শব্দের বাইরে

যে AI ক্যারেক্টার ছবি পাঠায় আর কথা বলে

যে ক্যারেক্টারের সঙ্গে তুমি লিখছ, সে-ই তোমার দৃশ্যটা এঁকে দিতে পারে, নিজের গলায় শব্দ করে উত্তর দিতে পারে, আর তুমি এইমাত্র যে ছবিটা পাঠালে সেটা দেখতে পারে। চালু করার কিছু নেই, আর মুখটা একই থাকে।

Talaforge › যে AI ক্যারেক্টার ছবি পাঠায় আর কথা বলে

শুধু লেখায় রোলপ্লে প্রতিবার একই দেয়ালে গিয়ে ঠেকে: এক ঘণ্টা ধরে একটা দৃশ্য গড়েছ, অথচ সেটা দেখার কোনো উপায় নেই। ক্যারেক্টার একটা ঘরের বর্ণনা দেয়, আর তুমি নিজের মতো একটা সংস্করণ কল্পনা করে নাও। ক্যারেক্টার নিজের বর্ণনা দেয়, আর প্রতিটা সেশনে ছবিটা আগেরটার চেয়ে একটু একটু করে সরে যায়।

তিনটে জিনিস এই ফাঁকটা বন্ধ করে দেয়, আর কোনোটার জন্যই কিছু সেট করতে হয় না।

সে তোমার দৃশ্যটা এঁকে দেয়

একটা ছবি চাও, আর ক্যারেক্টার তুমি আসলে যে মুহূর্তটায় আছ সেটাই আঁকে, কোনো সাধারণ পোর্ট্রেট নয়। ফলটা আসে কথোপকথনের ভেতরেই, আলাদা কোনো গ্যালারিতে নয় যেখানে গিয়ে তোমাকে দেখতে হবে।

যেটা আসল ব্যাপার তা হলো ধারাবাহিকতা: প্রতিবার একই মুখ, কারণ চেহারাটা প্রতিবার নতুন করে বানানো হয় না, আটকে দেওয়া থাকে। বেশির ভাগ ইমেজ টুল প্রতিটা জেনারেশনে তোমাকে নতুন একজন মানুষ দেয়, আর সেজন্যই সেখান থেকে আসা ক্যারেক্টার আর্টকে কখনো দুবার একই ক্যারেক্টার মনে হয় না।

কোন ইঞ্জিন আঁকবে সেটা তুমি বাছো। আলাদা ইঞ্জিনের হাত সত্যিই আলাদা — একটা মুখে ভালো, আরেকটা আলো আর পরিবেশে — আর পছন্দটা প্রতি ছবিতে, একবার সেট করা কোনো সেটিং নয়।

সে শব্দ করে উত্তর দেয়

উত্তর আসতে পারে সত্যিকারের Telegram ভয়েস মেসেজ হয়ে — ওয়েভফর্ম, স্ক্রাব করা, গতি নিয়ন্ত্রণ, মানুষের পাঠানো ভয়েস নোটের মতো একই জিনিস। ডাউনলোড করতে হয় এমন কোনো অডিও ফাইল অ্যাটাচমেন্ট নয়।

প্রতিটা ক্যারেক্টার এমন একটা গলা পায় যা তার সঙ্গে যায়। কোন কোন গলা আছে তা ঘুরে দেখতে পারো আর বেছে নেওয়ার আগে একটা শুনে নিতে পারো, আর আচরণের তিনটে সেটিং আছে: বন্ধ, চাইলে, কিংবা স্বয়ংক্রিয়।

এগুলো ভয়েস মেসেজ, ফোন কল নয়। কোনো সরাসরি কথোপকথন নেই আর কিছুই তোমার কথা শুনছে না — তুমি লেখো, আর উত্তরটা অডিও হয়ে আসে।

তুমি যা পাঠাও সে তা দেখে

চ্যাটে একটা ছবি পাঠাও, ক্যারেক্টার সেটা দেখতে পায়। তোমার জানালার বাইরের দৃশ্য, যে পোশাকটার কথা জিজ্ঞেস করছিলে, তোমার আঁকা একটা ছবি — আর উত্তরটা ক্যারেক্টারের সুরেই আসে, ছবিতে আসলে যা আছে তা নিয়ে, কোনো দায়সারা স্বীকৃতি নয়।

এটাই মানুষকে সবচেয়ে বেশি অবাক করে, কারণ এতে মাধ্যমটার দিকই বদলে যায়। এতক্ষণ তুমি তোমার জগৎটা শব্দে বর্ণনা করছিলে। এখন তুমি সেটা শুধু দেখিয়ে দিতে পারো।

চালু করার কিছু নেই

তোমার আর এসবের মাঝখানে কোনো সেটিংস পাতা দাঁড়িয়ে নেই। দৃশ্য এগোনোর সঙ্গে সঙ্গে ছবি নিজে থেকেই আসতে পারে, আর প্রথম মেসেজ থেকেই প্রতিটা উত্তরের নিচে স্পিকার বোতামটা থাকে।

দুটোই চলে এনার্জিতে, যা চ্যাটের ভেতরেই Telegram Stars দিয়ে ভরা হয়। কতটা বাকি আছে তা যেকোনো মুহূর্তে দেখতে পারো।

