গুগল বৃহস্পতিবার জেমিনি ওমনি 1.1 ফ্ল্যাশ ঘোষণা করেছে, এটির জেনারেটিভ ভিডিও মডেলের একটি উত্পাদন-প্রস্তুত আপডেট যা দৃশ্যের এক্সটেনশন, সিনেমাটিক ক্যামেরা নিয়ন্ত্রণ এবং 4K আউটপুট যোগ করে, ডিপমাইন্ড পণ্য পরিচালক অনিশ নাঙ্গিয়া এবং আলিসা ফরটিনের অফিসিয়াল গুগল ব্লগে একটি পোস্ট অনুসারে।

আপডেটটি ওমনিকে একটি পরীক্ষামূলক মডেল থেকে Google AI স্টুডিওতে Gemini API-এর মাধ্যমে পেশাদার ব্যবহারের জন্য উৎপাদন প্রস্তুতিকে বলে, যার মধ্যে জেমিনি এন্টারপ্রাইজ এজেন্ট প্ল্যাটফর্মের মাধ্যমেও তালিকাভুক্ত করা হয়েছে। Google জেমিনি ওমনিকে জেনিটিভ সৃষ্টিতে বাস্তব-বিশ্বের যুক্তি নিয়ে এসেছে বলে বর্ণনা করে এবং 1.1 রিলিজটিকে এমন একটি পয়েন্ট হিসাবে রাখে যেখানে মডেলটি ভিডিও ওয়ার্কফ্লো, সৃজনশীল সরঞ্জাম এবং মিডিয়া সম্পাদনা সফ্টওয়্যার তৈরির বিকাশকারীদের জন্য যথেষ্ট নির্ভরযোগ্য হয়ে ওঠে।

দৃশ্য সম্প্রসারণের মাধ্যমে দীর্ঘ গল্প

শিরোনাম ক্ষমতা হল দৃশ্য এক্সটেনশন, যা ডেভেলপারদের একটি বিদ্যমান জেনারেটেড ভিডিও নিতে দেয় এবং যেখান থেকে এটি ছেড়ে গেছে সেখান থেকে নির্বিঘ্নে ফুটেজ তৈরি করা চালিয়ে যেতে দেয়। Omni 1.1 এর সাথে, Google বলেছে যে মডেলটি 10 ​​সেকেন্ড পর্যন্ত পূর্বের প্রসঙ্গ বিশ্লেষণ করতে পারে - পূর্ববর্তী মডেলগুলির থেকে একটি লাফ যা শুধুমাত্র চূড়ান্ত সেকেন্ডের উল্লেখ করে। কোম্পানির মতে এর ফলাফল হল, দীর্ঘ গল্প তৈরি করার সময় বা নতুন সৃজনশীল দিকনির্দেশনায় শাখাবদ্ধ করার সময় চাক্ষুষ সামঞ্জস্য এবং বর্ণনার আনুগত্য উন্নত হয়।

ভিডিওগুলি 10-সেকেন্ডের বৃদ্ধিতে 40 সেকেন্ডের মোট ক্রমবর্ধমান দৈর্ঘ্য পর্যন্ত বাড়ানো যেতে পারে। এটি প্রথাগত ভিডিও দৈর্ঘ্যের তুলনায় কম থাকে, কিন্তু সংক্ষিপ্ত আকারের সামগ্রী, বিজ্ঞাপনের সৃজনশীল এবং প্রাক-ভিজ্যুয়ালাইজেশন কাজের জন্য, Google বাজি ধরছে যে নিয়ন্ত্রণ এবং সামঞ্জস্যতা সময়ের চেয়ে বেশি গুরুত্বপূর্ণ।

