একটি ফোনের ছবি থেকে AI প্রোডাক্ট ছবি: কী কাজ করল আর কী ভেঙে গেল

আমার টেবিলে ব্র্যান্ডহীন অ্যাম্বার কাচের একটি স্প্রে বোতল রাখা আছে — যেসবে মানুষ পারফিউম ভরে রাখে। ফোনে তার মাত্র একটি ছবি তুলে আমি জানতে চেয়েছিলাম, ওই একটি ফ্রেমই কি বিক্রির পাতায় টিকে যাওয়ার মতো AI প্রোডাক্ট ছবির একটা পূর্ণ সেট বানানোর জন্য যথেষ্ট, সঙ্গে একটা ছোট AI প্রোডাক্ট ভিডিও।

স্টুডিও নেই, সফটবক্স নেই, কাউকে ভাড়াও করিনি। নিচে পুরো প্রক্রিয়াটাই আছে, যে দুটো অংশ কাজ করেনি সেগুলোসহ।

ফোনে তোলা ছবিতে আসলে কী নেই

কাঠের টেবিল, জট পাকানো চার্জিং কেবল, আধা ঠান্ডা কফি, সিলিং লাইট থেকে পড়া একটি কড়া ছায়া, আর গোটা ফ্রেমে হলদে-সবুজ একটা আভা। ছোট বিক্রেতাদের বেশিরভাগ আসলে এখান থেকেই শুরু করেন।

যা নেই সেটা তীক্ষ্ণতা নয়। নেই আরও তিনটি জিনিস: ব্যাকগ্রাউন্ড ভরা, আলোর কোনো দিক নেই, আর ফ্রেমিং পাতার বাকি ছবিগুলোর সঙ্গে মিলবে না। কাকতালীয়ভাবে এই তিনটিই আজকের AI প্রোডাক্ট ছবি সবচেয়ে নির্ভরযোগ্যভাবে সামলায়।

মূল ছবির কাছে চাহিদা কম: গোটা বস্তু দেখা যাক, নড়ে না যাক, ছায়ায় ডুবে না থাকুক। এটুকু হলে ফোনের ছবিই যথেষ্ট।

প্রথম ধাপ ছবি বানানো নয়, বস্তুটা কেটে বের করা

আগে সিদ্ধান্তটাই বলি: ব্যাকগ্রাউন্ড সরানো ছিল গোটা প্রক্রিয়ার সবচেয়ে কম ঝামেলার অংশ।

বাঁয়ে মূল ছবি, মাঝে কাটা রূপ, ডানে কাচের কিনারা এত বড় করা যে পিক্সেল দেখা যায়। পারদর্শী উপরের ঢাকনা অখণ্ড থেকে গেছে আর কিনারা ফিরেছে সাদা আভা কিংবা ছেঁড়া সুতো ছাড়াই — কাচ আর পারদর্শী প্লাস্টিকেই সাধারণত কাটাকুটি ভেঙে পড়ে, অথচ এটা প্রথম চেষ্টাতেই উতরে গেল। এই ধাপটি হয়েছে ব্যাকগ্রাউন্ড অপসারণ দিয়ে।

তবে বড় করে দেখতেই আরেকটা জিনিস ধরা পড়ল: মূল ছবির হলদে-সবুজ আভা অপরিবর্তিত অবস্থায় সঙ্গে চলে এসেছে। কাটাকুটি বস্তুকে ব্যাকগ্রাউন্ড থেকে আলাদা করে, রং শুধরায় না। অর্থাৎ পারদর্শী ব্যাকগ্রাউন্ডের এই ফাইলটা শেষ হয়ে যাওয়া AI প্রোডাক্ট ছবি নয়, এটা সেই রেফারেন্স যার থেকে পরের সব ছবি তৈরি হবে।

সেট নয়, আলোই আসল: জায়গা লিখবেন না, আলো লিখবেন

রেফারেন্স হাতে আসার পর AI ইমেজ জেনারেশন দিয়ে সেই চারটি দৃশ্য বানালাম যেগুলো প্রোডাক্ট পাতা সবচেয়ে বেশি চায়।

