একজন মানুষ কি একা AI দিয়ে শর্ট ফিল্ম বানাতে পারে? স্টোরিবোর্ড, চরিত্রের ধারাবাহিকতা আর শট জোড়া

পারে। তবে সব অংশ নয়।

আমি একা AI চলচ্চিত্র নির্মাণ পরীক্ষা করলাম ইচ্ছে করে সবচেয়ে ছোট একটা গল্পে: এক লোক পুরনো কোটের পকেটে ভাঁজ করা একটা কাগজ পায়। আটটা শট, একজন মানুষ, এক বাক্য থেকে শুরু করে গোড়া থেকে শেষ পর্যন্ত দেখা যায় এমন কিছু পর্যন্ত। নিচে আছে কী কাজ করল, কোথায় আটকে গেলাম, আর আসলে খরচ কত হল।

একজন কী শেষ করতে পারে, আর কী পারে না

আগে সিদ্ধান্তটা, যাতে আপনি ভুল প্রত্যাশা নিয়ে বাকিটা না পড়েন।

একজন এখন একা যা করতে পারে: স্টোরিবোর্ড, চরিত্রের চেহারা আর চরিত্রের ধারাবাহিকতা, প্রতিটা শটের ছবি, শটের মাঝের জোড়া, কণ্ঠ আর ঠোঁট মেলানো। যে কাজে আগে ক্যামেরাম্যান, আলোর লোক, শিল্প বিভাগ আর অভিনেতা লাগত, সেটা আজ সত্যিই একটা টেবিলে জায়গা পায়।

যা এখনও হয় না: প্রায় পাঁচ সেকেন্ডের বেশি একটানা জটিল নড়াচড়া, সংবাদের মাপে ঠিকঠাক বসানো অভিনয়, ফ্রেমে পড়া যায় এমন লেখা আছে যে কোনো শট (নিচে এ নিয়ে বলছি), এবং যা কিছুর জন্য সত্যিকারের লোকেশন বা সাড়া দেওয়া সত্যিকারের মানুষ লাগে।

তাই AI চলচ্চিত্র নির্মাণের এখনকার সবচেয়ে ভালো দৈর্ঘ্য ৩০ সেকেন্ড থেকে ২ মিনিট, কয়েকটা ছোট শট জুড়ে। তিন মিনিটের একটানা শট চেষ্টা করবেন না — এটা প্রম্পট লেখার সমস্যা নয়, এটা পদ্ধতিটার বর্তমান ছাদ।

একটা অনুচ্ছেদ কীভাবে স্টোরিবোর্ড হয়?

স্টোরিবোর্ড হল প্রথমে করার ধাপ, আর পুরো AI চলচ্চিত্র নির্মাণের সবচেয়ে সস্তা অংশ। দ্রুত, খরচ প্রায় নেই, আর তৈরি ছবিতে সত্যিকারের টাকা ঢালার আগেই গল্পের ফাঁক ফাঁস করে দেয়।

পদ্ধতিটা সোজা: গল্পটা প্রতি শটে এক বাক্য করে ভাগ করুন, আর প্রতিটা বাক্যে তিনটে জিনিস লিখুন — ছবির মাপ, ক্রিয়া, আলো। তারপর AI ইমেজ জেনারেশন দিয়ে পেনসিল ধাঁচের ছোট ছবির একটা পালা বের করুন।

আমার ভাগটা এমন হল: ঘর দেখানো ওয়াইড → মিডিয়াম, হ্যাঙ্গার থেকে কোট নামছে → ক্লোজ-আপ, পকেটে ঢুকছে হাত → ক্লোজ-আপ, হাতের তালুতে খোলা কাগজ → মিডিয়াম, মাথা উঠে জানালার দিকে → ওয়াইড, কোট পরে দরজার দিকে হাঁটছে → সিঁড়ির দরজা সকালের আলোয় খুলছে → লং শট, রাস্তা ধরে যাওয়া তার পিঠ।

এই ধাপে একটা উল্টো পরামর্শ: ভালো আঁকার চেষ্টা করবেন না। আপনি মাত্র তিনটে জিনিস দেখছেন — গল্প দাঁড়ায় কি না, ছবির মাপ বদলায় কি না, বাড়তি শট আছে কি না। স্কেচ যত কাঁচা, কাটতে তত সহজ। আমার প্রথম পালায় ১১টা খোপ ছিল; ছন্দ ঠিক হল আটে নামার পর।

প্রতিটা শটে একই মুখ কীভাবে ধরে রাখবেন?

চরিত্রের ধারাবাহিকতা হল সেই জায়গা যেখানে AI চলচ্চিত্র নির্মাণ সবচেয়ে বেশি ভাঙে, আর এই ধাপেই আমার সবচেয়ে বেশি সময় গেছে।

উত্তর হল একটা চরিত্র শিট: একটা বানান, তারপর মুখটা শব্দে বর্ণনা করার বদলে প্রতিটা শটে সেটার রেফারেন্স দিন। ধারাবাহিকতা আসে একই রেফারেন্স ছবি বারবার ব্যবহার করা থেকে, আরও বিশদ বর্ণনা লেখা থেকে নয়।

আগে একটা পরিষ্কার সামনের ছবি বানালাম — ধূসর পটভূমি, সমান আলো, কোনো সাজ নেই, কোনো ভাব নেই; মোটামুটি একটা কাস্টিং ছবি। তারপর ওটা থেকে তিন-চতুর্থাংশ, পাশ আর পিঠ বানালাম। এই চারটে ছবিই এই ছবির "অভিনেতা", আর পরের প্রতিটা শট এই শিটটা পায়।

তিনটে ব্যবহারিক কথা:

মুখটা লেখায় বর্ণনা করবেন না। "ত্রিশের মাঝামাঝি, ছোট কালো চুল, হালকা দাড়ি" একশো আলাদা মানুষ বানিয়ে দেবে। মুখটা রেফারেন্স ছবির হাতে ছাড়ুন; প্রম্পটে শুধু এই শটে যা বদলাচ্ছে সেটাই থাকুক।

পিঠ আর পাশ শুরুতেই বানিয়ে নিন। যে শটে সে দূরে হেঁটে যায়, সেই পর্যন্ত অপেক্ষা করলে খুব সম্ভবত সেটা সামনের সেই লোক আর থাকবে না।

পোশাক প্রতিটা প্রম্পটে লিখুন। চরিত্রের ধারাবাহিকতা কেবল মুখ নয় — কোটের রং বা কাট সরে গেলে দর্শক জোড়াটা তবু দেখে ফেলে। এই তিনটে ঠিক রাখলে একটা AI শর্ট ফিল্মে চরিত্রের ধারাবাহিকতা মোটামুটি সমাধান হয়ে যায়।

শট কীভাবে লাফ না দিয়ে জোড়া লাগে?

সবচেয়ে কম খাটনির উপায় হল এক শটের শেষ ফ্রেমকে পরের শটের প্রথম ফ্রেম বানানো।

এই দুটো ফ্রেম একই মুহূর্তের প্রথম আর দ্বিতীয় অর্ধেক: বাঁয়ে সে কাগজের দিকে তাকিয়ে, ডানে মাথা উঠে জানালার দিকে। ফ্রেমিং নড়েনি, আলোর দিক নড়েনি, রঙের গ্রেড নড়েনি — বদলেছে কেবল মাথার কোণ আর দৃষ্টির দিক। একসঙ্গে কাটলে এটা একটাই টানা প্রতিক্রিয়া হিসেবে পড়া যায়।

দুটোকেই প্রথম ও শেষ ফ্রেম থেকে ভিডিও-তে শুরু আর শেষ বিন্দু হিসেবে দিন, মাঝের ফাঁকটা মডেল ভরুক। মডেলকে গোটা একটা ক্রিয়া "অভিনয়" করতে বলার চেয়ে এটা অনেক স্থির, আর দুই প্রান্তই আপনি বেঁধে দিয়েছেন বলে এটা চরিত্রের ধারাবাহিকতাও বাঁচায়।

