হিগসফিল্ডের এআই ভিডিও: ১ মিনিট থেকে ১০ মিনিটের বেশি

হিগসফিল্ড এআই⁠(একটি নতুন উইন্ডোতে খোলে) চায়, মাথায় কোনো ভাবনা থাকলেই যেন যে কেউ পেশাদার মানের ভিডিও ও ছবি তৈরি করতে পারেন. GPT‑6 Astra আসার আগে এসব ভিডিওর দৈর্ঘ্য ছিল সর্বোচ্চ প্রায় এক মিনিট. প্রধান নির্বাহী ও সহপ্রতিষ্ঠাতা অ্যালেক্স মাশরাবভ জানান, এখন ব্যবহারকারীরা ১০ মিনিটেরও বেশি দৈর্ঘ্যের ভিডিও তৈরি করতে পারেন.

হিগসফিল্ড এআই ছোট সৃজনশীল দলগুলোকে আরও বড় পরিসরের কাজ হাতে নিতে নানাভাবে সাহায্য করে. দীর্ঘ ভিডিও তৈরি তারই একটি. অ্যালেক্সের মতে, GPT‑6 Astra ও GPT‑Image‑2.5‑এর মতো মডেল দিয়ে এখন একজন নির্মাতা একাই শুরু থেকে শেষ পর্যন্ত উচ্চমানের ফ্যাশন প্রচারাভিযান বাস্তবায়ন করতে পারেন.

হিগসফিল্ড এআই-এর সৃজনশীল এজেন্টগুলো নির্মাণের পুনরাবৃত্তিমূলক কাজ করে দেয়, যেমন একই শটের একাধিক ভিন্ন সংস্করণ তৈরি করা. GPT‑6 Astra দিয়ে এসব এজেন্ট বাইরের সরঞ্জামও ব্যবহার করতে পারে, যাতে ত্রিমাত্রিক মডেল তৈরির জটিল কাজগুলো হাতে করতে না হয়. অ্যালেক্স জানান, এই সক্ষমতা সৃজনশীল এআই-এর অন্যতম কঠিন সমস্যা সমাধানে সাহায্য করে: দীর্ঘ ভিডিওজুড়ে সামঞ্জস্য বজায় রাখা.

এর প্রমাণ দেখা যায় হিগসফিল্ড এআই-এর নিজস্ব ইউটিউব চ্যানেলে. অ্যালেক্সের ভাষ্য অনুযায়ী, চ্যানেলটির গ্রাহকসংখ্যা প্রায় পাঁচ লাখ. চ্যানেলটি সৃজনশীল পেশাজীবীদের এআই মডেল ও কর্মপ্রবাহ ব্যবহার করতে শেখায়. আগে এসব বিষয়বস্তু তৈরি করতে হিগসফিল্ড এআই-এর দলকে নিজ হাতে অনেক কাজ করতে হতো. কিন্তু GPT‑6 Astra দিয়ে দলটি এমন একটি কর্মপ্রবাহ তৈরি করেছে, যা এআই ব্যবহার করে ১০ মিনিটেরও বেশি দৈর্ঘ্যের শিক্ষামূলক ভিডিও তৈরি করে.

আরও দীর্ঘ শিক্ষামূলক ভিডিও তৈরি করতে পারার বিষয়টি অ্যালেক্সের কাছে ব্যক্তিগতভাবেও গুরুত্বপূর্ণ. তিনি কাজাখস্তানের গ্রামীণ বিদ্যালয়গুলোকে সহায়তা করেন. তাঁর বর্ণনা অনুযায়ী, প্রাথমিক একটি উদ্যোগে GPT‑6 Astra-এর দৃশ্য বোঝার ক্ষমতা দিয়ে শিক্ষার্থীদের কোন কোন বিষয় বুঝতে অসুবিধা হতে পারে তা শনাক্ত করা হচ্ছে এবং তাদের শেখার প্রয়োজন অনুযায়ী ভিডিও তৈরি করা হচ্ছে.

প্রচারসামগ্রী তৈরির সময় ছোট ব্যবসার কাছে ছবির মতোই গুরুত্বপূর্ণ হতে পারে পাঠযোগ্য লেখা ও নির্ভুল তথ্যচিত্র. অ্যালেক্স জানান, নির্মাণের জন্য বড় বাজেট না থাকলেও GPT‑Image‑2.5 দিয়ে ব্যবসাগুলো এ ধরনের বিষয়বস্তু তৈরি করতে পারে.

তিনি বলেন, “GPT‑Image‑2.5 অত্যাধুনিক একটি মডেল. এ ধরনের মডেলের মধ্যে এটিই প্রথম, যা নির্ভরযোগ্যভাবে ছবির ওপর লেখা ও তথ্যচিত্র ফুটিয়ে তুলতে পারে.”

প্রায় ২০০ জন সৃজনশীল পেশাজীবী ও ১০০ জন প্রকৌশলীর ঘনিষ্ঠ সহযোগিতায় হিগসফিল্ড এআই তার পণ্য তৈরি করে. অ্যালেক্স জানান, Codex সৃজনশীল দলকে “অত্যন্ত দক্ষ একজন সফটওয়্যার প্রকৌশলীর সক্ষমতা” দেয়.

সৃজনশীল পেশাজীবীরা Codex ব্যবহার করে নিজেদের ভাবনা থেকে সফটওয়্যারের প্রাথমিক নমুনা তৈরি করেন. আগে এসব প্রাথমিক নমুনাকে বাস্তবে ব্যবহারের উপযোগী করতে সম্মুখভাগ ও পশ্চাৎভাগের প্রকৌশলীদের অনেক কাজ করতে হতো. অ্যালেক্স জানান, এখন GPT‑6 Astra থাকায় এসব ভাবনা পণ্যে যুক্ত করতে আগের চেয়ে কম কাজ করতে হয়.

অ্যালেক্সের মতে, প্রাথমিক নমুনা থেকে ব্যবহারযোগ্য পণ্য তৈরির পথে বাধা কমে যাওয়ায় হিগসফিল্ড এআই আরও দ্রুত উন্নত পণ্য তৈরি ও বাজারে আনতে পারে.

হিগসফিল্ড এআই-এর পরবর্তী লক্ষ্য, নির্মাতারা যেন নিজেদের ভাবনা বর্ণনা করার সঙ্গে সঙ্গেই তা রূপ নিতে দেখতে পারেন. অ্যালেক্স এই পরিকল্পনাকে বলেন “কথা থেকে চলচ্চিত্র”. এতে এআই নির্মাতার মুখের কথা থেকে তাঁর অভিপ্রায় বুঝবে এবং সঙ্গে সঙ্গে তাঁর কল্পনাকে দৃশ্যরূপ দেবে.

তাঁর মতে, পরিকল্পনা, সরঞ্জাম ব্যবহার, ইমেজ জেনারেশন ও কণ্ঠপ্রযুক্তিতে OpenAI-এর অগ্রগতি সেই অভিজ্ঞতাকে বাস্তবের আরও কাছে নিয়ে আসছে. তিনি এর কণ্ঠভিত্তিক মডেলকে বর্ণনা করেন “কথা বোঝা ও সাধারণ যোগাযোগের ক্ষেত্রেও সমজাতীয় মডেলগুলোর মধ্যে সেরা” হিসেবে.

হিগসফিল্ড এআই-এর লক্ষ্য হলো, চলচ্চিত্র তৈরি যেন অনেকটা নিজের ভাবনা বর্ণনা করার মতোই সহজ হয়, আর ভাবনা থেকে চলচ্চিত্রে পৌঁছানোর কাজের আরও বেশি অংশ সামলায় এআই.