পড়তে 4 মিনিট
Text-to-video AI: একটি বাক্য লিখে দিলে কম্পিউটার যেভাবে জীবন্ত নড়াচড়া ফুটিয়ে তোলে
30 সেকেন্ডে সারাংশ
টেক্সট-টু-ভিডিও হলো এমন এক ধরণের মেশিন লার্নিং প্রক্রিয়া যেখানে ব্যবহারকারীর লিখিত বর্ণনার ওপর ভিত্তি করে এআই স্থান ও সময়ের গতিবিধি একসাথে হিসাব করে চলন্ত ভিডিও চিত্র তৈরি করে।
কম্পিউটারের একটি টেক্সটবক্সে লিখলেন: "একটি রোবট লাল ছাতা মাথায় দিয়ে বৃষ্টিভেজা নিয়ন আলোর রাস্তায় হাঁটছে।" এন্টার চাপার কয়েক মিনিটের মধ্যে স্ক্রিনে ভেসে উঠল হলিউড চলচ্চিত্রের মতো আলোছায়া ঘেরা এক চলমান জীবন্ত ভিডিও ক্লিপ। রোবটের পায়ে লেগে বৃষ্টির পানি ছিটকে উঠছে, ছাতার গায়ে পানির ফোঁটা গড়িয়ে পড়ছে এবং পেছনের সাইনবোর্ডের আলো রাস্তায় প্রতিফলিত হচ্ছে। আপাতদৃষ্টিতে এটি রূপকথার মতো মনে হলেও, পর্দার আড়ালে কম্পিউটারকে কোটি কোটি গণনার মাধ্যমে স্থান ও সময়ের এক বিশাল ধাঁধা সমাধান করতে হয়। লেখা থেকে ভিডিও তৈরির এই প্রযুক্তিকে বলা হয় টেক্সট-টু-ভিডিও (Text-to-Video AI)।
স্থির ছবি থেকে জীবন্ত ভিডিওর কঠিন উল্লম্ফন
একটি সুন্দর স্থির ছবি আঁকা আর চলমান ভিডিও তৈরি করার মধ্যে আকাশ-পাতাল ব্যবধান রয়েছে। ভিডিও তৈরির মডেলগুলো তৈরি হয় ডিফিউশন প্রযুক্তির (Diffusion Models) ওপর ভিত্তি করে, যা এলোমেলো ডিজিটাল অস্পষ্টতা থেকে ধাপে ধাপে ছবি ফুটিয়ে তোলে। কিন্তু সাধারণ ভিডিও মানে হলো প্রতি সেকেন্ডে চব্বিশটি আলাদা ফ্রেম। কম্পিউটার যদি এক সেকেন্ডের ভিডিওর জন্য চব্বিশটি সম্পূর্ণ আলাদা ছবি আঁকতে যায়, তবে প্রথম ফ্রেমের রোবটের সাথে দ্বিতীয় ফ্রেমের রোবটের চেহারা মিলবে না; হাত-পা ক্রমাগত কাঁপতে থাকবে।
এই জটিলতা দূর করতে বিজ্ঞানীরা এমন এক কৃত্রিম বুদ্ধিমত্তা তৈরি করেছেন যা স্থান ও সময়কে একসাথে কল্পনা করে (স্প্যাশিও-টেম্পোরাল মডেল বা Spatio-Temporal Models)। সফটওয়্যারটির ভেতরে থাকে বিশেষ সময়-নজরদারির স্তর (টেম্পোরাল অ্যাটেনশন লেয়ার বা Temporal Attention Layer)। এর কাজ হলো প্রতিটি মুহূর্তে নজর রাখা যেন রোবটের ছাতার রঙ, হাঁটার গতি ও ক্যামেরার কোণ এক ফ্রেম থেকে পরের ফ্রেমে হুবহু সামঞ্জস্যপূর্ণ থাকে।
ঘূর্ণায়মান খেলনার চাকার ভেতরের ঘোড়ার গল্প
সিনেমা আবিষ্কারের আগের একটি চমৎকার খেলনার কথা ভাবুন, যার নাম জোয়েট্রোপ। একটি গোল ঢাকনাওয়ালা কৌটার চারপাশে ছোট ছোট ছিদ্র থাকত এবং ভেতরের কাঠে একটি ঘোড়ার দৌড়ানোর বারোটি ছবি আঁকা থাকত।
