এইমাত্র, এআই ভিডিও কিং একটি বড় আপডেট পেল! সোরার বিরুদ্ধে কঠোর পরিশ্রম করে, উইল স্মিথ আরও সুস্বাদুভাবে নুডলস খাচ্ছেন।

OpenAI সম্প্রতি Sora 2 ভিডিও জেনারেশন মডেলটি দুর্দান্ত গতিতে চালু করেছে। এর ঠিক পরেই, Google এর Veo 3.1 আজ একটি বড় আপগ্রেডের সূচনা করেছে।

বিশেষ করে, এবার গুগলের আপগ্রেডে দুটি স্তর অন্তর্ভুক্ত রয়েছে।

প্রথমটি হল কার্যকরী উন্নতি । ভিডিও সম্পাদনার কার্যকারিতা উন্নত করা হয়েছে, এবং ব্যবহারকারীরা এখন ক্লিপগুলিতে আরও বিস্তারিত সমন্বয় করতে পারবেন এবং চূড়ান্ত চিত্রের উপর আরও সুনির্দিষ্ট নিয়ন্ত্রণ রাখতে পারবেন।

আরও গুরুত্বপূর্ণ বিষয় হল, গুগল প্রথমবারের মতো "ভিডিওতে উপাদান", "ফ্রেম থেকে ভিডিও" এবং "এক্সটেন্ড" বৈশিষ্ট্যগুলিতে অডিও যুক্ত করেছে, যা অডিওকে সৃজনশীল প্রক্রিয়ার অংশ করে তুলেছে।

দ্বিতীয়টি হল মডেল স্তরে অগ্রগতি।

আজ প্রকাশিত Veo 3.1 দুটি মূল সূচকে উল্লেখযোগ্য উন্নতি দেখেছে: কিউ ওয়ার্ড বোঝাপড়া এবং অডিও-ভিজ্যুয়াল গুণমান, যা ছবি থেকে ভিডিওতে রূপান্তরকে আরও স্বাভাবিক এবং মসৃণ করে তুলেছে।

সম্পর্কিত পঠন কৃত্রিম বুদ্ধিমত্তার নতুন ভিডিওর রাজা বিশ্বব্যাপী আলোড়ন তুলেছেন, এবং উইল স্মিথ অবশেষে সঠিকভাবে নুডলস খেতে পারছেন (প্রচুর বাস্তব-বিশ্বের ডেমো সহ)

আমরা সকলেই জানি, ভিও ৩-এর ইতিমধ্যেই প্রচুর সম্পাদনা ক্ষমতা রয়েছে – এটি রেফারেন্স চিত্রের মাধ্যমে চরিত্র তৈরির নির্দেশনা দিতে পারে, প্রথম এবং শেষ দুটি ফ্রেম দিয়ে মাঝের বিষয়বস্তু পূরণ করতে পারে এবং ভিডিওর শেষের উপর ভিত্তি করে প্রসারিত করতে পারে।

ভিও ৩.১ এই সমস্ত বিদ্যমান বৈশিষ্ট্যগুলিতে অডিও সমর্থন যোগ করে, যা ব্যবহারকারীদের আরও সম্পূর্ণ পরিস্থিতি তৈরি করতে দেয়। এই বৈশিষ্ট্যগুলি এখনও পরীক্ষামূলক পর্যায়ে রয়েছে এবং গুগল বলেছে যে এটি ব্যবহারকারীর প্রতিক্রিয়ার উপর ভিত্তি করে অপ্টিমাইজ এবং পুনরাবৃত্তি চালিয়ে যাবে।

এখন ব্যবহারকারীরা এই বৈশিষ্ট্যগুলি এভাবে ব্যবহার করতে পারবেন:

১. অক্ষর, বস্তু এবং শৈলী সংজ্ঞায়িত করতে একাধিক রেফারেন্স ছবি ব্যবহার করুন এবং "মেটেরিয়াল টু ভিডিও" ফাংশন এই উপকরণগুলির উপর ভিত্তি করে চূড়ান্ত দৃশ্য তৈরি করবে।

2. বিকল্পভাবে, আপনি একটি শুরু এবং শেষ ফ্রেম প্রদান করতে পারেন এবং "ফ্রেম থেকে ভিডিও" ফাংশনটিকে মাঝখানে একটি নিরবচ্ছিন্ন রূপান্তর তৈরি করতে দিতে পারেন, যা বিশেষ করে শৈল্পিক রূপান্তরের প্রয়োজন এমন প্রকল্পগুলির জন্য কার্যকর।

