টেক্সট-টু-ভিডিও প্রম্পটে মোশন নির্দেশনা লেখার সহজ কৌশল

এআই দিয়ে ভিডিও বানাতে গিয়ে একটি অদ্ভুত সমস্যা প্রায়ই চোখে পড়ে। ছবিটি দেখতে ভালো, চরিত্রও ঠিক আছে, কিন্তু ভিডিওতে তেমন কিছু ঘটছে না। আবার কখনো উল্টোটা হয়—ক্যামেরা এত নড়ে যে মূল বিষয়টিই হারিয়ে যায়।

এখানে শুধু “ভালো প্রম্পট” আর “খারাপ প্রম্পট”-এর পার্থক্য কাজ করে না। সমস্যাটা অনেক সময় আরও নির্দিষ্ট: টেক্সট-টু-ভিডিও প্রম্পটে কে নড়বে এবং ক্যামেরা কী করবে, সেটাই পরিষ্কার বলা হয়নি। সিনেম্যাটিক, ডায়নামিক বা ড্রামাটিক লিখলে দৃশ্যের একটি নির্দিষ্ট আবহ পাওয়া যেতে পারে। কিন্তু এগুলো ক্যামেরা কোন দিকে যাবে, চরিত্র কী গতিতে হাঁটবে বা পটভূমিতে কী নড়বে—সেটা ঠিক করে দেয় না।

আরেকটি বিষয় মাথায় রাখা দরকার। প্যান রাইট, ট্র্যাকিং শট, হ্যান্ডহেল্ড বা স্লো মোশন কোনো সর্বজনীন এআই ভিডিও কমান্ডের ভাষা নয়। রানওয়ে, ক্লিং, সোরা বা লুমা ড্রিম মেশিন একই শব্দকে একেবারে একইভাবে অনুসরণ করবে—এমন নিশ্চয়তা নেই। কোথাও এগুলো প্রম্পটের অংশ, কোথাও আবার আলাদা ক্যামেরা নিয়ন্ত্রণও পাওয়া যায়।

তাই মোশন প্রম্পট লেখার সময় “সঠিক জাদুকরি শব্দ” খোঁজার চেয়ে দৃশ্যটি কীভাবে চলবে, সেটি পরিষ্কারভাবে লেখা বেশি কাজে দেয়।

আগে ঠিক করুন, দৃশ্যে আসলে কী নড়বে

একটি প্রম্পটে তিন ধরনের গতিবিধি থাকতে পারে।

বিষয়ের গতিবিধি — মানুষ হাঁটছে, গাড়ি ঘুরছে, পাখি উড়ছে।

ক্যামেরার গতিবিধি — ক্যামেরা বিষয়টির দিকে এগোচ্ছে, পাশ থেকে অনুসরণ করছে বা স্থির আছে।

দৃশ্যের গতিবিধি — বাতাসে পর্দা নড়ছে, বৃষ্টি পড়ছে, পানিতে ঢেউ উঠছে।

সব প্রম্পটে তিনটিই দরকার হয় না। বরং একসঙ্গে অনেক কিছু লিখলে ছোট ভিডিওতে ফল এলোমেলো হওয়ার আশঙ্কা বাড়ে। যেমন, এই প্রম্পটটি অনেক বেশি কাজ একসঙ্গে করতে বলছে: একজন মানুষ ঘরে ঢোকে, বসে পড়ে, ল্যাপটপ খোলে, ফোনকল পায়, অবাক হয়ে তাকায়, বাইরে দৌড়ে যায়; এদিকে ক্যামেরা তার চারপাশে ঘুরে শেষে ভবনের ওপর দিয়ে উড়ে যায়।

এখানে চরিত্রের কয়েকটি কাজ, দৃশ্যের পরিবর্তন এবং একাধিক ধরনের ক্যামেরা মুভমেন্ট একসঙ্গে রয়েছে। একটি শটের জন্য এটিকে ছোট করলে নির্দেশনা অনেক পরিষ্কার হয়:

একজন মানুষ ধীরে ডেস্কের দিকে হেঁটে গিয়ে বসে পড়ে। ক্যামেরা পাশ থেকে মসৃণভাবে তাকে অনুসরণ করে। এখন মডেলের সামনে দুটি প্রধান কাজ—মানুষটি হাঁটবে এবং ক্যামেরা তাকে পাশ থেকে অনুসরণ করবে।

এই পদ্ধতি বিশেষ করে স্বল্পদৈর্ঘ্যের ভিডিও তৈরিতে বেশি ব্যবহারিক। উদাহরণ হিসেবে রানওয়ে জেন-৪-এ ৫ ও ১০ সেকেন্ডের ভিডিও তৈরি করা যায় এবং তাদের প্রম্পট নির্দেশিকায় একটি ভিডিওর মধ্যে অযথা বেশি দৃশ্য পরিবর্তন না দেওয়ার পরামর্শ রয়েছে। অন্য মডেলে সময়সীমা আলাদা হতে পারে।

প্রম্পটকে নির্দিষ্ট ছকে আটকে রাখবেন না

মোশন প্রম্পট সাজানোর জন্য একটি সহজ মানসিক তালিকা ব্যবহার করা যায়:

বিষয় → কাজ → দিক ও গতি → ক্যামেরা → পরিবেশ

ধরা যাক, পাহাড়ি সড়কে একজন সাইকেল চালাচ্ছে।

এভাবে লিখলে খুব বেশি তথ্য পাওয়া যায় না:

সুন্দর একটি রাস্তায় একজন সাইকেল আরোহী, সিনেম্যাটিক মুভমেন্ট।

তার চেয়ে:

একজন সাইকেল আরোহী সরু পাহাড়ি রাস্তা দিয়ে স্থির গতিতে এগিয়ে যাচ্ছে। ক্যামেরা একই গতিতে তার পাশ দিয়ে তাকে অনুসরণ করছে। বাতাসে তার জ্যাকেট হালকাভাবে নড়ছে।

এখানে সিনেম্যাটিক শব্দটি না থাকলেও গতিবিধি অনেক বেশি পরিষ্কার।

চাইলে পরে দৃশ্যের ধরন যোগ করা যায়:

মসৃণ সিনেম্যাটিক ট্র্যাকিং শট।

গুরুত্বপূর্ণ বিষয় হলো প্রম্পটের দৈর্ঘ্য নয়। মডেল যেন বুঝতে পারে কোন বস্তু কী করছে এবং ক্যামেরা সেই কাজটিকে কীভাবে দেখছে।

ক্যামেরা মুভমেন্টের শব্দ জানলে প্রম্পট ছোট রাখা যায়

চলচ্চিত্রে ব্যবহৃত কিছু পরিচিত ক্যামেরা শব্দ এখানে বেশ কাজে লাগে। এগুলো ব্যবহার করলে প্রতিবার ক্যামেরার গতিবিধি দীর্ঘ করে ব্যাখ্যা করতে হয় না। প্যান রাইট বললে ক্যামেরা একটি স্থির অবস্থান থেকে ডান দিকে ঘুরবে।

• ক্যামেরা ধীরে বাজারের ওপর দিয়ে ডান দিকে প্যান করে।
• টিল্ট আপ সাধারণত নিচ থেকে ওপরের দিকে ক্যামেরা ঘোরানোর নির্দেশ দেয়। ক্যামেরা ধীরে টাওয়ারের চূড়ার দিকে ওপরে টিল্ট করে।
• পুশ ইন বিষয়টির দিকে ক্যামেরাকে ধীরে এগিয়ে নেওয়ার জন্য ব্যবহার করা যায়। ক্যামেরা ধীরে তার মুখের দিকে এগিয়ে আসে।
• ট্র্যাকিং শট ব্যবহার করা যায় চলমান বিষয়কে অনুসরণ করতে। ক্যামেরা দৌড়ানো ব্যক্তির পাশ দিয়ে তাকে অনুসরণ করে।
• অরবিট বললে বিষয়টির চারপাশ দিয়ে ক্যামেরা ঘোরার ধারণা দেওয়া যায়। ক্যামেরা ধীরে মূর্তিটির চারপাশে ঘোরে।