উপরে বাঁয়ে সাদায় মূল ছবি: সমতল আলো, ডানে একটি রিফ্লেক্টর, তলার নিচে ছোট একটি স্পর্শছায়া। উপরে ডানে বেইজ পাথরের উপর উষ্ণ, নিচু কোণের ব্যাকলাইট — ছায়া লম্বা হয়ে যায় আর কাচের ডান কিনারায় সোনালি একটা রেখা চলে। নিচে বাঁয়ে গাঢ় তল আর একটিমাত্র কড়া আলো, বাঁ অর্ধেক ছায়ায় ডুবে যায়। নিচে ডানে লাইফস্টাইলের পথ: মার্বেল কাউন্টার আর কয়েকটি ইউক্যালিপটাসের ডাল।

এই ধাপ থেকে সবচেয়ে কাজের শিক্ষা: দৃশ্য আর আলো একসঙ্গে লিখুন। "পাথরের পিঠে" লিখলে আপনি পাবেন একটা পিঠ আর দিকহীন আলোর স্নান। "উপরে ডান দিক থেকে উষ্ণ নিচু ব্যাকলাইট, ছায়া বাঁয়ে টানা, কাচের ডান কিনারায় সোনালি রেখা" লিখলে পাবেন উপরের ছবিটা। আলোর দিক, কাঠিন্য আর রঙের তাপমাত্রা একটা AI প্রোডাক্ট ছবিকে ব্যাকগ্রাউন্ডে কী রাখলেন তার চেয়ে অনেক বেশি নাড়ায়।

তবু দিকের নির্দেশ প্রতিবার মানা হয় না। কালো অ্যাক্রিলিকে আরেকটা চেষ্টা করেছিলাম, আলো বাঁ দিক থেকে আর ছায়া ডানে পড়ার কথা বলে। আয়নার মতো প্রতিফলন দুর্দান্ত এসেছে, কিন্তু মেঝের উজ্জ্বল অংশ বাঁয়েই রয়ে গেল আর ছায়া প্রায় দেখাই গেল না। ওই ছবিটা বাদ পড়ল।

ফ্রেমে একটা হাত আনা

প্রতিটি প্রোডাক্ট পাতায় "হাতে ধরলে কত বড়" ধরনের একটা ছবি লাগে, আর হাতই সেই জায়গা যেখানে AI প্রোডাক্ট ছবি নিজেকে ধরিয়ে দেয়: আঙুল জোড়া লেগে যাওয়া, একটা বাড়তি আঙুল, উল্টো দিকে বাঁকা গাঁট।

বড় করে গুনে দেখলাম: পাঁচটি আঙুল, গাঁট সঠিক দিকে বাঁকছে, নখ সমান লম্বা, এমনকি বুড়ো আঙুলের গোড়ায় চামড়ার ভাঁজটাও আছে। প্রথম চেষ্টাতেই, পুনরাবৃত্তি লাগেনি।

যা ভেঙে গেল: লেখা পাশ করল, ঢাকনা করল না

ইমেজ মডেল পড়ার মতো লেখা লিখতে পারে না। এটা মিটে যাওয়া বিষয় ধরে নিয়েই চলছিলাম, তাই পরখ করে দেখলাম।

"LAVENDER MIST / 50 ml" পুরোপুরি ঠিক বানানে ফিরে এল। চীনা ভাষায় বদলালে — 薰衣草喷雾 / 净含量 50 毫升 — নয়টি অক্ষর এল, একটি টানও ভুল নয়। ছোট লেবেলের দৈর্ঘ্যে এই চলে আসা ধারণাটার আয়ু শেষ।

আর যা সত্যিই ভেঙেছিল, তা আমি প্রায় চোখেই ফেলিনি।

একেবারে বাঁয়ে মূল ছবির ঢাকনা: কোণাচে কাঁধ, সোজা দেহ, উপরে সমতল। তার ডানের চারটি সম্পূর্ণ ছবি। সব ঢাকনাই গম্বুজাকার হয়ে গেছে, কোনো দুটির উচ্চতা বা প্রস্থ এক নয়, আর ভেতরের নজলের আকারও প্রতিবার বদলে যাচ্ছে।

