আপনার কি মনে আছে রহস্যময় এআই ইমেজ এডিটিং মডেল "ন্যানো-কলা" যার কথা সবাই আগে বলেছিল?
কিছু দিন আগে, আমরা LMArena বৃহৎ ভাষা মডেল অঙ্গনে এটির সাথে একাধিক রাউন্ড পরীক্ষা পরিচালনা করেছি , এবং ফলাফলগুলি চমৎকার ছিল।
এখন, গুগল অবশেষে তার রহস্য উন্মোচন করেছে।
▲ লোগান কিলপ্যাট্রিক, গুগল এআই স্টুডিওর প্রধান, টুইট করেছেন জেমিনি 2.5 ফ্ল্যাশ ইমেজ মডেলের আনুষ্ঠানিক লঞ্চ
গুগল আনুষ্ঠানিকভাবে জেমিনি 2.5 ফ্ল্যাশ ইমেজ চালু করেছে, এটির সবচেয়ে উন্নত ইমেজ জেনারেশন এবং এডিটিং মডেল।
▲ অনেক তালিকায় প্রথম স্থান পেয়েছে, বিশেষ করে LMArena তালিকা, যেখানে এটি প্রায় অনেক এগিয়ে
একটি আপডেট হওয়া প্রযুক্তিগত ব্লগে, গুগল উল্লেখ করেছে যে পূর্ববর্তী জেমিনি 2.0 ফ্ল্যাশটি তার কম বিলম্বিতা এবং চিত্র তৈরিতে উচ্চ ব্যয়-কার্যকারিতার জন্য বিকাশকারীরা পছন্দ করেছে, তবে ব্যবহারকারীরা উচ্চমানের চিত্র এবং আরও শক্তিশালী সৃজনশীল নিয়ন্ত্রণ ফাংশনগুলির জন্য অপেক্ষা করছে।
জেমিনি 2.5 ফ্ল্যাশ ইমেজ প্রধান আপডেটের একটি সিরিজের সাথে এই প্রত্যাশাগুলির প্রতিক্রিয়া জানায়৷
আমাদের আগের অভিজ্ঞতার মতো, জেমিনি 2.5 ফ্ল্যাশ ইমেজের প্রধান বৈশিষ্ট্যগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত রয়েছে:
- ভূমিকার সম্পূর্ণ ধারাবাহিকতা বজায় রাখা
- ইঙ্গিত-ভিত্তিক চিত্র সম্পাদনা
- মিথুনের বাস্তব-বিশ্বের জ্ঞান লাভ করা
- একাধিক ইমেজ ফিউশন
একটি ছবি একটি গল্প বলে: আপনার পছন্দ মতো চরিত্র এবং দৃশ্য পরিবর্তন করুন
পূর্ববর্তী AI-চালিত রেন্ডারিং সরঞ্জামগুলির সবচেয়ে বড় ব্যথার পয়েন্টগুলির মধ্যে একটি ছিল অক্ষর বা বস্তুর ধারাবাহিক রেন্ডারিং বজায় রাখতে অসুবিধা। আমরা সকলেই এটির অভিজ্ঞতা করেছি: বিভিন্ন দৃশ্যে একই চরিত্রকে রেন্ডার করার চেষ্টা করছি শুধুমাত্র রেন্ডারিংয়ের স্টাইল নাটকীয়ভাবে পরিবর্তন করার জন্য, প্রতিবার সম্পূর্ণ ভিন্ন ব্যক্তির মতো দেখতে।
জেমিনি 2.5 ফ্ল্যাশ ইমেজ সম্পূর্ণরূপে এই সমস্যার সমাধান করে।
▲ ছবির উৎস: X@geminiap
এটি সহজেই বিভিন্ন পরিবেশে একই অক্ষর স্থাপন করতে পারে বা এর মূল বিষয়বস্তুকে পুরোপুরি অপরিবর্তিত রেখে একাধিক কোণ থেকে একই পণ্য দেখাতে পারে। গুগল উল্লেখ করেছে যে এটি নিঃসন্দেহে এমন পরিস্থিতিগুলির জন্য একটি বৈপ্লবিক বৈশিষ্ট্য যা একটি ধারাবাহিক গল্প বলতে হবে, ব্র্যান্ড সিরিজের সম্পদ তৈরি করতে হবে বা পণ্যের ক্যাটালগ তৈরি করতে হবে।
এই ক্ষমতা প্রদর্শনের জন্য, Google AI স্টুডিও একটি টেমপ্লেট অ্যাপ্লিকেশনও সরবরাহ করে যাতে বিকাশকারীরা দ্রুত শুরু করতে পারে এবং এমনকি এটির উপর ভিত্তি করে মাধ্যমিক বিকাশও করতে পারে।
▲ অভিজ্ঞতার ঠিকানা: https://aistudio.google.com/apps/bundled/past_forward
এই অভিজ্ঞতা প্রকল্পে, আমাদের কোনো প্রম্পট শব্দ লিখতে হবে না, শুধু একটি প্রতিকৃতি ফটো আপলোড করুন এবং এটি আমাদের জন্য বিভিন্ন বছর যেমন 1976 থেকে 1990 পর্যন্ত ফটো তৈরি করার জন্য সর্বশেষ চিত্র মডেলকে কল করবে।
কস্তুরী যখন দেখল সে কতটা সুদর্শন, সে নিশ্চয়ই ভাবছিল, আমার গ্রোকও সেটা করতে পারে।