রানওয়ের ক্যামেরা নির্দেশিকায় প্যান, টিল্ট, পুশ ইন, পুল ব্যাক, ট্র্যাকিং, ক্রেন, অরবিট, হ্যান্ডহেল্ড ও স্ট্যাটিকের মতো শব্দের উদাহরণ রয়েছে। লুমা ড্রিম মেশিনের ক্যামেরা নিয়ন্ত্রণেও প্যান, অরবিট, ক্রেন, মুভ এবং পুশ ইন বা পুল আউট পাওয়া যায়।

তবে এখানে একটি গুরুত্বপূর্ণ পার্থক্য আছে। লুমায় কোনো শব্দ সরাসরি ক্যামেরা নিয়ন্ত্রণের অংশ হতে পারে, আবার অন্য প্ল্যাটফর্মে একই ধারণা শুধু স্বাভাবিক ভাষার প্রম্পট হিসেবে ব্যবহৃত হতে পারে। নাম একই হলেই কাজের ধরন একই—এমন ধরে নেওয়া উচিত নয়।

“সিনেম্যাটিক প্যান” খুব বেশি কিছু বলে না

এআই ভিডিও প্রম্পটে সিনেম্যাটিক শব্দটির ব্যবহার এত বেশি যে অনেক সময় এটি কাজের নির্দেশনার জায়গা দখল করে নেয়।

যেমন:

রাতের বাজারের সিনেম্যাটিক প্যান।

এতে দিক নেই, গতি নেই, প্যানের শেষে ক্যামেরা কী দেখাবে সেটিও নেই।

তার বদলে:

ক্যামেরা ধীরে বাঁ দিক থেকে ডান দিকে প্যান করে এবং ব্যস্ত রাতের বাজারটি ধীরে ধীরে দৃশ্যমান হয়।

আরও নির্দিষ্ট করতে চাইলে:

শটটি ফলের দোকান থেকে শুরু হয়। ক্যামেরা ধীরে ডান দিকে প্যান করে ব্যস্ত রাস্তা দেখায়।

দ্বিতীয় প্রম্পটটিতে ক্যামেরা মুভমেন্টের উদ্দেশ্যও পরিষ্কার হয়েছে—নতুন অংশ দেখানো। এই ছোট পার্থক্যই প্রম্পটকে “সুন্দর কিছু করো” ধরনের নির্দেশনা থেকে সরিয়ে ক্যামেরা পরিচালনার মতো নির্দিষ্ট নির্দেশনায় নিয়ে যায়।

ড্রোন শট মানেই ক্যামেরা উড়তে থাকবে না

ড্রোন শট বা এরিয়াল শট মূলত ওপর থেকে দেখা দৃশ্য বোঝাতে পারে। ক্যামেরা কীভাবে নড়বে, সেটি আলাদাভাবে বলা ভালো।

একটি নদীর সিনেম্যাটিক ড্রোন শট।

এই প্রম্পটে ক্যামেরা নদীর ওপর স্থির থাকবে, সামনে যাবে নাকি ঘুরবে—কোনোটাই স্পষ্ট নয়।

আরও কার্যকর হতে পারে:

আঁকাবাঁকা নদীর ওপর থেকে এরিয়াল দৃশ্য। ক্যামেরা ধীরে সামনে এগোয় এবং একই সঙ্গে ধীরে ওপরের দিকে ওঠে।

অথবা:

ড্রোন ক্যামেরা পাহাড়ের চূড়ার মন্দিরটির চারপাশে ধীরে ঘোরে এবং মন্দিরটিকে ফ্রেমের মাঝামাঝি রাখে।  ওপেনএআইয়ের প্রকাশিত সোরা উদাহরণেও ড্রোন ক্যামেরার গতিবিধি আলাদা করে বর্ণনা করার নজির রয়েছে। তাই ড্রোন শব্দটিকে শুধু দৃশ্যের ধরন হিসেবে না দেখে দৃষ্টিকোণ ও গতিবিধি আলাদা করা বেশি যুক্তিসংগত।

চরিত্রের অনুভূতি নয়, দেখা যায় এমন কাজ লিখুন

এআই ভিডিও মডেলকে:

লোকটি উত্তেজিত।

বললে “উত্তেজিত” অবস্থাটি কীভাবে দৃশ্যমান হবে, তা মডেলকে ঠিক করতে হয়।

তার বদলে:

লোকটি বড় করে হাসে, দুই হাত ওপরে তোলে এবং দ্রুত দুই পা সামনে এগিয়ে যায়।

লিখলে কাজটি পরিষ্কার হয়।

একইভাবে:

মেয়েটি নার্ভাস।

এর চেয়ে:

মেয়েটির হাত হালকাভাবে কাঁপছে এবং সে কাঁধের ওপর দিয়ে পেছনে তাকাচ্ছে। বেশি নির্দিষ্ট। রানওয়ের প্রম্পট নির্দেশিকাতেও বিমূর্ত অনুভূতির বদলে দৃশ্যমান শারীরিক কাজ ব্যবহারের ওপর জোর দেওয়া হয়েছে।

একাধিক মানুষ থাকলে কে কী করছে সেটিও আলাদা করে বলুন:

বাঁ পাশে থাকা নারীটি জানালার দিকে ঘুরে তাকায়। ডান পাশে থাকা পুরুষটি বসে থাকে। তারা নড়ে বা মানুষগুলো প্রতিক্রিয়া দেখায় ধরনের অস্পষ্ট নির্দেশনার চেয়ে এটি অনেক পরিষ্কার।

স্লো মুভমেন্ট, স্লো মোশন এবং টাইম-ল্যাপস গুলিয়ে ফেলবেন না

এই তিনটি প্রম্পটে প্রায়ই অদলবদল হয়ে যায়।

কেউ ধীরে হাত তুলছে:

লোকটি ধীরে তার হাত তোলে।

এটি ধীর গতিবিধি।

স্বাভাবিক গতির কোনো কাজকে ধীরগতির ফুটেজের মতো দেখাতে চাইলে:

দৌড়বিদটি নাটকীয় স্লো মোশনে পানির গর্তের ওপর দিয়ে লাফ দেয়।

এটি স্লো মোশন।

আর সময়ের দীর্ঘ পরিবর্তন দ্রুত দেখানো:

স্থির ক্যামেরায় টাইম-ল্যাপস। পাহাড়ের ওপর দিয়ে মেঘ দ্রুত সরে যাচ্ছে এবং দিনের আলো ধীরে সন্ধ্যায় বদলে যাচ্ছে।

এটি টাইম-ল্যাপস।

সূর্যাস্ত বা মেঘের পরিবর্তন দেখাতে টাইম-ল্যাপস অর্থপূর্ণ। কাউকে শুধু ধীরে হাঁটাতে চাইলে টাইম-ল্যাপস ব্যবহার করা সঠিক ধারণা দেয় না।

হ্যান্ডহেল্ড ব্যবহার করুন উদ্দেশ্য থাকলে

হ্যান্ডহেল্ড ক্যামেরা লিখলে ফুটেজে হাতে ক্যামেরা ধরার মতো অল্প অনিয়ম বা কাঁপুনি চাওয়া হচ্ছে—এই ধারণা দেওয়া যায়।

যেমন:

একজন রাস্তার খাবার বিক্রেতা রাতে নুডলস তৈরি করছেন। হ্যান্ডহেল্ড ডকুমেন্টারি ক্যামেরা, হালকা স্বাভাবিক নড়াচড়া।