জোড়ার দুটো খুঁটিনাটি বাদ পড়ে যায়, আর AI চলচ্চিত্র নির্মাণে এগুলোর দাম সত্যিকারের শুটিংয়ের চেয়ে বেশি, কারণ সেটে ঠিক করা যায় না। আলোর দিক মিলতে হবে। এক শটে আলো বাঁ দিক থেকে এলে পরের শটে ডান দিক থেকে আসতে পারে না — দর্শক বলতে পারবে না কী ভুল, কিন্তু টের পাবে। রঙের গ্রেড মিলতে হবে। আমার আটটা শটই প্রম্পটেই "ঠান্ডা ভোর" বহন করে; পরে ঠিক করার ভরসায় ছিলাম না।

সব শট একবারে দেখে শুধু খারাপগুলো কীভাবে আবার করবেন?

ছবি একটা একটা করে খোলা আপনাকে ঠকায়। প্রতিটা আলাদা করে ভালো লাগে; ক্রমে সাজালেই ধরা পড়ে তৃতীয় শটে মুখ সরে গেছে।

আমি আটটাই জেনারেটিভ ক্যানভাস-এ ক্রম মেনে এক সারিতে বিছিয়ে পিছিয়ে দাঁড়াই। চরিত্রের ধারাবাহিকতার সমস্যা সারিতেই সবচেয়ে সহজে ধরা পড়ে — সরে যাওয়া মুখ বা ভুল আলো এক নজরেই বেরিয়ে আসে। এই একটা অভ্যাসই আমার AI চলচ্চিত্র নির্মাণ থেকে বেশির ভাগ পুনরায় কাজ সরিয়ে দিয়েছে: গোটা ক্রমটা নতুন করে না বানিয়ে শুধু নষ্ট ঘরটা আবার চালাই।

এই আমার চূড়ান্ত আটটা। তৃতীয় শটের হাত দুবার আবার চালাতে হয়েছে; সপ্তম শটের পিছনের আলোয় একবার এক্সপোজার সংশোধন লেগেছে।

শব্দের কী হবে?

ছবি এই জায়গায় শেষ, কিন্তু শব্দ ছাড়া AI শর্ট ফিল্ম কাউকে ৩০ সেকেন্ডের পরে ধরে রাখতে পারে না।

আমার ছবিতে সংলাপ নেই, তাই কেবল পরিবেশের শব্দ লেগেছে। সংলাপ থাকলে ক্রমটা হল: টেক্সট থেকে স্পিচ দিয়ে কণ্ঠ বানান, বা ভয়েস ক্লোন দিয়ে একটা নির্দিষ্ট কণ্ঠ নকল করুন, তারপর মুখ বসাতে লিপ সিঙ্ক চালান।

এই ক্রম উল্টে দেবেন না। ছবি আগে বানালে দেখবেন মুখের নড়াচড়া আর সংলাপের দৈর্ঘ্য মিলছে না; অডিওর দৈর্ঘ্য আগে বেঁধে তার সঙ্গে মিলিয়ে ফ্রেম বানালে পুনরায় কাজ অনেক কমে। অডিও শেষে রাখা AI চলচ্চিত্র নির্মাণে ক্রমের সবচেয়ে সাধারণ ভুল।

ছবি নড়ানোর সীমা কোথায়?

