# ترکیب AV Latent

این گره یک لاتنت ویدیویی و یک لاتنت صوتی را در یک لاتنت ترکیبی صوتی-تصویری (AV) واحد ادغام می‌کند که برای مدل‌های AV مانند LTXV یا MiniMax H3 آماده است. اگر ورودی ویدیو از قبل یک لاتنت AV باشد، جریان ویدیویی آن حفظ می‌شود و فقط جریان صوتی با لاتنت صوتی ارائه‌شده جایگزین می‌گردد.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `لاتنت ویدیو` | نمایش لاتنت داده‌های ویدیویی. وقتی این لاتنت از قبل شامل هر دو جریان ویدیو و صدا باشد، گره جریان ویدیویی آن را حفظ کرده و صدا را از `audio_latent` جایگزین می‌کند. | LATENT | بله |  |
| `لاتنت صدا` | نمایش لاتنت داده‌های صوتی. طول آن برای هماهنگی با جریان ویدیویی تنظیم می‌شود: صدای طولانی‌تر کوتاه می‌شود و صدای کوتاه‌تر با صفر پر می‌شود. | LATENT | بله |  |

**نکته:** نمونه‌های هر دو ورودی به‌صورت یک جفت جریان ویدیویی و صوتی در یک تانسور تودرتو ترکیب می‌شوند. اگر هر یک از ورودی‌ها حاوی `noise_mask` باشد، خروجی شامل یک ماسک ترکیبی خواهد بود؛ ماسک مفقود با ماسک تمام‌یک‌هایی با شکل متناسب با نمونه‌هایش جایگزین می‌شود. وقتی صدای کوتاه‌تر پد می‌شود، ناحیه پدگذاری‌شده بدون ماسک باقی می‌ماند تا مدل بتواند آن را تولید کند. اگر لاتنت صوتی نتواند در قالب لاتنت ویدیویی جای بگیرد، گره خطا برمی‌انگیزد؛ برای مثال، وقتی دو لاتنت در بیش از یک بُعد اختلاف داشته باشند یا در ابعاد دسته (batch) یا کانال‌ها تفاوت داشته باشند.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `لاتنت` | یک لاتنت حاوی نمونه‌های ویدیو و صدا که به‌صورت دو جریان بسته‌بندی شده‌اند، به‌همراه یک `noise_mask` ترکیبی وقتی‌که حداقل یک ورودی آن را فراهم کند. | LATENT |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/LTXVConcatAVLatent/fa.md)

---
**Source fingerprint (SHA-256):** `0231f9db2ce73132d8555fbb33f295b68aa68a0c1c54e4a0c5d2e1f67b5611cb`