এখানে হ্যান্ডহেল্ড ধরনটি দৃশ্যের ডকুমেন্টারি আবহের সঙ্গে মানানসই।

কিন্তু বিষয়টি নিজেই যদি খুব দ্রুত নড়ে এবং ক্যামেরাকেও অতিরিক্ত হ্যান্ডহেল্ড মুভমেন্ট দেওয়া হয়, শট প্রয়োজনের চেয়ে বেশি অস্থির হয়ে যেতে পারে।

সে ক্ষেত্রে:

নিয়ন্ত্রিত হ্যান্ডহেল্ড মুভমেন্ট

অথবা:

হালকা স্বাভাবিক ক্যামেরা কাঁপুনি

এর মতো নির্দেশনা কাজে লাগতে পারে।

সব মডেল হ্যান্ডহেল্ড একই মাত্রায় ব্যাখ্যা করবে না—এটিও মাথায় রাখতে হবে।

স্থির শট চাইলে “স্থির” অবস্থাটিই লিখুন

রানওয়ে জেন-৪-এর নির্দেশনায় নেতিবাচক বাক্য এড়িয়ে কাঙ্ক্ষিত ফল সরাসরি লিখতে বলা হয়েছে।

অর্থাৎ:

ক্যামেরা নড়বে না।

এর বদলে:

লকড ক্যামেরা। ক্যামেরা স্থির থাকবে।

আরও নির্দিষ্টভাবে:

লকড ক্যামেরা। ক্যামেরা সম্পূর্ণ স্থির থাকবে, তবে ফ্রেমের মধ্যে চরিত্রটি নড়বে।

এটি রানওয়ের জন্য নথিভুক্ত প্রম্পট পরামর্শ। অন্য সব এআই ভিডিও মডেলে নেতিবাচক নির্দেশনা খারাপ কাজ করবেই—এমন সাধারণ সিদ্ধান্ত টানা যাবে না।

আর স্থির ক্যামেরা মানেই ফ্রেমের সবকিছু স্থির হতে হবে না:

লকড ওয়াইড শট। ক্যামেরা স্থির থাকবে। বাতাসে গাছের ডাল হালকাভাবে নড়বে।

অনেক দৃশ্যে এই পার্থক্যটি গুরুত্বপূর্ণ—ক্যামেরা স্থির, দৃশ্য নয়।

ইমেজ-টু-ভিডিওতে একই বর্ণনা আবার লিখবেন না

টেক্সট-টু-ভিডিও এবং ইমেজ-টু-ভিডিও প্রম্পট একভাবে লেখা সব সময় যৌক্তিক নয়। টেক্সট-টু-ভিডিওতে প্রম্পট থেকেই বিষয়, দৃশ্য ও গতিবিধি তৈরি করতে হয়। কিন্তু ইমেজ-টু-ভিডিওতে ছবিটি ইতিমধ্যে বিন্যাস, চরিত্রের চেহারা, পোশাক, আলো এবং পটভূমির অনেক তথ্য দিয়ে দিয়েছে।

তাই মূল ছবিতে নীল পোশাক পরা একজন নারী জানালার সামনে দাঁড়িয়ে থাকলে আবার:

বড় জানালার পাশে দাঁড়িয়ে থাকা নীল পোশাকের সুন্দর একজন নারী…

লিখে প্রম্পটের বড় অংশ পুনরাবৃত্তি করার প্রয়োজন কম।

বরং গতিবিধি লিখুন:

সে ধীরে জানালার দিকে ঘুরে তাকায়। বাতাসে পর্দা হালকাভাবে নড়ে এবং ক্যামেরা ধীরে তার দিকে এগিয়ে আসে। রানওয়ের ইমেজ-টু-ভিডিও নির্দেশিকায়ও মূলত গতিবিধি, ক্যামেরার কাজ এবং সময়ের সঙ্গে দৃশ্য কীভাবে বদলাবে—সেদিকে প্রম্পট কেন্দ্রীভূত করার পরামর্শ রয়েছে।

