একটি সেলফি ভিডিও মডেলকে দিন এবং বলুন, “আয়নার মতো তরলের মতো তরঙ্গিত হোক” “চরিত্রগুলিকে ম্যানিকুরে পরিণত করুন” “মূল রুম এবং অ্যাকশন বজায় রাখুন” — যা আগে এডিটরদের টাইমলাইনে স্তরে স্তরে করতে হত, এখন এটি একটি টেক্সট সংশোধনের মতোই পরপর প্রশ্ন করে করা যায়। Google DeepMind 5 নভেম্বরে Gemini Omni 1.2 Flash মডেল কার্ড প্রকাশ করেছে, যা এই মডেলকে টেক্সট, ইমেজ, অডিও এবং ভিডিও ইনপুট থেকে সাউন্ডযুক্ত হাই-রেজোলিউশন ভিডিও তৈরি করতে পারে এবং প্রাকৃতিক কথোপকথনের মাধ্যমে পুনরাবৃত্তি সম্পাদনার সমর্থন করে। ভিডিও তৈরির প্রবেশদ্বার সফটওয়্যার প্যানেলের থেকে ভাষার দিকে সরে যাচ্ছে, কিন্তু এটি সম্পাদনার ছাপ, চরিত্রের অনুমতি এবং事实可信度কে চোখে দেখতেও কঠিন করে তুলছে।
কথোপকথন সম্পাদনা কতটা সংরক্ষণ করেছে
প্রাচীন ভিডিও জেনারেশন সাধারণত “একবার প্রম্পট, একবার ফলাফল” হয়। যদি ক্রিয়েটররা চরিত্রের গতিপথ, আলোকসজ্জা বা ক্যামেরা শট পরিবর্তন করতে চান, তবে তাদের প্রায়শই পুনরায় জেনারেট করতে হয়, এবং আগের ভার্সনের চরিত্র ও দৃশ্যগুলি বিকৃত হয়ে যেতে পারে। জেমিনি ওমনি কন্টিনিউয়াস এডিটিং-এর উপর জোর দেয়: প্রতিটি সংশোধন আগের পর্যায়ের ফলাফলের উপর ভিত্তি করে হয়, এবং দৃশ্যের সামঞ্জস্যতা বজায় রাখার চেষ্টা করে। এই মেকানিজমটি জটিল অপারেশনগুলিকে বুঝতে পারা যায় এমন ইনটেনশনের একটি ধারাবাহিকতায় বিভক্ত করে, যাতে ক্রিয়েটরদেরকে মাস্ক, কীফ্রেম এবং কম্পোজিটিং নোডগুলি শেখার প্রয়োজন নেই—তারা ধাপে ধাপে লক্ষ্যের দিকে এগিয়ে যেতে পারে।
মডেল কার্ডে ইনপুট হিসাবে টেক্সট, ইমেজ, অডিও এবং ভিডিও অন্তর্ভুক্ত রয়েছে, এবং আউটপুট হল অডিওসহ ভিডিও। পণ্য পৃষ্ঠাটি রেফারেন্স মেটিরিয়াল ব্যবহার করে দৃশ্যের স্টাইল পরিবর্তন, অ্যাকশন পুনর্লিখন এবং শব্দ যোগ করার উদাহরণও দেখায়। এটি শুধুমাত্র তৈরির সময়ই কমায় না, বরং প্রকাশের খরচও কমায়। একজন পরিচালক প্রথমে “চরিত্রটি আয়নাকে স্পর্শ করছে” বলে বর্ণনা করতে পারেন, তারপর মেটিরিয়াল, সাউন্ড ইফেক্ট এবং ক্যামেরা রিদম যোগ করতে পারেন, একসাথে নিয়ন্ত্রণকরণযোগ্যের চেয়েও দীর্ঘ প্রম্পট লিখতে হবে না।
Speed version model is not targeting a movie