প্রাকৃতিক ভাষায় এক বাক্যে ফটো এডিট করুন
অত্যন্ত সামঞ্জস্যপূর্ণ চরিত্র প্রজন্ম বজায় রাখার পাশাপাশি, সুনির্দিষ্ট সম্পাদনাও একটি হাইলাইট। জেমিনি 2.5 ফ্ল্যাশ ইমেজ আমাদের সহজ স্বাভাবিক ভাষা কমান্ডের মাধ্যমে চিত্রগুলিতে সুনির্দিষ্ট স্থানীয় পরিবর্তন করতে দেয়।
যেমন একটি ছবির ব্যাকগ্রাউন্ড ঝাপসা করা, টি-শার্ট থেকে দাগ মুছে ফেলা, গ্রুপ ফটো থেকে কাউকে সরিয়ে দেওয়া, কোনও ব্যক্তির ভঙ্গি পরিবর্তন করা, কালো এবং সাদা ছবির রঙ করা…
এই সবের জন্য আর জটিল এবং ক্লান্তিকর পেশাদার সফ্টওয়্যার অপারেশনের প্রয়োজন নেই। আমাদের শুধুমাত্র চ্যাটিং এর মতই এক বাক্যে AI কে বলতে হবে।
এই একই অভিজ্ঞতা আমাদের আগে LMArena-তে হয়েছিল, যেখানে আমরা ছবির শৈলী কালো এবং সাদা থেকে রঙে পরিবর্তন করেছি এবং ফটোতে সূক্ষ্ম সমন্বয় করেছি।
▲ ছবির উৎস: X@geminiapp
এই প্রম্পট-ভিত্তিক ইমেজ এডিটিংকে আরও ভালভাবে অনুভব করতে সাহায্য করার জন্য Google একটি সাধারণ অ্যাপ্লিকেশনও ডিজাইন করেছে, কিন্তু প্রভাবটি PS সফ্টওয়্যারের সাথে সম্পূর্ণ তুলনীয়।
▲ অভিজ্ঞতার ঠিকানা: https://aistudio.google.com/apps/bundled/pixshop
আমি শুধু আঁকতে পারি না, আমি বিশ্বকে "বুঝতে" পারি
যদিও অতীতের ইমেজ মডেলগুলি সুন্দর ছবি তৈরি করতে পারে, তাদের প্রায়ই বাস্তব জগতের গভীর অর্থবোধক বোঝার অভাব ছিল।
জেমিনি 2.5 ফ্ল্যাশ ইমেজ ইমেজ জেনারেশনকে আরও "বুদ্ধিমান" করতে জেমিনির শক্তিশালী বিশ্ব জ্ঞানের ভিত্তি ব্যবহার করে।
এর মানে হল যে মডেলটি শুধুমাত্র আমাদের ঢালু হাতে আঁকা ডায়াগ্রাম বুঝতে পারে না, তবে বাস্তব জগতের সাথে সম্পর্কিত প্রশ্নের উত্তরও দিতে পারে এবং একক ধাপে জটিল সম্পাদনা নির্দেশাবলী চালাতে পারে।
▲ অভিজ্ঞতার ঠিকানা: https://aistudio.google.com/apps/bundled/codrawing
এটা মাল্টিমোডাল যুক্তির মত শোনাচ্ছে। Google এআই স্টুডিওতে একটি ইন্টারেক্টিভ শিক্ষামূলক অ্যাপ্লিকেশন প্রদর্শন করেছে যা একটি সাধারণ ক্যানভাসকে একজন বুদ্ধিমান শিক্ষকে পরিণত করেছে যিনি প্রশ্নের উত্তর দিতে পারেন। আমি আন্তরিকভাবে প্রশংসা করি এই মডেলটি কতটা শক্তিশালী।
ইমেজ ফিউশন: সহজেই "সিমলেস" কোলাজ অর্জন করুন
নতুন মডেলটি একটি দুর্দান্ত বৈশিষ্ট্যও এনেছে: মাল্টি-ইমেজ ফিউশন। আমরা একটি চিত্র থেকে অন্য চিত্রের দৃশ্যে বস্তুগুলিকে "স্থাপন" করতে পারি, বা একটি চিত্রের শৈলী ব্যবহার করে অন্য ঘরে রেন্ডার করতে পারি, সবই শুধুমাত্র একটি প্রম্পটের মাধ্যমে।
এটি Google AI স্টুডিওতে একটি টেমপ্লেট অভিজ্ঞতা অ্যাপ্লিকেশনও। আমাদের শুধুমাত্র পণ্যটিকে নতুন দৃশ্যে টেনে আনতে হবে এবং দ্রুত একটি ফিউশন ইমেজ তৈরি করতে হবে যা দেখতে বিজোড় এবং একটি বাস্তব ছবির মতো।
▲ অভিজ্ঞতার ঠিকানা: https://aistudio.google.com/apps/bundled/home_canvas
এই টেমপ্লেট অ্যাপ্লিকেশনে, আমাদের এমনকি কোনো প্রম্পট শব্দ লিখতে হবে না। আমরা দৃশ্যের চিত্রের একটি নির্দিষ্ট স্থানে একটি বস্তুকে সরাসরি টেনে আনতে পারি এবং তারপরে এটি স্বয়ংক্রিয়ভাবে একটি মিশ্রিত চিত্র তৈরি করবে।
কিভাবে শুরু করবেন?
