_dim (`int`, *isteğe bağlı*, varsayılan 128) : `duration_delta`'nın `hidden_size`'e yansıtılan sinüzoidal gömme boyutu.

duration_delta_scale (`float`, *isteğe bağlı*, varsayılan 1000.0) : Sinüsoidal gömme işleminden önce `duration_delta`'ya uygulanan çarpan.

duration_delta_max_period (`float`, *isteğe bağlı*, varsayılan 10000.0) : `duration_delta`'nın sinüzoidal gömme (embedding) periyodunun maksimum değeri.

Bu, bir GradiumPhononTTSModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Gradium Phonon Tts modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılan değerlerle bir yapılandırma örneği oluşturmak, [gradium/phonon-31m-en](https://huggingface.co/gradium/phonon-31m-en) modelinin yapılandırmasına benzer bir yapılandırma elde edilmesini sağlar.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

## GradiumPhononTTSFlowHeadConfig[[transformers.GradiumPhononTTSFlowHeadConfig]]

#### transformers.GradiumPhononTTSFlowHeadConfig[[transformers.GradiumPhononTTSFlowHeadConfig]]

```python
transformers.GradiumPhononTTSFlowHeadConfig(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 = 768, 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)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/gradium_phonon_tts/configuration_gradium_phonon_tts.py#L33)

**Parametreler:**

hidden_size (`int`, *isteğe bağlı*, varsayılan `512`) : Gizli temsillerin boyutu.

num_hidden_layers (`int`, *isteğe bağlı*, varsayılan `6`) : Transformer decoder'ındaki gizli katman sayısı.

latent_dim (`int`, *opsiyonel*, varsayılan 32) : Başın tahmin ettiği sürekli ses latentlerinin boyutu (ses tokenizer'ının latent boyutu).

condition_dim (`int`, *opsiyonel*, varsayılan 768) : Başlığın koşullandığı omurga gizli durumunun boyutu (omurga `hidden_size`).

frequency_embedding_size (`int`, *isteğe bağlı*, varsayılan 256) : Akış zamanlarının sinüzoidal gömme boyutu.

hidden_act (`str`, *isteğe bağlı*, varsayılan `silu`) : Dekoderdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

layer_norm_eps (`float`, *opsiyonel*, varsayılan 1e-06) : Kalıntı blokların içindeki ve son katmandaki katman normalizasyonlarının epsilon değeri.

rms_norm_eps (`float`, *opsiyonel*, varsayılan 1e-05) : Zaman gömmelemelerini kapatan normalizasyonun epsilon değeri.

max_period (`float`, *opsiyonel*, varsayılan 10000.0) : Kontrol noktasının `freqs` olarak sakladığı sinüzoidal zaman gömme (embedding) maksimum periyodu.

flow_type (`str`, *isteğe bağlı*, varsayılan `"lsd"`) : Başlığın eğitildiği amaç, bu da koşullandırılma ve örneklem alma şeklini belirler. `"lsd"` (Lagrangian self-distillation): bir akış adımının başlangıç ve bitiş zamanlarına koşullandırılır, Gauss gürültüsünden Euler adımlarıyla örneklenir. `"drifting"`: zaman koşullandırması yoktur, başlık gürültüyü tek çağrıda latent'e haritalar.

loss_weighting_hidden_size (`int`, *isteğe bağlı*, varsayılan 32) : LSD kayıp terimlerinin akış zamanlarından belirsizlik ağırlıklarını öğrenen MLP'nin genişliği (yalnızca eğitim).

loss_weighting_num_layers (`int`, *isteğe bağlı*, varsayılan 3) : O MLP'nin gizli katman sayısı.

Bu, bir GradiumPhononTTSModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Gradium Phonon Tts modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılan değerlerle bir yapılandırma örneği oluşturmak, [gradium/phonon-31m-en](https://huggingface.co/gradium/phonon-31m-en) modelinin yapılandırmasına benzer bir yapılandırma elde edilmesini sağlar.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

## GradiumPhononTTSModel[[transformers.GradiumPhononTTSModel]]

#### transformers.GradiumPhononTTSModel[[transformers.GradiumPhononTTSModel]]

```python
transformers.GradiumPhononTTSModel(config: GradiumPhononTTSConfig)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/gradium_phonon_tts/modeling_gradium_phonon_tts.py#L393)

**Parametreler:**

config ([GradiumPhononTTSConfig](/docs/transformers/v5.23.0/tr/model_doc/gradium_phonon_tts#transformers.GradiumPhononTTSConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