তুমি যা পাঠাও তার কী হয়

তোমার পাঠানো ছবি একটা তৃতীয় পক্ষের প্রোভাইডারের কাছে পাঠানো হয়, যাতে ক্যারেক্টার সেটা নিয়ে উত্তর দিতে পারে — ঠিক যেভাবে উত্তর তৈরির জন্য তোমার লেখাও পাঠানো হয়। এটা ইঙ্গিতে বোঝানো নয়, নীতিমালায় লিখে রাখা আছে।

তুমি যা পাঠাও তার কিছুই কোনো পাবলিক গ্যালারি বানাতে ব্যবহার হয় না, আর তোমার কথোপকথনে তৈরি হওয়া ছবি তোমার কথোপকথনেই থাকে।

মুখ একই থাকাটাই কেন কঠিন অংশ

সুন্দর একটা ছবি বানানো এখন সহজ। একই মানুষকে দুবার বানানো সহজ নয়, আর ইলাস্ট্রেশন আর ক্যারেক্টারের মধ্যে তফাতটা ঠিক এখানেই।

ক্যারেক্টার তৈরির সময়েই চেহারাটা ঠিক করে দেওয়া হয় আর তারপরের প্রতিটা রেন্ডারে সেটাই প্রয়োগ হয়, তাই ক্যাফের একটা দৃশ্য আর দুই সপ্তাহ পরে রাস্তার একটা দৃশ্য দেখে বোঝা যায় এটা একই মানুষ। কেউ কোনো রেফারেন্স ছবি আপলোড করে না আর কেউ কোনো সেটিং ঠিক করে না — ধারাবাহিকতাটা ক্যারেক্টারেরই একটা বৈশিষ্ট্য, তোমার রক্ষণাবেক্ষণ করার মতো কিছু নয়।

AI ক্যারেক্টার কি আমাকে নিজের ছবি পাঠাতে পারে?
হ্যাঁ। একটা চাও, আর ক্যারেক্টার তুমি যে মুহূর্তটায় আছ সেটাই আঁকে, প্রতিবার একই মুখ নিয়ে — কারণ চেহারাটা প্রতি ছবিতে নতুন করে বানানো হয় না, ক্যারেক্টার তৈরির সময়েই আটকে দেওয়া হয়। ছবিটা কথোপকথনের ভেতরেই আসে।
AI-এর বানানো ক্যারেক্টারকে প্রতিটা ছবিতে আলাদা দেখায় কেন?
বেশির ভাগ টুল প্রতিটা জেনারেশনকে আলাদা করে দেখে, তাই প্রতিবার নতুন একজন মানুষ পাও। ধারাবাহিকতার জন্য চেহারাকে ক্যারেক্টারের বৈশিষ্ট্য হিসেবে আটকে দিয়ে প্রতিটা রেন্ডারে আবার প্রয়োগ করতে হয়, এখানে সেটাই ঘটে — কোনো রেফারেন্স আপলোড লাগে না।
AI ক্যারেক্টার কি সত্যিকারের গলায় কথা বলতে পারে?
উত্তর আসতে পারে নেটিভ Telegram ভয়েস মেসেজ হয়ে, ওয়েভফর্ম আর গতি নিয়ন্ত্রণসহ। প্রতিটা ক্যারেক্টারের জন্য মানানসই একটা গলা আছে, যা বেছে নেওয়ার আগে শুনে নিতে পারো, আর উত্তর বন্ধ, চাইলে বা স্বয়ংক্রিয় — যেকোনোটায় রাখা যায়।
AI ক্যারেক্টারকে কি ছবি পাঠালে সে বুঝতে পারে?
হ্যাঁ। চ্যাটে একটা ছবি পাঠাও, আর ক্যারেক্টার ছবিতে আসলে যা আছে তা নিয়ে নিজের সুরেই উত্তর দেয় — একটা দৃশ্য, একটা পোশাক, একটা আঁকা ছবি। পড়ার জন্য ছবিটা একটা তৃতীয় পক্ষের প্রোভাইডারের কাছে পাঠানো হয়, যা প্রাইভেসি নীতিতে বলা আছে।
ছবি আর ভয়েসের জন্য কি বাড়তি খরচ লাগে?
কথোপকথনের মতো একই এনার্জিতেই এগুলো চলে, যা চ্যাটের ভেতরে Telegram Stars দিয়ে ভরা হয়, আর ব্যালান্স যেকোনো সময় দেখা যায়। যে রেন্ডার ব্যর্থ হয় তার জন্য টাকা কাটা হয় না।
ছবি আর ভয়েস কি বন্ধ করা যায়?
হ্যাঁ, দুটোর যেকোনোটা আলাদা করে। শুরু করার জন্য কিছু চালু করতে হয় না, আর কিছু চালু রেখে দেওয়ারও দরকার নেই।
কোন ইমেজ ইঞ্জিন ছবিটা আঁকবে তা কি আমি বাছতে পারি?
হ্যাঁ, প্রতি ছবিতে। আলাদা ইঞ্জিন আলাদা জিনিসে ভালো — মুখ, নাকি আলো আর পরিবেশ — তাই এটা কোনো সেটিং নয়, ওই মুহূর্তেই নেওয়া একটা সিদ্ধান্ত।
Telegram-এ একটা চরিত্র বানাও →

আরও পড়ো