গুগল এআই স্টুডিওতে টেমপ্লেট অ্যাপ্লিকেশনগুলি ছাড়াও যা আমরা আগে উল্লেখ করেছি।
বর্তমানে, জেমিনি 2.5 ফ্ল্যাশ চিত্রটি Gemini APP, Gemini API, Google AI Studio এবং Vertex AI-এর মাধ্যমে অ্যাক্সেস করা যেতে পারে।
API কল করার ক্ষেত্রে, নির্দিষ্ট মূল্য হল US$30 প্রতি মিলিয়ন আউটপুট টোকেন। অফিসিয়াল ভূমিকা অনুসারে, একটি ছবি তৈরি করতে প্রায় 1,290টি আউটপুট টোকেন খরচ হয়, যার অর্থ হল প্রতিটি ছবির খরচ প্রায় US$0.039, যা RMB 0.30 এর চেয়ে কম ।
এটি উল্লেখ করার মতো যে জেমিনি 2.5 ফ্ল্যাশ ইমেজের মাধ্যমে তৈরি বা সম্পাদিত সমস্ত ছবিতে সিন্থআইডি অদৃশ্য ডিজিটাল ওয়াটারমার্ক থাকবে যাতে সেগুলিকে এআই-জেনারেটেড বা সম্পাদিত সামগ্রী হিসাবে চিহ্নিত করা যায়।
এটি একই C2PA (কন্টেন্ট প্রোভেন্যান্স অ্যান্ড অথেনটিসিটি অ্যালায়েন্স) কন্টেন্ট ক্রেডেনশিয়াল যা Google কিছু দিন আগে Pixel 10 সিরিজের মোবাইল ফোন রিলিজ করার সময় ব্যবহার করেছিল এবং এআই পিকচার এডিটিং আস্ক ফটো টুল সম্পর্কে কথা বলেছিল।
অবশেষে, Google আরও উল্লেখ করেছে যে এটি দীর্ঘ টেক্সট রেন্ডারিং , চরিত্রের সামঞ্জস্যপূর্ণ স্থিতিশীলতা এবং চিত্রের বিশদ সত্যতাতে মডেলের কার্যকারিতা উন্নত করার জন্য কঠোর পরিশ্রম করছে।
সংক্ষেপে, জেমিনি 2.5 ফ্ল্যাশ ইমেজ প্রকাশ AI ইমেজ টুলটিকে একটি সাধারণ পেইন্টিং খেলনা থেকে সত্যিকারের ব্যবহারিক সৃজনশীলতা এবং উত্পাদনশীলতার সরঞ্জামে একটি বড় পদক্ষেপ নিয়েছে।
এটি অতীতে AI অঙ্কন ব্যবহার করার সময় আমরা যে ব্যথার সম্মুখীন হয়েছিলাম তার অনেকগুলিই সমাধান করে না, বরং খেলার জন্য আরও আকর্ষণীয় এবং ব্যবহারিক নতুন উপায় নিয়ে আসে।
40 ইমেজ জেনারেশন ফিচারটি বের হওয়ার আগে, আমি দেখেছি অনেক অ্যাপ একটি একক ইমেজ থেকে প্রতিদিন একটি কবিতা তৈরি করার উপর ফোকাস করতে শুরু করেছে। এছাড়াও CapWords এর মত অ্যাপ ছিল, যা এই বছরের অ্যাপল ডিজাইন পুরস্কার জিতেছে। আপনার দৈনন্দিন জীবন থেকে একটি ছবি তুলুন এবং বাস্তব জীবনে একটি নতুন ভাষা শিখুন…
জেমিনি 2.5 ফ্ল্যাশ ইমেজ মডেলের উপর ভিত্তি করে কী নতুন অ্যাপ্লিকেশন তৈরি করা হবে তা দেখার জন্য আমি অপেক্ষা করতে পারি না।
#iFaner-এর অফিসিয়াল WeChat পাবলিক অ্যাকাউন্ট অনুসরণ করতে স্বাগতম: iFaner (WeChat ID: ifanr), যেখানে যত তাড়াতাড়ি সম্ভব আপনার কাছে আরও উত্তেজনাপূর্ণ সামগ্রী উপস্থাপন করা হবে।