Text-to-image AI: সাধারণ বর্ণনার বাক্য থেকে কম্পিউটার কীভাবে ছবি তৈরি করে?

কল্পনা করুন, আপনি একটি কাগজে লিখলেন: 'বৃষ্টিভেজা বিকেলে একটি পুরোনো কাচের জানালার পাশে বসে ধোঁয়া ওঠা চায়ের কাপ হাতে একটি বিড়াল'। আর সেই লেখাটি কম্পিউটারে প্রবেশ করানোর কয়েক সেকেন্ডের মধ্যেই পর্দায় ভেসে উঠল একটি অসাধারণ শিল্পকর্ম, যা দেখে মনে হবে কোনো দক্ষ চিত্রশিল্পী তেলরঙে পরম মমতায় এঁকেছেন। একসময় যা ছিল কেবল বৈজ্ঞানিক কল্পকাহিনির বিষয়, টেক্সট-টু-ইমেজ (Text-to-Image) কৃত্রিম বুদ্ধিমত্তার কল্যাণে তা এখন আমাদের দৈনন্দিন জীবনের বাস্তবতায় পরিণত হয়েছে। কেবল কয়েকটি সাধারণ বর্ণনামূলক বাক্য লিখে যে কেউ এখন কোনো আঁকাআঁকির পূর্ব অভিজ্ঞতা ছাড়াই ডিজিটাল চিত্র তৈরি করতে পারছেন।

ডিজিটাল ঝিরঝিরে পর্দা থেকে ছবির জন্ম: ডিফিউশন প্রক্রিয়ার জাদু

মিডজার্নি, ডাল-ই (DALL-E) কিংবা স্টেবল ডিফিউশনের মতো বিশ্বখ্যাত এআই সিস্টেমগুলো কীভাবে এই অসম্ভবকে সম্ভব করে? অনেকে ভাবেন কম্পিউটার হয়তো ইন্টারনেটের বিভিন্ন ছবি কেটে জোড়াতালি দিয়ে নতুন ছবি বানায়। কিন্তু বাস্তবে এই প্রক্রিয়া সম্পূর্ণ ভিন্ন এবং অনেক বেশি চমৎকার:

প্রযুক্তিটি মূলত কাজ করে ডিফিউশন মডেল (Diffusion Model) নামক একটি অভিনব কৌশলের ওপর ভিত্তি করে। শুরুতে কম্পিউটার একটি সম্পূর্ণ এলোমেলো, অর্থহীন এবং রঙিন বিন্দুর বিশৃঙ্খল ক্যানভাস তৈরি করে, যাকে বলা হয় ডিজিটাল নয়েজ (Digital Noise)—যেমন পুরোনো আমলের টেলিভিশনের সংযোগ বিচ্ছিন্ন থাকলে পর্দায় সাদা-কালো ঝিরঝির দেখা যেত। এরপর ব্যবহারকারীর লিখিত বর্ণনার অর্থকে একটি গাণিতিক নির্দেশনায় রূপান্তর করা হয়। কম্পিউটার সেই এলোমেলো নয়েজের ভেতর থেকে ধাপে ধাপে অপ্রয়োজনীয় দাগগুলো মুছে ফেলতে থাকে এবং ধীরে ধীরে বর্ণনার সাথে মিল রেখে নিখুঁত ছবির রূপ ফুটিয়ে তোলে। এই প্রক্রিয়াটিকে ভাস্কর্যের সাথে তুলনা করা যায়; যেমন একজন ভাস্কর একটি এবড়োখেবড়ো পাথরের খণ্ড থেকে অপ্রয়োজনীয় অংশ কেটে একটি সুন্দর মূর্তি ফুটিয়ে তোলেন, তেমনি এআই এলোমেলো নয়েজ ছেঁকে অর্থপূর্ণ ছবি তৈরি করে।

সিস্টেমটি কোটি কোটি জোড়া ছবি ও ক্যাপশন বিশ্লেষণ করে এই ক্ষমতা অর্জন করেছে। যেমন সূর্যাস্তের ছবির পাশে লেখা ছিল 'সূর্যাস্ত', বিভিন্ন আলোর ছবির পাশে আলোর ধরন এবং জলরং ছবির পাশে মাধ্যমের নাম উল্লেখ ছিল। এই বিশাল প্রস্তুতি কম্পিউটারকে শিখিয়েছে কোন শব্দের সাথে কোন দৃশ্যমান প্যাটার্নের মিল থাকে। আপনি যখন প্রম্পটে 'জলরং' লেখেন, তখন কম্পিউটার কোনো চেতনা দিয়ে উপলব্ধি করে না জলরং আসলে কী জিনিস; বরং সে লাখ লাখ উদাহরণ থেকে শিখে নিয়েছে যে এই শব্দের সঙ্গে হালকা রঙের বিস্তার, ভেজা কাগজের টেক্সচার এবং নরম প্রান্তের একটি দৃশ্যমান সম্পর্ক থাকে।

