LTXV オーディオビデオマスク(LTXVAudioVideoMask)

説明

指定された時間範囲に基づいて、ビデオとオーディオの潜在変数にノイズマスクを作成します。生成されたマスクは、サンプリング中にどの時間領域を再生成すべきかを示します。マスクされた領域内では新しいコンテンツが生成され、変更されていない領域は保持されます。これは、ビデオ潜在系列またはオーディオ潜在系列に局所的な編集を加える場合、例えば特定のセグメントを置き換えて残りをそのまま残す場合などに便利です。

入力

出力

両方の出力は、noise_maskキーを含むComfyUIのスタンダードな潜在辞書です。マスクはバイナリテンソルで、1は再生成すべき領域、0は保持すべき領域を示します。

使用上の注意

• video_latentまたはaudio_latentの少なくとも1つを接続する必要があります。片方のみが提供された場合、対応する出力のみ意味のあるサンプルデータを含み、もう一方の出力はマスクのみの潜在変数になります。
• 時間値は秒単位で、提供されたvideo_fpsを使用してフレームインデックスに変換されます。この変換では、潜在変数の時間次元が指定されたfpsにおける（フレーム数）に対応すると仮定します。オーディオ潜在変数の場合も同じfps値を使用して、マスクをオーディオ潜在変数の時間構造に合わせます。
• max_length設定は、出力潜在変数が指定された終了時間に合わせてサイズ変更（切り詰めまたはパディング）されるかどうかを決定します。partialの場合は潜在変数はオリジナルの長さを保持し、マスクは要求された範囲のみをカバーします。
• 入力潜在変数に既にnoise_maskが含まれている場合（例えば前のノードから）、existing_mask_modeが新しいマスクとの結合方法を制御します。デフォルトのaddは累積的なマスク領域の構築に便利です。overwriteはマスクを完全に置き換え、subtractは以前にマスクされた領域を「消去」するために使用できます。
• このノードはLTXVベースのモデルで使用することを目的としており、ComfyUIのKJNodes/ltxvカテゴリに属します。