ঘোষণার পাশাপাশি প্রকাশিত প্রদর্শনী সামগ্রী দেখায় যে কীভাবে কার্যপ্রবাহকে বাস্তবে কাজ করার জন্য বোঝানো হয়: প্রতিটি নতুন প্রম্পট পূর্ববর্তী দৃশ্যটি চালিয়ে যায়, মডেলটি ভিজ্যুয়াল প্রসঙ্গকে এগিয়ে নিয়ে যায় যখন প্রম্পট ক্যামেরার গতিবিধি, সেটিং এবং এমনকি মেজাজে পরিবর্তন নির্দেশ করে — একটি ক্রম একটি ঘনিষ্ঠ কথোপকথন থেকে ধীরগতিতে পুল-আউটে চলে যায় এবং তারপরে ধূলিকণার মধ্য দিয়ে একটি ফ্লোটে চলে যায়। একটি দৃশ্যকে এক শটে তৈরি না করে স্তরে স্তরে নির্মাণ করা, একজন সম্পাদক কীভাবে ফুটেজ একত্রিত করে তার চেয়েও কাছাকাছি টেক্সট-টু-ভিডিও টুল কীভাবে কাজ করেছিল।

ক্যামেরা নিয়ন্ত্রণ এবং ফ্রেম ইন্টারপোলেশন

রিলিজটি স্টুডিও-মানের ভিডিও উত্পাদন সরঞ্জাম হিসাবে Google যা বর্ণনা করে তা যোগ করে। ঘোষণা পোস্টে দেখানো উদাহরণগুলির মধ্যে: একটি সিনেমাটিক ডলি-জুম যা জুম আউট করার সময় ক্যামেরাকে এগিয়ে নিয়ে যায়, একটি চরিত্রের চোখে একটি যান্ত্রিক স্ন্যাপ-জুম এবং 3D গভীরতা এবং প্যারালাক্স প্রদর্শনের জন্য একটি হিমায়িত চরিত্রের চারপাশে একটি 360-ডিগ্রি অরবিটাল ঘূর্ণন।

বিকাশকারীরা একটি শটের জন্য প্রথম এবং শেষ ফ্রেমগুলিও নির্দিষ্ট করতে পারেন, মডেলটি তাদের মধ্যে মসৃণ রূপান্তরগুলিকে ইন্টারপোলেট করে — পেশাদার অ্যানিমেটরদের কাছে পরিচিত একটি কৌশল যা একটি শট শুরু এবং শেষ কোথায় তা সূক্ষ্ম নিয়ন্ত্রণ দেয়। সর্বশেষ AI উন্নয়ন অনুসরণ করুন যেহেতু Google তার দ্রুত রিলিজ ক্যাডেন্স চালিয়ে যাচ্ছে।

360p-এ পুনরাবৃত্তি করুন, 4K-এ বিতরণ করুন

ওমনি 1.1 ফ্ল্যাশ খরচ নিয়ন্ত্রণের লক্ষ্যে একটি দ্বি-স্তরের মানের ওয়ার্কফ্লো প্রবর্তন করে। সৃজনশীল প্রক্রিয়া চলাকালীন বিকাশকারীরা দ্রুত 360p প্রিভিউ তৈরি করতে পারে এবং আরও সস্তায় আইডিয়াগুলিকে পুনরাবৃত্তি করতে পারে, তারপর একটি পালিশ ফলাফলের জন্য চূড়ান্ত প্রকল্পটিকে 4K রেজোলিউশনে আপস্কেল করতে পারে৷ গুগল বলেছে যে আপস্কেলিং পেশাদার ব্যবহারের জন্য উপযুক্ত খাস্তা, উচ্চ-রেজোলিউশন আউটপুট তৈরি করে।

প্রিভিউ-টু-4K পাইপলাইন জেনারেটিভ ভিডিওর একটি ক্রমাগত অর্থনৈতিক সমস্যার সমাধান করে: প্রতিবার প্রম্পট পরিবর্তন হলে পূর্ণ-রেজোলিউশন আউটপুট পুনরুত্পাদনের খরচ। ডেলিভারি থেকে এক্সপ্লোরেশন ডিকপলিং করে, Google বাণিজ্যিক পাইপলাইনের জন্য মডেলটিকে আরও ব্যবহারিক করে তুলছে যেখানে চূড়ান্ত রেন্ডারের আগে কয়েক ডজন পুনরাবৃত্তি হয়।