বড় বিষয়গুলো মডেল ভালোভাবেই ধরে রেখেছে — কাচের রং, লেবেলের অবস্থান, ব্যাকগ্রাউন্ড, আলো। যা সরে যায় সেটা এই ধরনের গঠনগত খুঁটিনাটি, প্রতিবার নতুন করে আঁকায় আরেকটু করে। সত্যিকারের পণ্যের ক্ষেত্রে এর দাম আছে: যার প্যাকেট মূল ছবির সঙ্গে মেলে না, সেই ক্রেতা এক তারা রেখে যান।

সমাধানটা অমার্জিত হলেও কাজ করে: যে ছবির ঢাকনা আসল বস্তুর সবচেয়ে কাছাকাছি সেটাকে বেছে নিন, তাকেই একমাত্র রেফারেন্স হিসেবে আটকে দিন, আর বাকি AI প্রোডাক্ট ছবি সেখান থেকেই আবার বানান — প্রতিটি শূন্য থেকে শুরু করবেন না।

স্থির ছবি থেকে ১০ সেকেন্ডের AI প্রোডাক্ট ভিডিও

পাথরের ফ্রেমটা বেছে নিয়ে প্রথম ও শেষ ফ্রেম থেকে ভিডিও দিয়ে চালালাম, বেরিয়ে এল ১০ সেকেন্ডের একটি AI প্রোডাক্ট ভিডিও।

আমার প্রম্পটে দুটি জিনিস ছিল: খুব ধীরে এগিয়ে যাওয়া, আর পাশের আলো ডান থেকে বাঁয়ে বয়ে গিয়ে ছায়া ছোট করা। ঘটেছে কেবল প্রথমটা। এগিয়ে যাওয়াটা একেবারে স্থির — বোতলের আকার, লেবেলের অনুপাত আর কাচের রং দুই শতাধিক ফ্রেমে একবারও টলেনি — কিন্তু আলো কার্যত জমে আছে আর ছায়া শেষেও শুরুর মতোই লম্বা।

এই বদলটা আমি মেনে নিই। AI প্রোডাক্ট ভিডিওতে সবচেয়ে খারাপ দোষ হলো ক্যামেরা চলার সময় বস্তুর আকার বিকৃত হওয়া, আর শান্ত ক্যামেরা সস্তা বিমা। আরও কোণ দরকার হলে একই আটকে রাখা ফ্রেম থেকে আরও কয়েকটা AI প্রোডাক্ট ভিডিও বানিয়ে জুড়ে নিন।

সময়ের হিসেবে খরচ

ছবি তোলা থেকে ফাইল তৈরি পর্যন্ত চল্লিশ মিনিটের কিছু বেশি, যার অর্ধেকের বেশি গেছে জেনারেশনের অপেক্ষা আর ফলাফল বাছাইয়ে। পুনরাবৃত্তি হয়েছে দুবার: কালো অ্যাক্রিলিকের ছবিটা আলোর দিক ফসকেছে, দ্বিতীয়বারেও ফসকেছে, তাই ছেড়ে দেওয়া হয়েছে; ঢাকনার সরে যাওয়াটা সব শেষ হওয়ার পরে ধরা পড়েছে, ফলে চারটি ব্যাকগ্রাউন্ডের একটা পুরো চক্র নষ্ট হয়েছে। শুরুতেই রেফারেন্স আটকে দিলে ওই চক্রটা লাগত না।

উল্লেখ করার মতো ব্যাপার, গোটা প্রক্রিয়ায় ঠিক একটি ধাপেই রুচির দরকার হয়: কোন ফ্রেমটা রেফারেন্স হবে সেটা বাছা। বাকি সব পুনরাবৃত্তি।

আপনার হাতে যদি এমন পণ্য থাকে যার ভালো ছবি উঠছে না, আপনার শুরুর বিন্দু আমার ছবির চেয়ে ভালো হওয়ার দরকার নেই। স্থির ছবি সামলায় AI ইমেজ জেনারেশন, ক্লিপ সামলায় AI ভিডিও জেনারেশন, আর যখন এক ডজন AI প্রোডাক্ট ছবি ও কয়েকটি ভিডিও পাশাপাশি রেখে বিচার করতে চাইবেন, সবগুলো টেনে আনুন জেনারেটিভ ক্যানভাস-এ — কোনটা রাখবেন আর কোনটা আবার চালাবেন, এক নজরেই স্পষ্ট হয়ে যায়।