“Flash” মানে পণ্যটি গতি এবং খরচের উপর বেশি জোর দেয়। বিজ্ঞাপন দল, শর্ট ভিডিও ক্রিয়েটরদের, গেম স্টুডিও এবং শিক্ষামূলক কন্টেন্ট তৈরি করুন—এই সবাই সাধারণত একাধিক ভার্সন দ্রুত পরীক্ষা করে: একই মেটেরিয়ালের অনুপাত, ভাষা, গতি পরিবর্তন করে, তারপর ফিডব্যাকের ভিত্তিতে আবার সংশোধন করে। যদি মডেলটি সংক্ষিপ্ত সময়ের মধ্যেই চরিত্র, ডায়ালগ এবং অ্যাকশনকে স্থির রাখতে পারে, তবে প্রথমেই হাই-ফ্রিকোয়েন্সি ইটারেশনগুলি পরিবর্তিত হবে, একবারের বড় প্রোডাকশনগুলি নয়।
এটি দলের ভূমিকা পুনর্বিন্যাসও করবে। অতীতে প্রায়শই পরিচালকদের দ্বারা সম্পাদিত বড় পরিমাণে ফরম্যাটিং এবং প্রাথমিক সংযোজন এখন মডেলগুলির দ্বারা করা হতে পারে; মানুষ ক্যামেরা শট বাছাই, গতি নিয়ন্ত্রণ, তথ্য যাচাই এবং কপিরাইট প্রক্রিয়াকরণে সময় ব্যয় করবে। সৃজনশীল পদগুলি বোতামের সংখ্যা কমে যাওয়ার কারণে স্বয়ংক্রিয়ভাবে অদৃশ্য হবে না, তবে “কোনও সফটওয়্যার চালানোর” দ্বারা গড়ে ওঠা সুরক্ষা প্রাচীরটি পাতলা হয়ে যাবে, আখ্যান, সৌন্দর্য এবং দর্শকদের মূল্যবোধের উপর বোঝা বাড়বে।
চারিত্রিক কণ্ঠ পরিবর্তন করার ঝুঁকি পটভূমি পরিবর্তনের চেয়ে বেশি
DeepMind মডেল কার্ডে উল্লেখ করেছে যে ভিডিও এডিটিং ক্ষমতা ব্যক্তির কথা পরিবর্তন করতে পারে, এবং এখন এটি সীমাবদ্ধ রাখা হয়েছে এবং নিরাপদে এটি খোলার উপায় নিয়ে গবেষণা চলছে। এই বাক্যটি অত্যন্ত গুরুত্বপূর্ণ। আকাশের রং পরিবর্তন করা এবং একজন বাস্তব ব্যক্তিকে কখনও বলা হয়নি এমন কথা বলানো—এই দুটি ঝুঁকি একই ধরনের নয়। পরবর্তীটির মধ্যে সম্মান, প্রতারণা, রাজনৈতিক প্রচার এবং প্রমাণ দূষণের সম্ভাবনা রয়েছে, এবং যতই জেনারেটেড কোয়ালিটি উন্নত হবে, সাধারণ ব্যবহারকারীদের জন্য ইনটুইশনের মাধ্যমে এটি চিনতে ততই কঠিন হয়ে পড়বে।
গুগল বলেছে যে সিস্টেমটি প্রশিক্ষণের আগে এবং পরের নিরাপত্তা ব্যবস্থা ব্যবহার করে এবং SynthID এর মাধ্যমে AI কন্টেন্টে জলরেখা যোগ করে। জলরেখাটি প্ল্যাটফর্মের যাচাইয়ের জন্য সূচনা প্রদান করে, কিন্তু এটি সর্বজনীন প্রমাণ নয়: ভিডিওকে কাটা, ট্রানসকোড বা পুনরায় শুট করলে চিহ্নিতকরণের ক্ষমতা প্রভাবিত হতে পারে; যাচাইয়ের জন্য সমর্থিত নয় এমন অ্যাপগুলি দর্শকদেরকে স্বয়ংক্রিয়ভাবে সতর্ক করবে না। প্রকৃতপক্ষে কার্যকরী গভর্ন্যান্সের জন্য উৎসের রেকর্ডিং, ব্যক্তির অনুমতি, প্ল্যাটফর্মের লেবেলিং এবং দুর্ব্যবহারের অভিযোগ ব্যবস্থা একসাথে কাজ করতে হবে।
মডেল কার্ডেও তথ্যের ফাঁক প্রকাশিত হয়েছে