লিখিত বর্ণনার (প্রম্পট) বিস্তারিত বিবরণ যেভাবে ফলাফল নিয়ন্ত্রণ করে

আপনার লিখিত বিবরণের সুস্পষ্টতা সরাসরি নির্ধারণ করে ছবিটি কেমন হবে। একটি অস্পষ্ট বর্ণনা সফটওয়্যারকে নিজের ইচ্ছেমতো সিদ্ধান্ত নেওয়ার সুযোগ দেয়, আর সুনির্দিষ্ট বর্ণনা সেই সুযোগ সীমিত করে আপনার কাঙ্ক্ষিত রূপ ফুটিয়ে তোলে:

• অস্পষ্ট সংক্ষিপ্ত প্রম্পট (Prompt): আপনি যদি কেবল লেখেন 'একটি কুকুর', তবে কম্পিউটার সম্পূর্ণ নিজের মতো করে কুকুরের জাত, বসার ভঙ্গি, পেছনের পরিবেশ, দিনের সময় এবং ছবির শৈলী ঠিক করে নেবে।
• সুনির্দিষ্ট বিস্তারিত প্রম্পট: অন্যদিকে যদি লেখেন 'রোদেলা জানালার পাশে শুয়ে থাকা সোনালি রঙের গোল্ডেন রিট্রিভার কুকুর, নরম বিকেলবেলার রোদ, হালকা জলরঙের চিত্রকর্ম', তবে বিষয়বস্তু, মাধ্যমের ধরন, অবস্থান, আলো এবং শৈলী সবকিছু নির্ধারিত থাকে। এর ফলে ছবিটি আপনার আসল ভাবনার অনেক কাছাকাছি পৌঁছায়।

প্রম্পটে অতিরিক্ত শব্দ যোগ করা মানেই কিন্তু ছবি ভালো হওয়া নয়। প্রতিটি সুনির্দিষ্ট শব্দের উদ্দেশ্য হলো এমন একটি সিদ্ধান্ত স্পষ্ট করা, যা না লিখলে কম্পিউটার অন্ধ অনুমানের ওপর ছেড়ে দিত। আধুনিক প্ল্যাটফর্মগুলোর কারিগরি নির্দেশনা অনুযায়ী, সাধারণত ২০ থেকে ৬০ শব্দের বিবরণ শৈল্পিক স্বাধীনতা ও নিয়ন্ত্রণের মধ্যে সবচেয়ে ভালো ভারসাম্য বজায় রাখে। এর চেয়ে খুব বেশি দীর্ঘ প্রম্পট দিলে মডেলটি মূল বিবরণের অগ্রাধিকার গুলিয়ে ফেলতে পারে।

অপ্রত্যাশিত ফলাফল এবং মানুষের সতর্কতার প্রয়োজনীয়তা

এই টুলগুলো অভাবনীয় সৃষ্টিশীলতার পরিচয় দিলেও কিছু সুনির্দিষ্ট ক্ষেত্রে এখনো নিয়মিত ব্যর্থ হয়:

• ছবির ভেতরের লেখা ও সাইনবোর্ড: ছবির ভেতরের কোনো বইয়ের মলাট, সাইনবোর্ড বা পোস্টারের অক্ষরগুলো প্রায়শই অর্থহীন, বিকৃত ও অপাঠ্য প্রতীকে রূপ নেয়।
• শারীরিক অবয়ব ও মানুষের হাত: মানুষের হাত, আঙুল এবং সূক্ষ্ম অঙ্গপ্রত্যঙ্গ নিখুঁতভাবে আঁকা এআইয়ের জন্য একটি বড় দুর্বলতা; আঙুল ছয়টি হওয়া, জোড়া লেগে যাওয়া বা অস্বাভাবিক কোণে বেঁকে থাকা এখনো সাধারণ সমস্যা।
• জ্যামিতিক প্রতিসাম্য ও আলো-ছায়ার নিয়ম: চশমার দুটি ফ্রেমের সমতা, সাইকেলের চাকার নিখুঁত বৃত্ত কিংবা আয়নায় প্রতিফলিত ছায়ার মতো পদার্থবিজ্ঞানের স্বাভাবিক নিয়মগুলোতে প্রায়ই অসামঞ্জস্য দেখা যায়।
• মানব শিল্পীদের সৃষ্টিশীল অধিকার: এই মডেলগুলো মানুষের তৈরি লাখ লাখ আলোকচিত্র ও শিল্পের ওপর প্রশিক্ষিত হওয়ায় শিল্পীদের মেধার মূল্যায়ন ও বাণিজ্যিক ব্যবহারের ক্ষেত্রে নৈতিক দায়িত্বশীলতা বজায় রাখা জরুরি।

যেকোনো তৈরি করা ছবি জনসমক্ষে বা পেশাগত কাজে ব্যবহার করার আগে সবসময় জুম করে খুঁটিনাটি পরীক্ষা করুন। মানুষের হাত, ছবির ভেতরের লেখা এবং আলো-ছায়ার দিক বাস্তবসম্মত কি না তা দেখে নেওয়া এখন ডিজিটাল কনটেন্ট তৈরির একটি সাধারণ সতর্কতা। জেনারেটিভ এআই কেবল শব্দের সাথে দৃশ্যের মেলবন্ধন তৈরি করে মাত্র, বস্তুর বাস্তব জগতের কোনো শারীরিক উপলব্ধি তার নেই; তাই মানুষের সচেতন নজরদারিই চূড়ান্ত মান নিশ্চিত করে।