মঙ্গলবার, গুগল উন্মোচন করল ভিউ ৩, একটি নতুন এআই ভিডিও সংজ্ঞানিয় মডেল যা আগে কোনো প্রধান এআই ভিডিও জেনারেটর সম্ভব করতে পারেনি এমন একটি কার্য সম্পাদন করতে সক্ষম: ভিডিওর সাথে সিঙ্ক্রোনাইজড অডিও ট্র্যাক তৈরি। ২০২২ থেকে ২০২৪ সালের মধ্যেই প্রথম এআই-গঠিত ভিডিওগুলি ছিল নিস্তব্ধ এবং সাধারণত খুব সংক্ষিপ্ত। এখন, ভিউ ৩ দিতে পারে আট секундের হাই ডেফিনিশন ক্লিপ যার মধ্যে রয়েছে কণ্ঠস্বর, সংলাপ এবং Sound Effects. লঞ্চের পরে, মানুষ সঙ্গে সঙ্গে স্পষ্ট মানদণ্ডের প্রশ্ন তুললো: ভিউ ৩ এর দ্বারা কতটা সফলভাবে নকল করতে পারে অস্কারজয়ী অভিনেতা উইল স্মিথের স্প্যাগেটি খাওয়ার দৃশ্য? সংক্ষিপ্ত রেক্যাপ: এআই ভিডিওতে “স্প্যাগেটি মানদণ্ড” শুরু হয়েছিল মার্চ ২০২৩ এ, যখন একটি প্রারম্ভিক কিছুটা অস্বস্তিজনক AI-জনিত ভিডিও তৈরি হয়েছিল ModelScope নামক একটি ওপেন-সোর্স সংযোজক মডেল ব্যবহার করে। সেই স্প্যাগেটি উদাহরণটি এতটাই জনপ্রিয় হয়ে গেল যে, প্রায় বছর এক পরে, ফেব্রুয়ারি ২০২৪ এ, স্মিথ সে ব্যাপারটি প্যারোডি করলেন। এখানে একটি স্মরণ করিয়ে দেওয়া হলো যে, আসলে প্রথম ভাইরাল ভিডিওটি কেমন দেখেছিল: আবার অনেকেরই ভুলে যায় যে, তখনকার সময়ে স্মিথের প্যারোডি তৈরি হয়েছিল এমন সর্বোত্তম AI ভিডিও জেনারেটর ব্যবহার করে নয়—একটি নাম “Gen-2” from Runway, যা ইতিমধ্যেই উচ্চ মানের ফলাফল সরবরাহ করেছিল, তবে সেটি এখনও 공개 ছিল না। তবুও, ModelScope সংস্করণটি অদ্ভুত এবং মনে রাখার মতো ছিল, কারণ এটি ছিল এআই ভিডিওয়ের সীমাবদ্ধতাগুলোর জন্য এক রেফারেন্স পয়েন্ট যখন প্রযুক্তি আরও উন্নত হচ্ছিল। এই সপ্তাহের শুরুতে, AI অ্যাপ ডেভেলপার হাভি লোপেজ গ্রাহকদের প্রত্যাশার জন্য ভিউ ৩ ব্যবহার করে স্প্যগেটি ট্রাই করার জন্য অনুরোধের উত্তরে তার ফলাফল X-এ শেয়ার করেন। তবে ফল দেখার সময়, সাউন্ডট্র্যাকটি অস্বাভাবিক মনে হয়েছিল: নকল স্মিথ স্প্যাগেটি চিবাচ্ছিলেন বলে মনে হয়েছিল। এই গ্লিচের কারণ হলো ভিউ ৩ এর পরীক্ষামূলক সাউন্ড এফেক্ট যোগ করার ক্ষমতা, সম্ভবত কারণ এর প্রশিক্ষণ ডেটাতে প্রচুর চিবানোর শব্দের উদাহরণ ছিল। জেনারেটিভ এআই মডেলগুলি সাধারণত প্যাটার্ন-ম্যাচিং পূর্বাভাস পদ্ধতি হিসেবে কাজ করে, যা যথেষ্ট ট্রেনিং ডেটার ওপর ভিত্তি করে বিশ্বাসযোগ্য ফলাফল তৈরি করে। যখন কোনও ধারণা অতিরিক্ত বা কম উপস্থাপিত হয় সেই ডেটায়, তখন অদ্ভুত জেনারেশন artifacts তৈরি হয়। আমরাও নিজেরাই ভিউ ৩-এ প্রোম্পট চালিয়েছি, তবে “Will Smith” শব্দটি গুগলের কন্টেন্ট ফিল্টার দ্বারা ব্লক হয়েছিল। তবে, “একজন কালো মানুষ স্প্যাগেটি খাচ্ছে” এমন প্রম্পট ব্যবহার করলেও সেই একই ক্রাঞ্চির শব্দের ইফেক্ট পেয়েছি (লোকেজ হয়তো প্রথমে ফিল্টার মুক্ত অ্যাক্সেস পেয়েছিলেন, বা কিছু প্রম্পটের পরিবর্তন দিয়ে যা ফিল্টার এড়িয়ে গেছে). ভিউ ৩ এর অসাধারণ যোগ্যতা হলো এটা যুক্তিসংগত সংলাপ এবং সঙ্গীত তৈরি করতে পারে, যা ইতিমধ্যেই একাধিক মার্জিত উদাহরণ সৃষ্টি করেছে X-এ। একজন ব্যক্তিকে খুব আড়ংগুলো ডিনারের নুডলস খাচ্ছে এমন ভিডিওতেই সীমাবদ্ধ না থেকে, আমরা পরীক্ষা করেছিলাম যদি সে একই সাথে গানও করতে পারে—প্রম্পট দিয়ে: “একজন মানুষ অংলিশ-ভাষার কমেডি অপেরা গাইছে যা স্প্যাগেটির বিষয়ে, কিচেন টেবিলে বসে খাচ্ছে।” আমরা ২০২৩ থেকে ব্যাপক অগ্রগতি করেছি, এবং এআই ভিডিও জেনারেটরগুলি রিয়ালিজম এবং কার্যকারিতায় আরও উন্নতি করবে। যদি ভিউ ৩ এর আলোচিত সেলিব্রিটি ফিল্টার না থাকত, হয়তো আমরা সহজেই স্মিথের গায়ন বা অন্য কিছু করার ভিডিও বানাতে পারতাম—যা এআই ভিডিও প্রযুক্তিবিষয়ে সম্ভাব্য উদ্বেগের উদ্বোধন করে। সাংস্কৃতিক এককত্ব দ্রুত এগিয়ে যাচ্ছে। এই বিষয়ে, সম্প্রতি আমরা আমাদের নিজস্ব বিশদ ভিডিও জেনারেশন পরীক্ষা করেছিলাম ভিউ ৩ দিয়ে, এবং শীঘ্রই সেই ফলাফলগুলি একটি বিশেষ প্রতিবেদনে শেয়ার করবো। এখনকার জন্য, এটিকে নুডলটাইমের প্রিয় প্রিন্সের সংক্ষিপ্ত আপডেট মনে করুন। শুভ খাবার!