এই মডেল কার্ডটি পূর্ণাঙ্গ প্রশিক্ষণ ডেটা তালিকা প্রদান করে না, বরং কিছু বিষয়কে বেস মডেল Gemini Omni Flash-এর দিকে নির্দেশ করে; পরিচিত সীমাবদ্ধতা অংশটিও মূলত বেস মডেলের উপাদানগুলিকে উল্লেখ করে। সাধারণ তৈরিকারীদের জন্য এটি ব্যবহার পরীক্ষা করতে বাধা হয় না; তবে কোম্পানির আইনি, মিডিয়া এবং শিক্ষা প্রতিষ্ঠানগুলির জন্য, এর অর্থ হল যে তাদের নিজেদেরই ডেটা লাইসেন্স, অঞ্চলগত উন্মুক্ততা, ব্যক্তির চিত্র এবং আউটপুটের দায়বদ্ধতা সম্পর্কে উত্তর দিতে হবে।
মডেল কার্ডে এও উল্লেখ করা হয়েছে যে, Omni 1.2 Flash-এর সাথে Gemini 3.1 Pro বা 3.7 Flash-এর তুলনায় কোনও প্রাসঙ্গিক প্রান্তিক ক্ষমতার বড় বৃদ্ধি পাওয়া যায়নি, তাই সংশ্লিষ্ট নিরাপত্তা মূল্যায়ন অব্যাহত রাখা হয়েছে। এটি ঝুঁকি শ্রেণিবিভাগের একটি বিচার, যা প্রতিটি ভিডিও সম্পাদনা পরিস্থিতির জন্য যাচাইকৃত হয়েছে বলে অর্থ নয়। শব্দ এবং চিত্রকে বড় পরিসরে সম্পাদনা করতে পারে এমন পণ্যগুলির সামাজিক ঝুঁকি বেশিরভাগই এর উপলব্ধতা, গতি এবং বিস্তারের কারণে, শুধুমাত্র মডেলটি কোনও প্রান্তিক ক্ষমতার স্তরে পৌঁছেছে কিনা তার উপর নয়।
ভিডিও সফটওয়্যার ইন্টেন্ট সিস্টেমে পরিণত হচ্ছে
ভবিষ্যতের ভিডিও টুলগুলি ব্যবহারকারীদের মেটেরিয়াল বক্স, ট্র্যাক এবং ফিল্টার দিয়ে শুরু করার প্রয়োজনীয়তা বাদ দিতে পারে, বরং প্রথমে জিজ্ঞাসা করবে “আপনি দর্শকদের কী দেখতে চান?”। মডেলটি তখন একটি প্রাকৃতিক ভাষাকে লেন্স, অডিও ট্র্যাক এবং ইফেক্টে রূপান্তরিত করবে। এই প্রবেশদ্বারটি আরও বেশি মানুষকে প্রকাশের ক্ষমতা দেবে এবং পণ্যের সংখ্যা বিস্ফোরিতভাবে বৃদ্ধি পাবে। তখন দুর্লভ সম্পদটি তৈরির দক্ষতা থেকে বিশ্বস্ত উৎস, অনন্য মেটেরিয়াল এবং চিহ্নিত লেখকের দায়বদ্ধতায় সরে যাবে।
Gemini Omni 1.2 Flash-এর সবচেয়ে গুরুত্বপূর্ণ বিষয় হল এটি কত সুন্দর ছবি তৈরি করতে পারে তা নয়, বরং সম্পাদনা কার্যক্রম এখন হাতে করা কাজ থেকে কথা বলা এবং ক্রমাগত কলযোগ্য সেবায় পরিণত হচ্ছে। যখন সৃজনশীলতার বাধা কমে, তখন প্ল্যাটফর্ম এবং সৃষ্টিশীলদের একসাথে প্রমাণের বাধা বাড়ানো দরকার: এটি কার মুখ, কার কণ্ঠস্বর, কোন অংশগুলি সম্পাদিত হয়েছে, দর্শকরা কীভাবে যাচাই করবেন। অন্যথায়, সবচেয়ে সুবিধাজনক সম্পাদনা টুলও হয়ে উঠতে পারে সবচেয়ে সস্তা প্রতারণা টুল।