Gradium Phonon TTS omurgası: ses istemi (konuşmacı-kodlayıcı gizli değişkenleri), metin belirteçleri ve ses gizli değişkenlerinden oluşan tek bir akış üzerinde çalışan nedensel bir transformer; normalize edilmiş gizli durumları döndürür.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.GradiumPhononTTSModel.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'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/gradium_phonon_tts/modeling_gradium_phonon_tts.py#L417)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yoksayılır. İndeksler [AutoTokenizer](/docs/transformers/v5.23.0/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids)

audio_prompt_latents (`torch.Tensor`, şekli `(batch_size, num_prompt_frames, latent_dim)`, *isteğe bağlı*) : Ses işleyicisinin (processor) ses-istemi latentleri (işleyici tarafından kodlanmış veya bir kontrol noktasının `voices/` dizininden alınmış), batch içindeki en uzun sese sağdan doldurulmuş (right-padded) ve `audio_prompt_token_id` konumlarına dağıtılmış.

audio_prompt_latents_mask (`torch.Tensor`, şekli `(batch_size, num_prompt_frames)`, *isteğe bağlı*) : `audio_prompt_latents` içinde dolgu (`0`) ile karşılaştırıldığında ses karelerinin (`1`) maskesi.

audio_latents (`torch.Tensor`, şekli `(batch_size, num_latents, latent_dim)`, *isteğe bağlı*) : `audio_latent_token_id` konumlarına dağıtılmış, normalize edilmiş ses latentleri. Bunlardan önceki, istemi (prompt) kapatan ve ilk çerçevenin üretildiği `audio_bos_token_id` konumu, her zaman öğrenilmiş BOS latentini alır.

audio_latents_mask (`torch.Tensor`, şekli `(batch_size, num_latents)`, *isteğe bağlı*) : Satırlar farklı sayıda latent konum içerdiğinde (eğitim), `audio_latents` içindeki her satırın latentlerinin (`1`) dolgu (`0`) ile karşılaştırıldığında maskesi.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

inputs_embeds (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi tercih edebilirsiniz. Bu, `input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

**Dönüş:** [BaseModelOutputWithPast](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) veya `tuple(torch.Tensor)`

[BaseModelOutputWithPast](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda), yapılandırmaya ([GradiumPhononTTSConfig](/docs/transformers/v5.23.0/tr/model_doc/gradium_phonon_tts#transformers.GradiumPhononTTSConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[GradiumPhononTTSModel](/docs/transformers/v5.23.0/tr/model_doc/gradium_phonon_tts#transformers.GradiumPhononTTSModel) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi.

  `past_key_values` kullanılırsa, yalnızca `(batch_size, 1, hidden_size)` biçimindeki dizilerin son gizli durumu (hidden-state) çıktı olarak verilir.
- **past_key_values** (`Cache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneğidir. Daha fazla ayrıntı için [kv cache kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın.

  Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki anahtar ve değerler ve isteğe bağlı olarak `config.is_encoder_decoder=True` ise cross-attention bloklarındaki anahtar ve değerler) içerir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır.

