Update api/ltx_server.py

api/ltx_server.py

@@ -584,9 +584,9 @@ class VideoService:
                 if not self.latent_upsampler:
                     raise ValueError("Upscaler espacial não carregado.")
                 
+                # --- PASSO 1: GERAÇÃO DE LATENTES EM BAIXA RESOLUÇÃO ---
                 print("[DEBUG] Multi-escala: Iniciando Passo 1 (geração de latentes base).")
                 
-                # 1. Configurar e executar o primeiro passo
                 first_pass_args = self.config.get("first_pass", {}).copy()
                 first_pass_kwargs = call_kwargs.copy()
                 first_pass_kwargs.update({
@@ -620,20 +620,17 @@ class VideoService:
                 ctx = torch.autocast(device_type="cuda", dtype=self.runtime_autocast_dtype) if self.device == "cuda" else contextlib.nullcontext()
                 with ctx:
                     first_pass_result = self.pipeline(**first_pass_kwargs)
-
-
+                    
                 latents_low_res = first_pass_result.images
-                #latents_low_res = first_pass_result.latents if hasattr(first_pass_result, "latents") else first_pass_result
-                log_tensor_info(latents_low_res, f"Latentes (Passo 1) {latents_low_res}")
+                log_tensor_info(latents_low_res, "Latentes (Passo 1)")
                 
                 del first_pass_result
                 gc.collect()
                 if self.device == "cuda": torch.cuda.empty_cache()
 
-                # 2. Upscale dos latentes
+                # --- PASSO INTERMEDIÁRIO: UPSCALE DOS LATENTES ---
                 print("[DEBUG] Multi-escala: Fazendo upscale dos latentes com latent_upsampler.")
                 with ctx:
-                    # Chamada posicional confirmada pelo código-fonte
                     latents_high_res = self.latent_upsampler(latents_low_res)
                 
                 log_tensor_info(latents_high_res, "Latentes (Pós-Upscale)")
@@ -641,20 +638,16 @@ class VideoService:
                 gc.collect()
                 if self.device == "cuda": torch.cuda.empty_cache()
                 
-                # 3. Configurar e executar o segundo passo
+                # --- PASSO 2: REFINAMENTO EM ALTA RESOLUÇÃO ---
                 print("[DEBUG] Multi-escala: Iniciando Passo 2 (refinamento em alta resolução).")
                 second_pass_args = self.config.get("second_pass", {}).copy()
                 second_pass_kwargs = call_kwargs.copy()
 
-                # ==================== LÓGICA DE DIMENSÃO FINAL ====================
-                # As dimensões do Passo 2 DEVEM ser o dobro das dimensões do Passo 1,
-                # para corresponder à saída do upsampler.
                 height_p2 = height_p1 * 2
                 width_p2 = width_p1 * 2
                 second_pass_kwargs["height"] = height_p2
                 second_pass_kwargs["width"] = width_p2
                 print(f"[DEBUG] Passo 2: Dimensões definidas para {height_p2}x{width_p2} para corresponder ao upscale.")
-                # =================================================================
 
                 second_pass_kwargs.update({
                     "guidance_scale": float(guidance_scale),
@@ -663,17 +656,21 @@ class VideoService:
                     "skip_block_list": second_pass_args.get("skip_block_list"),
                 })
                 
-                schedule_p2 = second_pass_args.get("timesteps") or second_pass_args.get("guidance_timesteps")
-                if schedule_p2:
-                    second_pass_kwargs["timesteps"] = schedule_p2
-                    second_pass_kwargs["guidance_timesteps"] = schedule_p2
-                    
+                strength = second_pass_args.get("strength", second_pass_args.get("denoising_strength", 0.7))
+                second_pass_kwargs["strength"] = strength
+                print(f"[DEBUG] Passo 2: Denoising strength definido para {strength}")
+
+                if "timesteps" in second_pass_kwargs:
+                    del second_pass_kwargs["timesteps"]
+                if "guidance_timesteps" in second_pass_kwargs:
+                    del second_pass_kwargs["guidance_timesteps"]
+
                 second_pass_kwargs["latents"] = latents_high_res
                 
                 with ctx:
                     second_pass_result = self.pipeline(**second_pass_kwargs)
                     
-                latents = second_pass_result.latents if hasattr(second_pass_result, "latents") else second_pass_result
+                latents = second_pass_result.images
                 log_tensor_info(latents, "Latentes Finais (Passo 2)")
                 
             else: