এক্সক্লুসিভ: ইউটিউব প্রকাশ করে কিভাবে এটি আপনাকে এমন ভাষায় কথা বলতে পারে যা আপনি জানেন না 

ভিডিও কন্টেন্ট ইন্ডাস্ট্রি বর্তমানে একটি ইনফ্লেশান পয়েন্টে রয়েছে তা বলাটা কম বলা হবে। একদিকে, আমাদের কাছে এআই সুপারচার্জিং বিষয়বস্তু নির্মাতাদের সৃজনশীল সম্ভাবনা রয়েছে, কিন্তু সমুদ্রের অন্য দিকে, এআই স্লপ এবং ভুল তথ্যের সমস্যা দীর্ঘস্থায়ী। AI এর নিছক সম্ভাবনাকে উপেক্ষা করা যায় না।

ইউটিউবের লোকেরা অ্যাক্সেসযোগ্যতা এবং বাস্তবতার উপর ফোকাস করে এটিকে ভালভাবে ব্যবহার করছে৷ তাই, পরবর্তী কি? ঠোঁট স্বাভাবিকভাবেই যেকোনো ভাষার সুরে সরানো, এমনকি যদি ভিডিওতে বক্তা তা নাও বলেন। গত বছর চালু হওয়া অটো-ডাবিং বৈশিষ্ট্যের উপর ভিত্তি করে দলটি এখন নতুন এআই-চালিত লিপ সিঙ্ক বৈশিষ্ট্য নিয়ে এসেছে।

মেশিন-অনুবাদিত অডিও গত কয়েক কোয়ার্টারে নাটকীয়ভাবে উন্নত হয়েছে এবং এটি এখন প্রায় স্বাভাবিক বলে মনে হচ্ছে। Google এর NotebookLM- এ অডিও ওভারভিউ একটি দুর্দান্ত উদাহরণ। কিন্তু যখন ভিডিওর কথা আসে, তখন সেগুলি ফ্ল্যাট হয়ে যায় কারণ স্পিকার স্ক্রিপ্টের অনুবাদিত সংস্করণের সাথে ঠোঁটের নড়াচড়ার সাথে মেলে না।

এটা বেশ ঝাঁকুনি এবং বন্ধ করা. এআই-চালিত লিপ সিঙ্ক বৈশিষ্ট্যটি সেই অডিও-ভিজ্যুয়াল অসঙ্গতিকে কাটিয়ে উঠতে চায়। এবং আমি এ পর্যন্ত যে নমুনাগুলি দেখেছি তা থেকে, তারা অস্বাভাবিকভাবে স্বাভাবিক অনুভব করে। আমি YouTube প্রোডাক্ট লিড, Autodubbing, Buddhika Kottahachchi-এর সাথে বসেছিলাম, কীভাবে ঠোঁট সিঙ্ক তৈরি করা হয়েছিল, এর প্রভাব এবং সামনের রাস্তা বোঝার জন্য।

প্রযুক্তিগত দিক মধ্যে খনন

এটি চালু হওয়ার এক বছরেরও কম সময়ের মধ্যে, YouTube-এর অটো-ডাবিং বৈশিষ্ট্যটি 20টি ভাষায় 60 মিলিয়নেরও বেশি ভিডিও ডাব করতে ব্যবহৃত হয়েছে। কিন্তু কথোপকথনমূলক বক্তৃতার সমস্ত সূক্ষ্মতার সাথে একটি স্বাভাবিক স্বর সংরক্ষণ করা এবং তারপরে এটিকে বাস্তবসম্মত ঠোঁটের নড়াচড়ার সাথে মেলানো একটি সম্পূর্ণ নতুন চ্যালেঞ্জ।

পৃষ্ঠের স্তরে, কোত্তাহাচ্চি আমাকে বলে যে ঠোঁট সিঙ্ক সিস্টেম "অনুবাদিত বক্তৃতার সাথে মেলে স্ক্রিনের পিক্সেলগুলিকে সংশোধন করে।" এটি একটি কাস্টম টেক স্ট্যাক, গুগল এক্সিকিউটিভ আমাকে বলে যে তাদের বিশ্ব, ঠোঁটের আকার, দাঁত, অঙ্গবিন্যাস এবং মুখ সম্পর্কে একটি 3D বোঝার বিকাশ করতে হবে।

আপাতত, প্রযুক্তিটি ফুল-এইচডি (1080) এর জন্য উপযুক্ত, কিন্তু এখন পর্যন্ত 4K ভিডিওতে টিউন করা হয়নি। "কিন্তু সাধারণত, এটি আপনার আপলোড করা ভিডিও রেজোলিউশনের সাথে কাজ করা উচিত," তিনি উল্লেখ করেন। যতদূর ভাষা সমর্থন যায়, YouTube-এর এআই-চালিত লিপ সিঙ্ক বৈশিষ্ট্য ইংরেজি, স্প্যানিশ, জার্মান, পর্তুগিজ এবং ফরাসি সমর্থন করে।