কেন এটা গুরুত্বপূর্ণ

আপডেটটি কাঁচা প্রজন্মের গুণমান থেকে নিয়ন্ত্রণযোগ্যতার দিকে শিল্পের পরিবর্তনকে প্রতিফলিত করে — ক্যামেরা মুভমেন্ট পরিচালনা করার ক্ষমতা, চরিত্রের সামঞ্জস্য বজায় রাখা এবং সঠিক ফ্রেমে আঘাত করা, যেভাবে একজন পরিচালক বা সম্পাদক করবেন। সৃজনশীল সফ্টওয়্যার তৈরির বিকাশকারীদের জন্য, একটি ডেমো এবং একটি স্থাপনযোগ্য পণ্যের মধ্যে পার্থক্য প্রায়শই কাঁচা বিশ্বস্ততার পরিবর্তে এই নিয়ন্ত্রণগুলিতে নেমে আসে।

প্রকাশের Google-এর ফ্রেমিং অভিপ্রেত দর্শকদের সুস্পষ্ট করে তোলে। কোম্পানি তিনটি টার্গেট বিভাগের নাম দিয়েছে — জেনারেটিভ ভিডিও ওয়ার্কফ্লো, ক্রিয়েটিভ টুলস এবং মিডিয়া এডিটিং সফ্টওয়্যার — এবং আপডেটগুলিকে জেনারেটিভ ভিডিওকে আরও নিয়ন্ত্রণযোগ্য, পুনরাবৃত্ত করতে দ্রুত এবং বাস্তব-বিশ্ব স্থাপনার জন্য পালিশ হিসাবে বর্ণনা করে৷ রিলিজ সারাংশে 4K আপস্কেলিংয়ের পাশাপাশি দ্রুত প্রোটোটাইপিং প্রদর্শিত হয়, এটি আন্ডারস্কোর করে যে পুনরাবৃত্তির গতি তার নিজের অধিকারে একটি বৈশিষ্ট্য হিসাবে বিক্রি হচ্ছে।

AI স্টুডিওতে ওমনি 1.1 ফ্ল্যাশ উপলব্ধ এবং জেমিনি API-এর মাধ্যমে, Google জেমিনি এন্টারপ্রাইজ এজেন্ট প্ল্যাটফর্মের মাধ্যমে এন্টারপ্রাইজ ব্যবহারকারীদের দিকে মডেলটিকে ঠেলে দিচ্ছে, এটি ইঙ্গিত দেয় যে জেনারেটিভ ভিডিওটি একটি ভোক্তা অভিনবত্বের পরিবর্তে ব্যবসায়িক অবকাঠামো হিসাবে অবস্থান করা হচ্ছে।

কি দেখতে হবে

4K আউটপুটের মূল্যের বিশদ ঘোষণায় হাইলাইট করা হয়নি, এবং বিকাশকারীরা 40-সেকেন্ডের ক্রমবর্ধমান সীমা বাস্তব-বিশ্ব উত্পাদন পরিকল্পনাকে কীভাবে প্রভাবিত করে তা দেখবে। AI ভিডিওতে প্রতিযোগিতা তীব্র রয়ে গেছে, প্রতিদ্বন্দ্বীরা তাদের নিজস্ব নিয়ন্ত্রণযোগ্যতা বৈশিষ্ট্য দ্রুত গতিতে প্রেরণ করছে — একটি গতিশীল যা এই বছর অত্যাধুনিক দাবির শেলফ লাইফকে বারবার ছোট করেছে।

আপাতত, ডেভেলপারদের কাছে Google-এর বার্তাটি সরাসরি: একসময় প্রম্পট অ্যালকেমি এবং ভাগ্যের প্রয়োজন ছিল এমন জেনারেটিভ ভিডিও এখন একটি একক API-এর মাধ্যমে 4K-এ নির্দেশিত, প্রসারিত এবং শেষ করা যেতে পারে।

---

এআই থেকে এগিয়ে থাকুন

সর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।

আরও এআই খবর পড়ুন →