আরও পড়ুন: AI দিয়ে Content Idea খোঁজা: একই ধরনের Topic এড়িয়ে নতুন Angle বের করার পদ্ধতি

একসঙ্গে পাঁচটি ক্যামেরা নির্দেশনা দেওয়ার আগে ভাবুন

এ ধরনের প্রম্পট দেখতে প্রযুক্তিগত:

প্যান রাইট, জুম ইন, অরবিট, হ্যান্ডহেল্ড, ড্রোন শট।

কিন্তু আসলে এটি খুব অস্পষ্ট। কোন গতিবিধি আগে হবে? অরবিট চলার সময় ক্যামেরা হ্যান্ডহেল্ড থাকবে? ড্রোনের দৃষ্টিকোণ কখন আসবে?

ক্রম লিখে দিলে বিষয়টি পরিষ্কার হয়:

শটটি ধীর প্যান দিয়ে ডান দিকে শুরু হয়। চরিত্রটি ফ্রেমের মাঝখানে পৌঁছালে ক্যামেরা ধীরে তার দিকে এগিয়ে আসে।

কিছু নতুন মডেল আরও জটিল ধারাবাহিক নির্দেশনা সামলাতে পারে। রানওয়ে জেন-৪.৫ বিস্তারিত ক্যামেরা কোরিওগ্রাফি ও ধারাবাহিক নির্দেশনা নিতে পারে। ক্লিং ভিডিও ৩.০-তে আবার কাস্টম মাল্টি-শট রয়েছে, যেখানে আলাদা শটের সময়, ফ্রেমিং এবং ক্যামেরার গতিবিধি নির্ধারণ করা যায়।

তাই দৃশ্যের ধারাবাহিকতা জটিল হলে শুধু বিশাল প্রম্পট লেখার আগে দেখুন, ব্যবহৃত মডেলে আলাদা স্টোরিবোর্ড বা মাল্টি-শট নিয়ন্ত্রণ আছে কি না। অনেক ক্ষেত্রে সেটিই বেশি নিয়ন্ত্রিত পথ।

ফল খারাপ হলে প্রম্পট নতুন করে শুরু করার দরকার নেই

প্রথম ভিডিও ভালো না হলে একই সঙ্গে চরিত্র, দৃশ্যের ধরন, ক্যামেরা, আলো এবং কাজ বদলে ফেললে কোন পরিবর্তনটি কাজে দিয়েছে বোঝা যায় না।

তার চেয়ে একটি করে সমস্যা ধরুন।

ভিডিও প্রায় স্থির?

নারীটি সামনে হাঁটছে। ক্যামেরা তার সামনে থেকে ধীরে পেছনের দিকে সরে তাকে অনুসরণ করছে।

ক্যামেরা বেশি নড়ছে?

একসঙ্গে অরবিট + প্যান + জুম + হ্যান্ডহেল্ড না দিয়ে চেষ্টা করুন:

পাশ থেকে মসৃণ ট্র্যাকিং শট।

চরিত্রের গতিবিধি অস্বাভাবিক?

একই ভিডিওতে চার-পাঁচটি কাজ না দিয়ে একটি বা দুটি রাখুন।

অকারণে দৃশ্য কেটে যাচ্ছে?

রানওয়ের ইমেজ-টু-ভিডিও সমস্যা সমাধানের নির্দেশনায় সময়সীমা ও প্রম্পট পরীক্ষা করার পাশাপাশি প্রয়োজনে:

একটানা, বিরতিহীন শট।

ব্যবহারের পরামর্শ রয়েছে।

এই নির্দেশনাটিও রানওয়ের নির্দিষ্ট পরামর্শ। অন্য মডেলে একই ফল নিশ্চিত নয়।

শুরু করার সবচেয়ে সহজ পদ্ধতি

প্রথম প্রম্পটেই পূর্ণ সিনেম্যাটিক বর্ণনা লেখার দরকার নেই।

একটি সাধারণ কাজ দিয়ে শুরু করুন:

একজন নারী বৃষ্টিভেজা বাজারের মধ্য দিয়ে হাঁটছেন।

এরপর ক্যামেরা যোগ করুন:

একজন নারী বৃষ্টিভেজা বাজারের মধ্য দিয়ে হাঁটছেন। ক্যামেরা তার সামনে থেকে পেছনের দিকে সরে তাকে অনুসরণ করছে।

দৃশ্যের গতিবিধি দরকার হলে পরে যোগ করুন:

নিয়মিত বৃষ্টি পড়ছে। ছাতা হাতে মানুষ তার পেছন দিয়ে হাঁটছে।

শেষে প্রয়োজনীয় দৃশ্যের ধরন ও গতি যোগ করুন:

মসৃণ সিনেম্যাটিক ট্র্যাকিং শট, স্বাভাবিক হাঁটার গতি।

এভাবে একটি করে নির্দেশনা যোগ করলে কোন পরিবর্তনের পর ভিডিও কীভাবে বদলেছে, তা বোঝা সহজ হয়।

এআই ভিডিও প্রকাশের আগে প্রম্পটের বাইরেও কিছু বিষয় আছে

গতিবিধি ঠিক হলেই ভিডিও প্রকাশের জন্য প্রস্তুত হয়ে যায় না। বাস্তব ব্যক্তির চেহারার মিল, অন্যের ছবি বা ভিডিও এবং বাস্তব ঘটনার মতো দেখানো কৃত্রিম দৃশ্য ব্যবহার করলে সংশ্লিষ্ট প্ল্যাটফর্মের নিয়ম ও ব্যবহারের অধিকারও বিবেচনায় আসে।

বাণিজ্যিক বা প্রকাশযোগ্য কাজে অন্তত নিশ্চিত করুন:

• ব্যবহৃত রেফারেন্স ছবি, ভিডিও বা অন্য উপকরণ ব্যবহারের প্রয়োজনীয় অধিকার আছে;
• তৈরি দৃশ্য বাস্তব ব্যক্তি বা ঘটনাকে বিভ্রান্তিকরভাবে তুলে ধরছে কি না;
• ব্যবহৃত এআই ভিডিও সেবার বর্তমান কনটেন্ট ও ব্যবহারের নীতি কী বলে।

সোরা ২-এর প্রকাশিত সিস্টেম নথিতে প্রম্পট ও তৈরি কনটেন্টের বিভিন্ন অংশে নিরাপত্তা যাচাই ব্যবহারের তথ্য রয়েছে। তবে প্ল্যাটফর্মের নীতি পরিবর্তন হতে পারে। ফলে পুরোনো কোনো নিবন্ধ বা টিউটোরিয়াল দেখে বাণিজ্যিক ব্যবহারের সিদ্ধান্ত নেওয়ার চেয়ে ব্যবহারের সময় বর্তমান নীতি দেখা বেশি নিরাপদ।

ভিডিও তৈরি করার আগে একবার প্রম্পটটি পড়ুন

শেষবার পড়ার সময় পাঁচটি বিষয় খুঁজুন:

১. মূল বিষয়টি কী করছে?
২. তার দিক ও গতি বোঝা যাচ্ছে?
৩. ক্যামেরা কী করছে?
৪. পটভূমিতে কোনো প্রয়োজনীয় গতিবিধি আছে?
৫. অল্প সময়ের ভিডিওর জন্য খুব বেশি কাজ ঢোকানো হয়েছে কি?