এটি একটি বেশ সীমাবদ্ধ পুল, কিন্তু কোত্তাহাচ্চি আমাকে বলে যে দলটি স্কেল করছে এবং ঠোঁট সিঙ্ক শেষ পর্যন্ত অটো-ডাবিং বৈশিষ্ট্যটি পরিচালনা করতে পারে (যা বর্তমানে 20টিরও বেশি ভাষায় রয়েছে) একই ভাষার সেট সমর্থন করবে। তুলনার জন্য, Facebook এবং Instagram-এর জন্য Meta-এর AI-ফুয়েলড লিপ সিঙ্ক বৈশিষ্ট্য শুধুমাত্র ইংরেজি, স্প্যানিশ, হিন্দি এবং পর্তুগিজকে সমর্থন করে।

এখন, এআই-চালিত ঠোঁট সিঙ্কিং সম্পূর্ণরূপে একটি এলিয়েন ধারণা নয়। Adobe ইতিমধ্যে একটি অটো ঠোঁট সিঙ্ক কার্যকারিতা অফার করে৷ তারপরে হেইজেনের মতো তৃতীয় পক্ষের বিকল্প রয়েছে, যা বিনামূল্যে এটি করার দাবি করে। কিন্তু যখন ইউটিউবের কথা আসে, তখন আমরা এমন একটি প্ল্যাটফর্মে একটি বিল্ট-ইন সিস্টেমের কথা বলছি যেখানে প্রতিদিন 20 মিলিয়ন ভিডিও আপলোড করা হয়।

আপনার মুখের জন্য এআই বাবেল মাছ

সুতরাং, প্রাপ্যতার পরিপ্রেক্ষিতে পরবর্তী কি? "আমরা এটিকে কতটা বিস্তৃতভাবে উপলব্ধ করব সে সম্পর্কে আমরা কোনও বিস্তৃত বিবৃতি দিতে প্রস্তুত নই, তবে আমরা এটি আরও নির্মাতাদের কাছে উপলব্ধ করতে চাই এবং গণনার সীমাবদ্ধতা এবং গুণমান বুঝতে চাই," কোত্তাহাচ্চি আমাকে বলে৷ এবং এটি আমাদেরকে গুরুত্বপূর্ণ খরচের প্রশ্নে নিয়ে আসে।

যখন আমি এটি সম্পর্কে জিজ্ঞাসা করি, তখন ইউটিউব এক্সিকিউটিভ আমাকে বলেছিলেন যে তারা জড়িত ফি সম্পর্কে ভবিষ্যদ্বাণী করতে পারে না, যদি তা হয়। এটি আরও ব্যাখ্যা করে যে কেন বৈশিষ্ট্যটি এখনও বাজার এবং গণনা খরচ বোঝার জন্য বিশ্বস্ত পরীক্ষকদের একটি ছোট পুলের মধ্যে একটি পাইলট প্রকল্পের অংশ। স্মরণ করার জন্য, এটি এআই-এর একটি জটিল দৃষ্টি-ভিত্তিক বাস্তবায়ন।

সুতরাং, AI-উত্পাদিত ভিডিওগুলির মতো, যেখানে আপনি বিনামূল্যে কয়েকটি ক্লিপ তৈরি করতে পারেন তবে উচ্চতর রেজোলিউশন বা প্রচেষ্টার জন্য অর্থ প্রদান করতে হবে, ইউটিউবকে গণনা খরচের উপর ফ্যাক্টর করতে হবে এবং রোলআউটের বিষয়ে সিদ্ধান্ত নিতে হবে। কিন্তু একজন স্রষ্টার দৃষ্টিকোণ থেকে, যদি আমি একটি বিস্তৃত নাগালের চেষ্টা করি, তাহলে আমি সম্ভবত সাবস্ক্রিপশন ফি দিতে পারি।

এআই দ্বিধা

যখন থেকে এআই ভিজ্যুয়ালগুলি ইন্টারনেটে বন্যা শুরু করেছে, সত্যতা এবং ন্যায্য প্রকাশের বিষয়ে বিতর্ক উত্তপ্ত হয়েছে। "এমনকি বাস্তব কি?" ওপেনএআই-এর সোরা অ্যাপ দ্বারা উত্পন্ন অস্বাভাবিক বাস্তবসম্মত ভিডিওগুলি পপ আপ শুরু হওয়ার পরেই সোশ্যাল মিডিয়া ব্যবহারকারীরা আরও উত্সাহের সাথে এই প্রশ্নটি জিজ্ঞাসা করছেন।

এই ভিডিওগুলিতে একটি দৃশ্যমান ওয়াটারমার্ক রয়েছে, তবে সেখানে ইতিমধ্যেই বিনামূল্যে এবং অর্থপ্রদানের সরঞ্জাম রয়েছে যা এআই-উত্পন্ন ক্লিপগুলি থেকে সোরা লেবেলটি সরিয়ে দেবে৷ অথবা অন্য কোনো এআই কন্টেন্ট জেনারেটর, সেই বিষয়ে। Google, AI এর অন্যতম বড় বিকাশকারী এবং গ্রহণকারী, এটি খুব ভালভাবে জানে৷