৩. যদি আপনি একটি দীর্ঘ ভিডিও তৈরি করতে চান, তাহলে "এক্সটেন্ড" ফাংশনটি এক মিনিটেরও বেশি সময় ধরে কন্টেন্ট তৈরি করতে পারে, গল্পের ধারাবাহিকতা বজায় রাখার জন্য পূর্ববর্তী অনুচ্ছেদের উপর ভিত্তি করে তৈরি করতে থাকে।

এটি উল্লেখ করার মতো যে, Veo 3 এর টেক্সট-টু-ভিডিও রূপান্তর পূর্বে শুধুমাত্র 720p অনুভূমিক স্ক্রিন আউটপুট সমর্থন করত, কিন্তু উল্লম্ব স্ক্রিন ভিডিও ইন্টারনেট কন্টেন্টের জন্য মূলধারার ফর্ম্যাট হয়ে উঠেছে, তাই Veo 3.1 এখন অনুভূমিক এবং উল্লম্ব 16:9 উভয় ধরণের ভিডিও তৈরি করতে পারে, যা বর্তমান কন্টেন্ট ব্যবহারের অভ্যাসের সাথে আরও সামঞ্জস্যপূর্ণ।
সৃজনশীলতাকে পরিমার্জিত করার জন্য প্রায়শই বারবার পুনরাবৃত্তির প্রয়োজন হয়।

এই বছরের মে মাসে ফ্লো চালু হওয়ার পর থেকে, ব্যবহারকারীরা অ্যাপটিতে ২৭৫ মিলিয়নেরও বেশি ভিডিও তৈরি করেছেন। ব্যবহারকারীদের প্রতিক্রিয়া বিবেচনা করার পর, এই উদ্দেশ্যে ফ্লোতে দুটি নতুন সম্পাদনা বৈশিষ্ট্যের জন্ম হয়েছে:

"নতুন উপাদান সন্নিবেশ করান" ব্যবহারকারীদের যেকোনো সময় কন্টেন্ট যোগ করার সুযোগ দেয় এবং ফ্লো স্বয়ংক্রিয়ভাবে ছায়া এবং আলো পরিচালনা করে, যার ফলে নতুন অংশগুলি প্রাকৃতিকভাবে মূল ছবির সাথে মিশে যায়;

"অবজেক্ট রিমুভ" বৈশিষ্ট্যটি (শীঘ্রই আসছে) অপ্রয়োজনীয় উপাদানগুলি সরিয়ে ফেলতে পারে এবং ধারাবাহিকতা বজায় রাখার জন্য ফ্লো স্বয়ংক্রিয়ভাবে পটভূমি পুনর্নির্মাণ করে। এই দুটি সরঞ্জামের সমন্বয় ভিডিও সম্পাদনা প্রক্রিয়াটিকে আরও নমনীয় করে তোলে।

Veo 3.1 মডেলটি এখন লাইভ এবং ডেভেলপারদের জন্য Gemini API এর মাধ্যমে, এন্টারপ্রাইজ ব্যবহারকারীদের জন্য Vertex AI এর মাধ্যমে এবং নিয়মিত ব্যবহারকারীদের জন্য Gemini অ্যাপের মাধ্যমে উপলব্ধ। Gemini API এবং Vertex AI উভয় ক্ষেত্রেই নতুন বৈশিষ্ট্যগুলি উপলব্ধ।

আমরা Veo-এর ৩টি সবচেয়ে ব্যবহারিক প্রয়োগের দৃশ্যপট অভিজ্ঞতা অর্জন করেছি এবং তৈরি করেছি।

প্রথম-ব্যক্তির দৃষ্টিকোণ থেকে সময় ভ্রমণ, ASMR ফল কাটা, ধাতু, খরগোশের ট্রাম্পোলিন নাইট ভিশন পর্যবেক্ষণ এবং কিছুক্ষণ আগে ভাইরাল হওয়া অন্যান্য ভিডিওগুলি সবই Veo 3 ব্যবহার করে তৈরি করা হয়েছিল।

উদাহরণস্বরূপ, একটি কাচের লেবু তৈরির এই উদাহরণে, প্রম্পটে "হলুদ কাচ দিয়ে তৈরি একটি লেবু, অনুভূমিকভাবে কাটা, একটি কাচের অভ্যন্তর এবং ভিতরে গলিত চকচকে, এবং উপর থেকে মৃদুভাবে আলোকিত" প্রয়োজন।

ভিও ৩ এর আউটপুট ব্যবহারযোগ্য, কিন্তু ভিও ৩.১ "গলিত চকচকে" আরও নির্ভুলতার সাথে রেন্ডার করে।