এই পাঁচ সেকেন্ড উপরের শট থেকে বানানো: শ্বাস, একবার চোখের পলক, দৃষ্টি অল্প সরে যাওয়া, কপাল একটু কুঁচকে যাওয়া।

তিনবার বলেছিলাম সে "ঘুরে দরজার দিকে হেঁটে যাক", আর প্রতিবারই বিকৃত হয়েছে — দুই পা গেলেই আর সে নয়। তাই সীমাটা স্পষ্ট: জায়গায় দাঁড়িয়ে ছোট প্রতিক্রিয়া নির্ভরযোগ্য; চরিত্রকে সরে যেতে বা জটিল ক্রিয়া করতে বলা এখনও নয়। যে শটে চলাচল দরকার, সেখানে আমি আগে শেষ ফ্রেম বানিয়ে মাঝেরটা ভরাই, মডেলকে অভিনয় করতে দিই না।

তিনটে ব্যর্থতা, সৎভাবে

ফ্রেমের লেখা ভুয়ো। কাগজের ক্লোজ-আপে জুম করুন, কাগজের "হাতের লেখা" পুরোটাই অর্থহীন — জেনারেশন মডেল পড়া যায় এমন লেখা বানাতে পারে না, আর এটা চুপচাপ AI চলচ্চিত্র নির্মাণ থেকে গোটা এক শ্রেণির শট বাদ দিয়ে দেয়। হয় স্পষ্ট করে তুলবেন না (ফোকাসের বাইরে, অর্ধেক ঢাকা), নয় পরে সত্যিকারের লেখা বসাবেন।

হাত এখনও একটা একটা করে দেখতে হয়। পকেটে হাত ঢোকার শটে প্রথম সংস্করণে একটা গাঁট ভুল জায়গায় ছিল; দুবার আবার চালাতে হয়েছে। ফ্রেমে হাত আছে এমন প্রতিটা শট জুম করে দেখা হয়।

টানা ক্রিয়া মুখ হারায়। উপরে যেমন বললাম — দুই-তিন সেকেন্ডের বেশি সরে যাওয়া প্রায় সব সময় ভাঙে, আর চরিত্রের ধারাবাহিকতাই আগে পড়ে যায়।

কপি করার মতো আট শটের তালিকা

এই ক্রমে কাজ করুন, পিছিয়ে আসতে হবে না:

1. গল্পটা প্রতি শটে এক বাক্য করে ভাগ করুন, প্রতিটায় ছবির মাপ, ক্রিয়া, আলো
2. একটা কাঁচা স্টোরিবোর্ড বানিয়ে শুধু দরকারি শট পর্যন্ত কাটুন
3. ধারাবাহিকতা বাঁধতে চরিত্র শিট বানান: সামনে, তিন-চতুর্থাংশ, পাশ, পিঠ
4. বোর্ড ধরে শটে শটে বানান, প্রতিবার শিট দিন, রঙের গ্রেড প্রতিটা প্রম্পটে লিখুন
5. যেখানে শট জোড়া লাগবে, আগে শেষ ফ্রেম বানান, তারপর প্রথমটা
6. সব ক্যানভাসে বিছিয়ে সারিতে মিলিয়ে দেখুন; শুধু নষ্টটা আবার চালান
7. অডিওর দৈর্ঘ্য বেঁধে নিন, তারপর ফ্রেম অডিওর সঙ্গে মেলান
8. হাত, কান আর ফ্রেমের যে কোনো লেখা জুম করে দেখুন

আটটা শট মিলিয়ে প্রায় তিন ঘণ্টা লেগেছে, যার বড় অংশ প্রম্পট লেখা আর টেক বাছায় গেছে, জেনারেশনের অপেক্ষায় নয়। চরিত্রের ধারাবাহিকতা আর শট জোড়া কয়েকবার করার পর প্রায় দ্বিগুণ দ্রুত হয়ে যায়।

এই মান টাইটেল, কনসেপ্ট কাজ আর পিচের উপকরণের জন্য এখনই যথেষ্ট। ক্লায়েন্টকে দেওয়ার মতো সম্পূর্ণ বাণিজ্যিক কাজের জন্য আমি এখনও সত্যিকারের শুট করব আর ঘাটতি শট AI দিয়ে ভরব। AI চলচ্চিত্র নির্মাণের প্রক্রিয়াটা নিজে পরখ করতে চাইলে AI ভিডিও জেনারেশন থেকে শুরু করুন — শুরু করতে এক বাক্যই যথেষ্ট।