কোম্পানিটি তার SynthID সিস্টেমের সাথে AI ফিঙ্গারপ্রিন্টিং রেসের প্রথম দিকের নেতাদের মধ্যে একজন ছিল, এবং ব্যবহারকারীদের মাল্টিমিডিয়া বিষয়বস্তুর উৎপত্তি পরীক্ষা করতে সহায়তা করার জন্য এই বছরের শুরুতে একটি SynthID ডিটেক্টর টুলও চালু করেছিল।

ইউটিউব ভিডিওগুলি যেগুলি গুগলের এআই-চালিত লিপ সিঙ্ক বৈশিষ্ট্যের উপর নির্ভর করে সেগুলি আরও সতর্ক দৃষ্টিভঙ্গি গ্রহণ করবে। "আমাদের কাছে একটি সঠিক প্রকাশ থাকবে যে এই ভিডিওটির অডিও এবং ভিডিও উভয়ই কৃত্রিমভাবে তৈরি বা পরিবর্তন করা হয়েছে," কোত্তাহাচ্চি আমাকে বলে৷ "ভিডিও বিষয়বস্তু, নিজেই, আঙুলের ছাপও পায়।"

পাঠ্য প্রকাশগুলি YouTube ভিডিওগুলির শিরোনামের নীচে বিবরণ বাক্সে প্রদর্শিত হবে, ঠিক যেমন সেগুলি অটো ডাব সিস্টেম ব্যবহার করা ভিডিওগুলির জন্য প্রদর্শিত হয়৷ তবে অন্যান্য প্ল্যাটফর্মগুলি কীভাবে এআই-ডাব করা, লিপ-সিঙ্ক করা ইউটিউব ভিডিওগুলির সাথে আচরণ করবে যদি কোনও নির্মাতা সেগুলি ইনস্টাগ্রাম বা টিকটোকে পোস্ট করেন?

অ্যালগরিদম উষ্ণ হবে?

TikTok সম্প্রতি ঘোষণা করেছে যে এটি AI সরঞ্জামগুলি ব্যবহার করে "তৈরি বা সম্পাদিত" ভিডিওগুলিকে লেবেল করবে এবং সেগুলিকে আঙুলের ছাপও দেবে যাতে ব্যবহারকারীরা C2PA-এর ভেরিফাই টুল ব্যবহার করে তাদের উত্স পরীক্ষা করতে পারে৷ মেটা জায়গায় একটি অনুরূপ সিস্টেম আছে. সুতরাং, এআই-সম্পাদিত ভিডিওগুলির ভাগ্য কী যা অন্যান্য সামাজিক ভিডিও প্ল্যাটফর্মে ক্রস-পোস্ট করা হয়?

তারা কি অ্যালগরিদমিকভাবে নিচের দিকে নামানো হবে, বা নির্দিষ্ট ফিডে উপস্থিত হওয়া থেকে ব্লক করা হবে? পরিস্থিতি কিছুটা জটিল এবং অপ্রত্যাশিত। "এটি এমন কিছু যা আমরা যত্ন সহকারে পর্যবেক্ষণ করছি, তবে এটি একটু তাড়াতাড়ি কারণ প্ল্যাটফর্মগুলি বিবৃতি দিয়েছে, কিন্তু আমরা দেখিনি কিভাবে তারা কার্যকরভাবে প্রয়োগ করা হয়," তিনি আমাকে বলেন। "সাধারণত, আমরা অনুবাদ অনুবাদ করছি, কিন্তু নতুন বিষয়বস্তু নয়।"

আমি খারাপ অভিনেতাদের যথাযথ সম্মতি ছাড়াই নির্মাতাদের ভিডিও ব্যবহার করে, অডিও অনুবাদ করে এবং তাদের একটি ভিন্ন চ্যানেল বা প্ল্যাটফর্ম থেকে ঠেলে দেওয়ার বিষয়টিও তুলে ধরেছি। অটো-ডাবিং এবং এআই ঠোঁট সিঙ্কিং প্রযুক্তিগতভাবে সেই অসাধু কাজটিকে কার্যকর করা সহজ করে তোলে, তবে এটি সম্ভবত সম্পূর্ণ বিশৃঙ্খলায় পরিণত হবে না।

"যদি আপনার উপমাটি প্ল্যাটফর্মের অন্য কোথাও ব্যবহার করা হয়, আপনি আমাদের এটি সম্পর্কে বলতে পারেন এবং আমাদের এটি নামিয়ে নিতে বলতে পারেন," কোত্তাহাচ্চি আমাকে বলেছিলেন। স্বয়ং-ডাবিং, অভিব্যক্তিপূর্ণ অডিও এবং লিপ-সিঙ্ক করা ভিডিওগুলি কীভাবে YouTube অভিজ্ঞতাকে আরও বৈচিত্র্যময় করে তুলবে তা দেখতে আকর্ষণীয় হবে৷ সরেজমিনে, এটি একটি জয় বলে মনে হচ্ছে।

আমি নিজেকে স্প্যানিশ ভাষায় কথা বলার জন্য অপেক্ষা করতে পারি না, যদিও আমি কয়েক বছর আগে আমার ডুওলিঙ্গো স্ট্রীক ত্যাগ করেছি।