Update api/ltx_server.py

api/ltx_server.py

@@ -8,7 +8,7 @@ warnings.filterwarnings("ignore", category=UserWarning)
 warnings.filterwarnings("ignore", category=FutureWarning)
 warnings.filterwarnings("ignore", message=".*")
 
-from huggingface_hub import logging
+from huggingface_hub import logging, hf_hub_download
 
 logging.set_verbosity_error()
 logging.set_verbosity_warning()
@@ -354,6 +354,80 @@ class VideoService:
             return yaml.safe_load(file)
 
     def _load_models(self):
+        """
+        Carrega os modelos de forma inteligente:
+        1. Tenta resolver o caminho do cache local (rápido, sem rede).
+        2. Se o arquivo não for encontrado localmente, baixa como fallback.
+        Garante que o serviço possa iniciar mesmo que o setup.py não tenha sido executado.
+        """
+        t0 = time.perf_counter()
+        LTX_REPO = "Lightricks/LTX-Video"
+
+        print("[DEBUG] Resolvendo caminhos dos modelos de forma inteligente...")
+
+        # --- Função Auxiliar para Carregamento Inteligente ---
+        def get_or_download_model(repo_id, filename, description):
+            try:
+                # hf_hub_download é a ferramenta certa aqui. Ela verifica o cache PRIMEIRO.
+                # Se o arquivo estiver no cache, retorna o caminho instantaneamente (após uma verificação rápida de metadados).
+                # Se não estiver no cache, ela o baixa.
+                print(f"[DEBUG] Verificando {description}: {filename}...")
+                model_path = hf_hub_download(
+                    repo_id=repo_id,
+                    filename=filename,
+                    # Forçar o uso de um cache específico se necessário
+                    cache_dir=os.getenv("HF_HOME_CACHE"),
+                    token=os.getenv("HF_TOKEN")
+                )
+                print(f"[DEBUG] Caminho do {description} resolvido com sucesso.")
+                return model_path
+            except Exception as e:
+                print("\n" + "="*80)
+                print(f"[ERRO CRÍTICO] Falha ao obter o modelo '{filename}'.")
+                print(f"Detalhe do erro: {e}")
+                print("Verifique sua conexão com a internet ou o estado do cache do Hugging Face.")
+                print("="*80 + "\n")
+                sys.exit(1)
+
+        # --- Checkpoint Principal ---
+        checkpoint_filename = self.config["checkpoint_path"]
+        distilled_model_path = get_or_download_model(
+            LTX_REPO, checkpoint_filename, "checkpoint principal"
+        )
+        self.config["checkpoint_path"] = distilled_model_path
+        
+        # --- Upscaler Espacial ---
+        upscaler_filename = self.config["spatial_upscaler_model_path"]
+        spatial_upscaler_path = get_or_download_model(
+            LTX_REPO, upscaler_filename, "upscaler espacial"
+        )
+        self.config["spatial_upscaler_model_path"] = spatial_upscaler_path
+
+        # --- Construção dos Pipelines ---
+        print("\n[DEBUG] Construindo pipeline a partir dos caminhos resolvidos...")
+        pipeline = create_ltx_video_pipeline(
+            ckpt_path=self.config["checkpoint_path"],
+            precision=self.config["precision"],
+            text_encoder_model_name_or_path=self.config["text_encoder_model_name_or_path"],
+            sampler=self.config["sampler"],
+            device="cpu",
+            enhance_prompt=False,
+            prompt_enhancer_image_caption_model_name_or_path=self.config["prompt_enhancer_image_caption_model_name_or_path"],
+            prompt_enhancer_llm_model_name_or_path=self.config["prompt_enhancer_llm_model_name_or_path"],
+        )
+        print("[DEBUG] Pipeline pronto.")
+
+        latent_upsampler = None
+        if self.config.get("spatial_upscaler_model_path"):
+            print("[DEBUG] Construindo latent_upsampler...")
+            latent_upsampler = create_latent_upsampler(self.config["spatial_upscaler_model_path"], device="cpu")
+            print("[DEBUG] Upsampler pronto.")
+            
+        print(f"[DEBUG] _load_models() tempo total={time.perf_counter()-t0:.3f}s")
+        return pipeline, latent_upsampler```
+
+    
+    def _load_models_old(self):
         t0 = time.perf_counter()
         LTX_REPO = "Lightricks/LTX-Video"
         print("[DEBUG] Baixando checkpoint principal...")
@@ -445,7 +519,6 @@ class VideoService:
         return upsampled_latents
         
 
-    
     def _apply_precision_policy(self):
         prec = str(self.config.get("precision", "")).lower()
         self.runtime_autocast_dtype = torch.float32
@@ -853,12 +926,11 @@ class VideoService:
             temp_dir = tempfile.mkdtemp(prefix="ltxv_"); self._register_tmp_dir(temp_dir)
             results_dir = "/app/output"; os.makedirs(results_dir, exist_ok=True)
     
-            latents_parts_up = self._dividir_latentes_por_tamanho(latents_list,15,1)
-
+            
             partes_mp4 = []
             par = 0
             
-            for latents_vae in latents_parts_up:
+            for latents_vae in latents_list:
             
                 latents_cpu_vae = latents_vae.detach().to("cpu", non_blocking=True)
                 torch.cuda.empty_cache()