এখানে সিনেম্যাটিক বা এপিক শব্দ বাদ দিতে হবে—এমন নয়। সমস্যা হয় যখন এই শব্দগুলোই গতিবিধির নির্দেশনার জায়গা নেয়। একটি ভালো টেক্সট-টু-ভিডিও প্রম্পট সাধারণত ক্যামেরাকে “সুন্দর কিছু করো” বলে ছেড়ে দেয় না। এটি বলে দেয় কোন গতিবিধিটি দরকার। শুরুতে একটি প্রধান কাজ এবং একটি ক্যামেরা মুভমেন্ট দিন। ফল কাছাকাছি এলে পরে গতি, পরিবেশ বা আরও জটিল ক্যামেরা কোরিওগ্রাফি যোগ করুন।

কারণ এআই ভিডিও তৈরি পুরোপুরি পূর্বনির্ধারিত নয়। একই প্রম্পট থেকেও কিছুটা ভিন্ন ফল আসতে পারে। তাই ভালো প্রম্পটের আসল সুবিধা একবারেই নিখুঁত ভিডিও পাওয়া নয়; বরং পরেরবার ঠিক কোন অংশ বদলাতে হবে, সেটি দ্রুত বুঝতে পারা।

প্রায়শই জিজ্ঞাসিত প্রশ্ন

১. লেখা থেকে ভিডিও তৈরির নির্দেশনায় গতিবিধি কীভাবে স্পষ্ট করবেন?

প্রথমে নির্ধারণ করুন দৃশ্যে কে বা কী নড়বে। এরপর তার দিক, গতি এবং ক্যামেরা কীভাবে সেই গতিকে অনুসরণ করবে তা আলাদা করে লিখুন। একই সঙ্গে অনেক কাজ না দিয়ে একটি প্রধান গতিবিধি দিয়ে শুরু করলে ফল নিয়ন্ত্রণ করা সহজ হয়।

২. ক্যামেরা স্থির রাখতে কী ধরনের নির্দেশনা দেওয়া ভালো?

শুধু “ক্যামেরা নড়বে না” বলার বদলে কাঙ্ক্ষিত অবস্থাটি সরাসরি লিখতে পারেন। যেমন, “ক্যামেরা সম্পূর্ণ স্থির থাকবে, তবে ফ্রেমের মধ্যে চরিত্রটি নড়বে।” বিশেষ করে রানওয়ে জেন-৪-এর ক্ষেত্রে এ ধরনের ইতিবাচক নির্দেশনা ব্যবহারের পরামর্শ দেওয়া হয়েছে।

৩. ধীর গতি ও ধীরগতির দৃশ্য কি একই বিষয়?

না। কোনো চরিত্র ধীরে হাঁটছে বা ধীরে হাত তুলছে মানে তার কাজের স্বাভাবিক গতিই কম। আর ধীরগতির দৃশ্য বলতে কোনো ঘটনাকে স্বাভাবিক সময়ের তুলনায় ধীরে দেখানো বোঝায়। নির্দেশনায় এই পার্থক্য পরিষ্কার না করলে প্রত্যাশিত ফল নাও আসতে পারে।

৪. একটি নির্দেশনায় একাধিক ক্যামেরা গতিবিধি দেওয়া যাবে কি?

দেওয়া যায়, তবে কোন গতিবিধি আগে এবং কোনটি পরে হবে তা পরিষ্কার করে লেখা ভালো। একসঙ্গে ঘোরা, কাছে আসা, পাশ দিয়ে যাওয়া এবং ওপর থেকে দেখানোর মতো অনেক নির্দেশনা দিলে ছোট দৃশ্য বিশৃঙ্খল হতে পারে।

৫. একই নির্দেশনা দিলে প্রতিবার কি একই ভিডিও তৈরি হবে?

না। একই নির্দেশনা ব্যবহার করলেও কৃত্রিম বুদ্ধিমত্তানির্ভর ভিডিও তৈরির ব্যবস্থায় কিছুটা ভিন্ন ফল আসতে পারে। তাই প্রথম ফল প্রত্যাশামতো না হলে পুরো নির্দেশনা বদলে না দিয়ে চরিত্রের গতিবিধি, ক্যামেরার গতি বা দৃশ্যের জটিলতা—একটি বিষয় করে পরিবর্তন করা বেশি কার্যকর।