চিত্রশিল্পী যদি প্রতিটি ঘোড়া আঁকার সময় ঘোড়ার লেজের দৈর্ঘ্য একটু ছোট-বড় করে দিতেন, তবে খেলনাটি জোরে ঘোরালে দেখা যেত ঘোড়ার লেজটি অদ্ভুতভাবে রাবারের মতো বাড়ছে আর কমছে। কিন্তু যখন প্রতিটি ছবি নিখুঁত মাপে ক্রমানুসারে আঁকা হতো, তখনই কেবল ছিদ্র দিয়ে তাকালে মনে হতো একটি জীবন্ত ঘোড়া সত্যিই মাঠে ছুটে চলেছে।
আধুনিক ভিডিও জেনারেটর ঠিক এই খেলনার মতোই কাজ করে। তবে কম্পিউটার কোনো পদার্থবিজ্ঞান বা মহাকর্ষের নিয়ম বোঝে না। এটি কেবল কোটি কোটি ভিডিও দেখে শেখা চাক্ষুষ অনুমানের ওপর নির্ভর করে। ফলে প্রায়ই অদ্ভুত সব ভুল দেখা যায়:
- কাল্পনিক অবাস্তব শরীর (ফ্যান্টম অ্যানাটমি বা Phantom Anatomy): দৌড়ানোর বা নাচার সময় মানুষের হঠাৎ তিনটি পা বা ছয়টি আঙুল ফুটে ওঠা।
- বস্তুর স্থায়িত্ব ভুলে যাওয়া (অবজেক্ট পারমানেন্সের ত্রুটি বা Object Permanence): একটি গাড়ি গাছের আড়ালে চলে যাওয়ার পর গাছ পার হয়ে যখন বেরিয়ে আসে, তখন তার রঙ বদলে সম্পূর্ণ নতুন গাড়িতে পরিণত হয়।
- তরল পদার্থের অস্বাভাবিক আচরণ: গ্লাসে পানি ঢালার সময় পানি গ্লাসের বাইরে না পড়ে বাতাসের মাঝে উড়ে যাওয়া (ফ্লুইড ডায়নামিক্স বা Fluid Dynamics না বোঝার কারণে)।
- পটভূমির অদ্ভুত গলে যাওয়া: পেছনের দূরবর্তী বাড়িঘর বা রাস্তা যেন মোমের মতো ধীরে ধীরে গলতে থাকে।
ইন্টারনেটে কৃত্রিম ভিডিও চেনার সহজ উপায়
ভিডিওটি আসল না কম্পিউটার দিয়ে তৈরি তা ধরতে এই নিয়মগুলো মেনে চলুন:
- ভিডিও থামিয়ে ছোট ছোট খুঁত পরীক্ষা করুন: কোনো অস্বাভাবিক খবর দেখলে ভিডিও পজ করে মানুষের হাত, চোখের তারা ও পেছনের লেখার দিকে মনোযোগ দিয়ে তাকান।
- ভিডিওর অপরিবর্তনযোগ্য ডিজিটাল সনদ যাচাই করুন: খাঁটি সংবাদের ভিডিওতে ডিজিটাল পরিচয়পত্র বা মেটাডেটার বিবরণী (যাকে ক্রিপ্টোগ্রাফিক প্রোভেন্যান্স বা Content Credentials বলা হয়) থাকে যা নকল ভিডিওতে অনুপস্থিত থাকে।
- অবিশ্বাস্য ঘটনার ক্ষেত্রে নির্ভরযোগ্য গণমাধ্যমে খুঁজুন: কোনো অসাধারণ বা অলৌকিক প্রাকৃতিক ঘটনার ভিডিও দেখলে মূলধারার জাতীয় বা আন্তর্জাতিক সংবাদে তার কোনো উল্লেখ আছে কি না তা পরখ করুন।
লেখা থেকে ভিডিও তৈরির ক্ষমতা বিনোদন ও গল্প বলায় এক অভূতপূর্ব বিপ্লব এনে দিয়েছে। কিন্তু এর কারিগরি দুর্বলতা ও সীমানা চিনে রাখাই আমাদেরকে ডিজিটাল জগতে চোখ কান খোলা রেখে সচেতনভাবে চলতে সাহায্য করবে।