লিখে দিলেই ভিডিও: কম্পিউটার কীভাবে বোঝে কোন জিনিস পড়লে মাটিতে গড়াবে

ভাবুন, আপনার ছোট ভাইয়ের জন্মদিনের জন্য একটা ছোট ভিডিও বানাতে চান। হাতে হয়তো জন্মদিনের একটা স্থির ছবি আছে, কিন্তু সেই মুহূর্তের নড়াচড়া নেই। আপনি লিখে দিলেন: “টেবিলে কেক, মোমবাতির আলো, ধীরে ধীরে ক্যামেরা ডানদিকে ঘুরছে।” কিছুক্ষণ পর স্ক্রিনে ভিডিওটি এল। মোমবাতির শিখা কাঁপছে, ক্যামেরা সত্যিই ঘুরছে। প্রশ্ন হলো, কম্পিউটার জিনিসটা করল কীভাবে?

এখানেই আসে ভিডিও বানানো এআই মডেলের গল্প। ওপেনএআইয়ের ভিডিও মডেল, যা sora.com-এ ব্যবহার করা যায়, এই কাজটি করে। এটি কোনো ভিডিওর ভাণ্ডার থেকে টুকরো খুঁজে জোড়া লাগায় না। বরং অসংখ্য ভিডিও দেখে শেখা গাণিতিক নিয়ম মেনে নতুন ছবি ও নড়াচড়া তৈরি করে।

ভিডিওকে ছোট ছোট টুকরো করে দেখা

একটা ভিডিও আসলে অনেক ছবির সারি, এক সেকেন্ডে কুড়ি-তিরিশটি ফ্রেম। মডেল পুরো ভিডিও একসাথে দেখে না। সে ভিডিওটাকে ছোট ছোট বর্গাকার টুকরোয় ভাগ করে, যাকে বলা হয় প্যাচ। প্রতিটি প্যাচের ভেতরে থাকে রং, আলো আর একটু সময়ের তথ্য। এভাবে ভিডিওটা যেন শব্দের সারিতে বদলে যায়।

ভাষা নিয়ে কাজ করা মডেল যেমন বাক্যের পরের শব্দ অনুমান করে, এই ভিডিও মডেলও তেমনি একগুচ্ছ প্যাচ দেখে পরের প্যাচটি অনুমান করে। এই অনুমানের ভিত্তি হলো ডিফিউশন ট্রান্সফরমার (Diffusion Transformer) নামের একটি পদ্ধতি। সহজ কথায়, মডেল প্রথমে এলোমেলো কুয়াশার মতো কিছু বানায়, তারপর আপনার লেখা বর্ণনা ধরে ধরে সেই কুয়াশা সরিয়ে স্পষ্ট ছবি ফুটিয়ে তোলে।

কম্পিউটার কীভাবে বুঝল বল গড়াবে, কাপ ভাঙবে

এখন আসি আসল প্রশ্নে। মডেল কীভাবে জানে যে টেবিল থেকে বল গড়িয়ে মেঝেতে পড়বে, আর কাচের গ্লাস পড়লে ভেঙে যাবে? এখানে কোনো নিয়ম মুখস্থ করা নেই। বরং লক্ষ লক্ষ ভিডিওতে সে বারবার দেখেছে, ভারী জিনিস পড়ে, গোল জিনিস গড়ায়, আর ভঙ্গুর জিনিস ফেটে যায়। এই পুনরাবৃত্তি থেকে সে একটা আন্দাজ তৈরি করেছে, যাকে বলা হয় বিশ্ব-সিমুলেশন বা দুনিয়ার অনুকরণ।

এই কারণেই মডেল ক্যামেরার নড়াচড়াও বুঝতে পারে। আপনি লিখলে “ক্যামেরা উপরে উঠছে” বা “পেছন থেকে সামনে আসছে”, মডেল সেই নির্দেশ অনুযায়ী দৃশ্যের কোণ বদলায়। চরিত্র যদি পর্দা থেকে বেরিয়ে যায়, তারপর আবার ফিরে আসে, তবুও তার চেহারা ও পোশাক একই থাকে। একে বলা হয় অবজেক্ট পারসিস্টেন্স, অর্থাৎ জিনিসের ধারাবাহিকতা।

• লিখিত বর্ণনা: আপনি লিখে দেন কী দৃশ্য, কী আলো, ক্যামেরা কেমন চলবে।
• স্থির ছবি: চাইলে একটা ছবি দিয়ে সেটাকে নড়াচড়া দিতে পারেন।
• টুকরো টুকরো অনুমান: মডেল প্যাচ ধরে ধরে পরের মুহূর্ত তৈরি করে।
• ধাপে ধাপে স্পষ্টতা: এলোমেলো কুয়াশা থেকে ধীরে ধীরে পরিষ্কার ছবি বেরিয়ে আসে।

যেখানে এখনো হোঁচট খায়

সবকিছু নিখুঁত নয়। জটিল নড়াচড়ায় মডেল কখনো ভুল করে। যেমন কেউ পেছনে হাঁটছে বলে মনে হলো, অথবা কাচ ভাঙল তার আঘাত লাগার আগেই। এ ধরনের ভুল সাধারণত ঘটে যখন একসাথে অনেক জিনিস নড়াচড়া করে বা ঘটনার ধারাবাহিকতা জটিল হয়ে যায়।

আরেকটি গুরুত্বপূর্ণ দিক হলো, তৈরি হওয়া ভিডিওতে প্রমাণের ছাপ যুক্ত করা হয়। এর মধ্যে থাকে দৃশ্যমান ও অদৃশ্য জলছাপ, আর সিটুপিএ (C2PA) নামের মেটাডেটা। এর উদ্দেশ্য, কেউ যেন এই ভিডিওকে বাস্তব ঘটনার প্রমাণ বলে চালিয়ে দিতে না পারে। তবে এই ছাপ থাকলেও ভিডিওটি সত্যি ঘটনা কি না, তা নিজে যাচাই করা জরুরি।

তাই ভিডিওটি দেখে যদি সন্দেহ হয়, মূল ঘটনার অন্য কোনো নির্ভরযোগ্য সূত্র আছে কি না, তা খুঁজে দেখুন। কে বানিয়েছে, কখন বানিয়েছে, এই প্রশ্নগুলোও মাথায় রাখুন। প্রযুক্তি যতই ভালো হোক, মানুষের বিচারবুদ্ধির বিকল্প নেই।