## GradiumPhononTTSForConditionalGeneration[[transformers.GradiumPhononTTSForConditionalGeneration]]

#### transformers.GradiumPhononTTSForConditionalGeneration[[transformers.GradiumPhononTTSForConditionalGeneration]]

```python
transformers.GradiumPhononTTSForConditionalGeneration(config: GradiumPhononTTSConfig)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/gradium_phonon_tts/modeling_gradium_phonon_tts.py#L693)

**Parametreler:**

config ([GradiumPhononTTSConfig](/docs/transformers/v5.23.0/tr/model_doc/gradium_phonon_tts#transformers.GradiumPhononTTSConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

Gradium Phonon TTS metinden konuşma modeli: omurga, her adımda bir ses latent'i örnekleyen akış başlığı ve konuşma sonu başlığı. İşleyici tarafından 24 kHz ses olarak çözülen ses belirteççi latent'leri üretir.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.GradiumPhononTTSForConditionalGeneration.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'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/gradium_phonon_tts/modeling_gradium_phonon_tts.py#L725)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yoksayılır. İndeksler [AutoTokenizer](/docs/transformers/v5.23.0/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids)

audio_prompt_latents (`torch.Tensor`, şekli `(batch_size, num_prompt_frames, latent_dim)`, *isteğe bağlı*) : Ses tokenleştiricisinin ses-istemi latentleri, sağa dolgu yapılmış, `audio_prompt_token_id` konumlarına dağıtılmış.

audio_prompt_latents_mask (`torch.Tensor`, şekli `(batch_size, num_prompt_frames)`, *isteğe bağlı*) : `audio_prompt_latents` içinde dolgu (`0`) ile karşılaştırıldığında ses karelerinin (`1`) maskesi.

audio_latents (`torch.Tensor`, şekli `(batch_size, num_latents, latent_dim)`, *isteğe bağlı*) : `audio_latent_token_id` konumlarına dağıtılmış, normalize edilmiş ses latentleri.

labels (`torch.Tensor`, şekli `(batch_size, num_frames, latent_dim)`, *isteğe bağlı*) : Ses tokenleyicisinin hedef latentleri (eğitim), sağa doldurulmuş. Her satırın istemi, `audio_bos_token_id` konumuyla biter ve ardından her kare için bir `audio_latent_token_id` konumu gelir: model, normalize edilmiş hedefleri (öğretmen zorlaması) besler, BOS ve son kare hariç tüm karelerin çıktılarını kareleri tahmin etmek için kullanır ve akış kaybını uygular; hepsine konuşma sonu kaybını uygular, sonuncusu konuşmanın sonunu temsil eder.

labels_mask (`torch.Tensor`, şekli `(batch_size, num_frames)`, *isteğe bağlı*) : `labels` içindeki her satırın hedef karelerini (`1`) dolgu (`0`) ile karşılaştıran maskesi.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

inputs_embeds (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi tercih edebilirsiniz. Bu, `input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

**Dönüş:** `GradiumPhononTTSOutputWithPast` veya `tuple(torch.Tensor)`

`GradiumPhononTTSOutputWithPast` veya `torch.Tensor` bir demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda), yapılandırmaya ([GradiumPhononTTSConfig](/docs/transformers/v5.23.0/tr/model_doc/gradium_phonon_tts#transformers.GradiumPhononTTSConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[GradiumPhononTTSForConditionalGeneration](/docs/transformers/v5.23.0/tr/model_doc/gradium_phonon_tts#transformers.GradiumPhononTTSForConditionalGeneration) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

- **loss** (`torch.Tensor`, şekli `()`, *isteğe bağlı*, `labels` geçirildiğinde döndürülür) -- Eğitim kaybı: hedef latentlerin LSD akış kaybı, `config.eos_loss_weight` ile konuşma sonu kaybının çarpımı.
- **logits** (`torch.Tensor`, şekli `(batch_size, sequence_length, 1)`) -- Konuşma sonu logitsleri, her konum için bir adet.
- **past_key_values** (`Cache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneğidir. Daha fazla ayrıntı için [kv cache kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın.

  Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki anahtar ve değerler) içerir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır.
- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Akış başlığını koşullandıran, omurganın normalize edilmiş gizli durumları.

Örnek:

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

>>> model = GradiumPhononTTSForConditionalGeneration.from_pretrained("gradium/phonon-31m-en")

>>> processor = AutoProcessor.from_pretrained("gradium/phonon-31m-en")
>>> inputs = processor(text="Hello, my dog is cute", return_tensors="pt")

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

#### generate[[transformers.GradiumPhononTTSForConditionalGeneration.generate]]

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

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

**Parametreler:**

inputs (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : [PocketTTSProcessor](/docs/transformers/v5.23.0/tr/model_doc/pocket_tts#transformers.PocketTTSProcessor) tarafından hazırlanan `input_ids`. `input_ids=` olarak da geçirilebilir.

kwargs (`dict[str, Any]`, *isteğe bağlı*) : `attention_mask`, ses istemi (`audio_prompt_latents` ve `audio_prompt_latents_mask`, ya da yalnızca metin istemleriyle birlikte gelen seslerin `past_key_values` olarak önbelleği), işlemciden gelen `frames_after_eos`, üretim parametreleri (`do_sample`, `temperature`, `max_new_tokens`, ...) ve Pocket TTS'e özgü `num_flow_steps`, `eos_threshold` ile `min_frames_before_eos`; bunların varsayılan değerleri üretim yapılandırmasından alınır.

**Dönüş:**

[PocketTTSGenerateOutput](/docs/transformers/v5.23.0/tr/model_doc/pocket_tts#transformers.models.pocket_tts.generation_pocket_tts.PocketTTSGenerateOutput), `return_dict_in_generate=True` (checkpoint'lerin üretim yapılandırması) olduğunda: [PocketTTSProcessor.decode()](/docs/transformers/v5.23.0/tr/model_doc/pocket_tts#transformers.PocketTTSProcessor.decode) tarafından bir parti olarak çözümlenen, dolgulu `audio_latents` ve bunların `audio_latents_mask`'i. Aksi halde, üretilen latentlerin listesi; her örnek için bir `(num_frames, latent_dim)` tensörü, her biri kendi başına çözümlenir.

Ses üretir. Bu yöntem, [generate()](/docs/transformers/v5.23.0/tr/main_classes/text_generation#transformers.GenerationMixin.generate) yöntemini geçersiz kılar ve `max_new_tokens` parametresinin varsayılan değerini, parti içindeki en uzun metin için orijinal çalışma zamanının kare bütçesi olan `ceil((num_text_tokens / 3 + 2) * frame_rate)` olarak ayarlar. Diğer her şey, normal üretim kancaları üzerinden işlenir.

