Update api/ltx_server.py

api/ltx_server.py

@@ -743,6 +743,7 @@ class VideoService:
         print(f"[DEBUG] output_type={call_kwargs['output_type']} skip_layer_strategy={call_kwargs['skip_layer_strategy']}")
 
         latents = None
+        latents_list[]
 
         try:
             ctx = torch.autocast(device_type="cuda", dtype=self.runtime_autocast_dtype) if self.device == "cuda" else contextlib.nullcontext()
@@ -794,34 +795,50 @@ class VideoService:
                     del base_latents; gc.collect(); torch.cuda.empty_cache()
 
 
-                    # # --- ETAPA 3: REFINAMENTO DE TEXTURA (SECOND PASS) ---
-                    print("\n--- INICIANDO ETAPA 3: REFINAMENTO DE TEXTURA (SECOND PASS) ---")
                     
-                    second_pass_config = self.config.get("second_pass", {}).copy()
-                    # --- <INÍCIO DA LÓGICA DE CÁLCULO EXATA PARA SECOND PASS> ---
-                    # Usa as dimensões da primeira passagem dobradas, como na pipeline original
-                    second_pass_width = downscaled_width * 2
-                    second_pass_height = downscaled_height * 2
-                    print(f"[DEBUG] Second Pass Dims: Target ({second_pass_width}x{second_pass_height})")
-                    # --- <FIM DA LÓGICA DE CÁLCULO EXATA> --- 
-                    t_pass2 = time.perf_counter()
+                    par = 0
+                    latents_cpu_up = upsampled_latents.detach().to("cpu", non_blocking=True)
+                    torch.cuda.empty_cache()
+                    try:
+                         torch.cuda.ipc_collect()
+                    except Exception:
+                         pass
+                
+                    latents_parts_up = self._dividir_latentes_por_tamanho(latents_cpu_up,4,1)
+                    temp_dir = tempfile.mkdtemp(prefix="ltxv_"); self._register_tmp_dir(temp_dir)
+                    results_dir = "/app/output"; os.makedirs(results_dir, exist_ok=True)
+            
                     
-                    second_pass_kwargs = call_kwargs.copy()
-                    second_pass_kwargs.update({
-                        "output_type": "latent",
-                        "width": second_pass_width,
-                        "height": second_pass_height,
-                        "latents": upsampled_latents, # O tensor upscaled
-                        "guidance_scale": float(guidance_scale),
-                        **second_pass_config
-                    })
-
-                    print(f"[DEBUG] Second Pass: Refinando em {width_padded}x{height_padded}...")
-                    final_latents = self.pipeline(**second_pass_kwargs).images
-                    log_tensor_info(final_latents, "Latentes Finais (Pós-Second Pass)")
-                    print(f"[DEBUG] Second Pass concluída em {time.perf_counter() - t_pass2:.2f}s")
+                    for latents in latents_parts_up:
+               
+                        # # --- ETAPA 3: REFINAMENTO DE TEXTURA (SECOND PASS) ---
+                        print("\n--- INICIANDO ETAPA 3: REFINAMENTO DE TEXTURA (SECOND PASS) ---")
+                
+                        second_pass_config = self.config.get("second_pass", {}).copy()
+                        # --- <INÍCIO DA LÓGICA DE CÁLCULO EXATA PARA SECOND PASS> ---
+                        # Usa as dimensões da primeira passagem dobradas, como na pipeline original
+                        second_pass_width = downscaled_width * 2
+                        second_pass_height = downscaled_height * 2
+                        print(f"[DEBUG] Second Pass Dims: Target ({second_pass_width}x{second_pass_height})")
+                        # --- <FIM DA LÓGICA DE CÁLCULO EXATA> --- 
+                        t_pass2 = time.perf_counter()
                     
-                    latents = final_latents
+                        second_pass_kwargs = call_kwargs.copy()
+                        second_pass_kwargs.update({
+                           "output_type": "latent",
+                           "width": second_pass_width,
+                           "height": second_pass_height,
+                           "latents": upsampled_latents, # O tensor upscaled
+                           "guidance_scale": float(guidance_scale),
+                           **second_pass_config
+                        })
+                    
+                        print(f"[DEBUG] Second Pass: Refinando em {width_padded}x{height_padded}...")
+                        final_latents = self.pipeline(**second_pass_kwargs).images
+                        log_tensor_info(final_latents, "Latentes Finais (Pós-Second Pass)")
+                        print(f"[DEBUG] Second part Pass concluída em {time.perf_counter() - t_pass2:.2f}s")
+                        
+                        latents_list.append(final_latents)
 
                 else: # Geração de etapa única
                     print("\n--- INICIANDO GERAÇÃO DE ETAPA ÚNICA ---")
@@ -835,24 +852,27 @@ class VideoService:
                     log_tensor_info(latents, "Latentes Finais (Etapa Única)")
                     print(f"[DEBUG] Etapa única concluída em {time.perf_counter() - t_single:.2f}s")
 
+                    latents_list.append(latents)
+
             # --- ETAPA FINAL: DECODIFICAÇÃO E CODIFICAÇÃO MP4 ---
             print("\n--- INICIANDO ETAPA FINAL: DECODIFICAÇÃO E MONTAGEM ---")
             
-            latents_cpu = latents.detach().to("cpu", non_blocking=True)
-            torch.cuda.empty_cache()
-            try:
-                torch.cuda.ipc_collect()
-            except Exception:
-                pass
-                
-            latents_parts = self._dividir_latentes_por_tamanho(latents_cpu,4,1)
-            
-            temp_dir = tempfile.mkdtemp(prefix="ltxv_"); self._register_tmp_dir(temp_dir)
-            results_dir = "/app/output"; os.makedirs(results_dir, exist_ok=True)
+            #latents_cpu = latents.detach().to("cpu", non_blocking=True)
+            #torch.cuda.empty_cache()
+            #try:
+            #    torch.cuda.ipc_collect()
+            #except Exception:
+            #    pass
+
+            latents_parts[]
+            for latents in latents_list:
+                latents_parts.append(self._dividir_latentes_por_tamanho(latents_cpu,4,1))
+                temp_dir = tempfile.mkdtemp(prefix="ltxv_"); self._register_tmp_dir(temp_dir)
+                results_dir = "/app/output"; os.makedirs(results_dir, exist_ok=True)
 
+           
             partes_mp4 = []
             par = 0
-            
             for latents in latents_parts:
                 print(f"[DEBUG] Partição {par}: {tuple(latents.shape)}")