ই-কমার্সের ক্ষেত্রে, আমরা সরাসরি এটিকে একটি পণ্যের বিজ্ঞাপন তৈরি করতে বলেছিলাম। মনে রাখবেন, একটি সাধারণ টিভিসি (টেলিভিশন বিজ্ঞাপন) ব্র্যান্ডের তথ্য প্রকাশ করতে মাত্র ১৫ সেকেন্ড থেকে ৩০ সেকেন্ড সময় নেয়।

সোরা ২ চিন্তাভাবনার সাথে পণ্যের তথ্যের চীনা অডিও ব্যাখ্যা প্রদান করে, যা আরও ভালোভাবে বোঝার প্রমাণ দেয়। অন্যদিকে, ভিও ৩.১ কেবল সঙ্গীত প্রদান করে, যা সোরা ২ এর মতো সম্পূর্ণ নয়। তবে, ছবির মানের বিচারে, ভিও ৩.১ এর ভিজ্যুয়াল উপস্থাপনা আরও উন্নত এবং বাণিজ্যিক।

আমরা অ্যানিমে জেনারেশনও চেষ্টা করেছিলাম, এবং এবার ভিও ৩.১ এর পারফর্মেন্স বেশ গড়পড়তা ছিল।

স্পষ্টতই, এই ক্ষেত্রে Veo 3.1 এর প্রশিক্ষণ তথ্য যথেষ্ট সমৃদ্ধ নয়, এবং এটি এখনও স্টুডিও ঘিবলির অত্যাধুনিক অ্যানিমেশন শৈলীর তুলনায় অনেক কম। ব্যাখ্যাতীতভাবে অদৃশ্য হয়ে যাওয়া কুকুরটি AI ভুলের একটি ক্লাসিক উদাহরণ।

X নেটিজেন @aisearchio দ্বারা শেয়ার করা উইল স্মিথ নুডল খাওয়ার পরীক্ষার ডেমো সামগ্রিক টেক্সচারকে আরও উচ্চ স্তরে উন্নীত করেছে, উল্লেখযোগ্যভাবে উন্নত নড়াচড়ার মসৃণতা, আলো ও ছায়ার বিবরণ এবং ধসে না পড়ে সমৃদ্ধ অভিব্যক্তি সহ।

সামগ্রিকভাবে, ভিও ৩.১ ছবির মানের এবং বাণিজ্যিক-গ্রেডের কন্টেন্ট তৈরির জন্য যথেষ্ট ব্যবহারযোগ্য, এবং এর বিশদ ব্যাখ্যা করার ক্ষমতা উল্লেখযোগ্যভাবে উন্নত হয়েছে। তবে, অ্যানিমেশন এবং চিত্রের মতো নির্দিষ্ট শৈলীর সঠিকভাবে পুনরুত্পাদন করার ক্ষেত্রে এখনও উন্নতির যথেষ্ট সুযোগ রয়েছে, যার জন্য কঠোর শৈলীর সীমাবদ্ধতা প্রয়োজন।
তবুও, ভিও ৩ থেকে ভিও ৩.১ এবং সোরা থেকে সোরা ২ পর্যন্ত, ভিডিও জেনারেশন মডেলগুলির পুনরাবৃত্তির গতি বেশিরভাগ মানুষের কল্পনাকেও ছাড়িয়ে গেছে।

এই AI ভিডিও জেনারেশন টুলগুলি ধীরে ধীরে পেশাদার টুল থেকে গণ অ্যাপ্লিকেশনে বিকশিত হওয়ার সাথে সাথে, আপনার বন্ধুদের বৃত্তের প্রতিটি বিষয়বস্তু, ছোট ভিডিও প্ল্যাটফর্ম এবং এমনকি সংবাদ উৎসগুলিও AI দ্বারা তৈরি হতে পারে।

এর অর্থ হল, ভবিষ্যতে আপনি যে কোনও কন্টেন্ট দেখবেন তার জন্য একটি অতিরিক্ত নিশ্চিতকরণ পদক্ষেপের প্রয়োজন হবে – তা সে বাস্তব শুটিং থেকে আসুক বা এআই জেনারেশন থেকে আসুক।

লেখক: মো চংইউ

নিবন্ধের ভিডিও লিঙ্ক: https://mp.weixin.qq.com/s/qBOkoWaGF5k7oPCR_H5aqA

#iFaner-এর অফিসিয়াল WeChat পাবলিক অ্যাকাউন্ট অনুসরণ করতে আপনাকে স্বাগতম: iFaner (WeChat ID: ifanr), যেখানে যত তাড়াতাড়ি সম্ভব আরও উত্তেজনাপূর্ণ সামগ্রী আপনার কাছে উপস্থাপন করা হবে।

আইফ্যানর | মূল লিঙ্ক · মন্তব্য দেখুন · সিনা ওয়েইবো