Update api/ltx_server_refactored.py

api/ltx_server_refactored.py

@@ -9,6 +9,8 @@ import json
 import numpy as np
 import random
 import os
+import io
+
 import shlex
 import yaml
 from typing import List, Dict
@@ -209,6 +211,13 @@ class VideoService:
         print(f"[DEBUG] Vídeo salvo em: {final_path}")
         return final_path
 
+    def load_tensor(caminho):
+        if isinstance(caminho, (bytes, bytearray)):
+            return torch.load(io.BytesIO(caminho))
+        return torch.load(caminho)
+
+
+
     # ==============================================================================
     # --- FUNÇÕES MODULARES COM A LÓGICA DE CHUNKING SIMPLIFICADA ---
     # ==============================================================================
@@ -338,7 +347,7 @@ class VideoService:
                 log_tensor_info(latents_bruto, f"Latente Bruto Gerado para: '{prompt[:40]}...'")
         
             print("-" * 20 + " FIM: _generate_single_chunk_low " + "-"*20)
-            return tensor_path_cpu
+            return latents_cpu_bruto
         except Exception as e:
             print("-" * 20 + f" ERRO: _generate_single_chunk_low {e} " + "-"*20)
         finally:
@@ -427,8 +436,14 @@ class VideoService:
                 initial_latent_condition=condition_item_latent_overlap, image_conditions=current_image_conditions,
                 ltx_configs_override=ltx_configs_override
             )
+
+
+
+            #latent_path_bufer = load_tensor(latent_path)
+            #final_latents = torch.cat(lista_tensores, dim=2).to(self.device)
+
         
-            latentes_bruto = torch.load(latent_path).to("cpu")
+            latentes_bruto = latent_path #torch.load(latent_path_bufer).to("cpu")
 
             #poda inicio overlap
             if i > 0 and poda_latents_num > 0:
@@ -451,9 +466,7 @@ class VideoService:
         print("\n--- Finalizando Narrativa: Concatenando chunks ---")
         
         # Carrega cada tensor do disco
-        lista_tensores = [torch.load(caminho) for caminho in lista_patch_latentes_chunk]
-        
-        # Concatena ao longo da dimensão de frames (dim=2)
+        lista_tensores = [load_tensor(c) for c in lista_patch_latentes_chunk]
         final_latents = torch.cat(lista_tensores, dim=2).to(self.device)
         log_tensor_info(final_latents, "Tensor de Latentes Final Concatenado")