আনসেন্সরড AI ইমেজ এডিটর
একটি বাক্য লিখে একটিমাত্র বিদ্যমান ছবি বদলান, নতুন স্টাইল দিন, আলো পাল্টান, পোশাক বদলান বা মেরামত করুন। মাস্ক নেই, ফিল্টার নেই, প্রত্যাখ্যান নেই — আর একটি কৌশল, যা বাকি সবগুলি মিলিয়েও যতটা, তার চেয়ে বেশি গুরুত্বপূর্ণ।
সংক্ষেপে
Shannon সাধারণ ভাষার একটি নির্দেশনা থেকে ঠিক একটি বিদ্যমান ছবি সম্পাদনা করে — কোনো ব্রাশ নেই, মাস্ক নেই, নির্বাচন নেই। সেই নির্দেশনায় অবশ্যই বলতে হবে কী বদলাবে এবং কী থাকবে, কারণ মডেল গোটা ফ্রেমটাই নতুন করে তৈরি করে: আপনি যা অপরিবর্তিত বলে নাম করেননি, তার সরে যাওয়ার স্বাধীনতা আছে। যে অংশগুলি অপরিবর্তিত থাকবে সেগুলির নাম বলা — "keep the face, pose and clothing identical" — আপনার হাতে থাকা মানের সবচেয়ে বড় নিয়ন্ত্রক। সম্পাদনার পথ একটি নেগেটিভ প্রম্পট গ্রহণ করে (টেক্সট-টু-ইমেজ করে না); নির্দেশনায় "no X" লেখার বদলে অবাঞ্ছিত আর্টিফ্যাক্ট সেখানে রাখুন। আউটপুট স্বয়ংক্রিয়ভাবে সোর্সের অ্যাসপেক্ট রেশিও পায়। কোনো ভিডিও তৈরি নেই আর ছবিকে অ্যানিমেট করার কোনো উপায়ও নেই। সম্পাদনা চলে চ্যাট অ্যাপে, আমাদের নিজস্ব GPU ক্লাস্টারে, কোনো কনটেন্ট ফিল্টার ও কোনো প্রত্যাখ্যানের স্তর ছাড়াই।
যাঁরা একটি আনসেন্সরড AI ইমেজ এডিটর খোঁজেন, তাঁদের বেশিরভাগেরই থাকে একটি ছবি আর একটি সমস্যা: ব্যাকগ্রাউন্ডটা ভুল, আলো চ্যাপ্টা, জ্যাকেটের রং বেঠিক, ফ্রেমে অচেনা কেউ দাঁড়িয়ে আছে, স্ক্যানের গায়ে একটা ভাঁজ চলে গেছে — কিংবা সম্পাদনাটি পুরোপুরি বৈধ, তবু তাঁদের বর্তমান টুল সেটি ছুঁতেই রাজি নয়। এই লেখা সেই কাজটি ভালোভাবে করা নিয়ে: কোন এডিটরে সবচেয়ে বেশি স্লাইডার আছে তা নয়, বরং সেই একটিমাত্র অভ্যাস যা কার্যকর সম্পাদনাকে আলাদা করে সেই সম্পাদনা থেকে, যা আপনার অগোচরে নীরবে আপনার বিষয়ের মুখটাই নতুন করে বানিয়ে ফেলে।
01নির্দেশনা-ভিত্তিক সম্পাদনা আসলে কী
চিরাচরিত AI সম্পাদনা কঠিন কাজটুকু আপনাকেই করতে বলে: একটি ক্যানভাস খুলুন, যে অংশটি বদলাতে চান তার উপর মাস্ক আঁকুন, তারপর তার ভিতরে কী থাকবে সেই বাক্যাংশ লিখুন। নিখুঁত, ধীর, আর আপনার পরিবর্তনের কোনো পরিষ্কার সীমারেখা না থাকলেই অকেজো — আলোর বদল, সিলুয়েট পাল্টে দেয় এমন পোশাক বদল, গোটা ছবির রঙের গ্রেড।
Shannon কাজ করে উল্টো দিক থেকে। আপনি কিছুই নির্বাচন করেন না। আপনি ছবিটি নিয়ে যেকোনো ভাষায় একটি বাক্য লেখেন, আর আপনার শব্দ থেকেই অঞ্চলটি অনুমান করা হয়। এতে এটি তাঁদের জন্য একটি ব্যবহারিক আনসেন্সরড ইনপেইন্টিং বিকল্প হয়ে ওঠে যাঁরা নির্বাচনের খাটুনি নয়, ফলটি চান — তবে একটি যান্ত্রিক পরিণাম আগে বুঝে নিতে হবে:
একটি এডিট হলো আপনার সোর্স ছবির শর্তে গোটা ফ্রেমটির পুনঃরেন্ডার — ছবির একটি অংশে বসানো তালি নয়। Image Model আপনার আসল ছবিটি পড়ে, আপনার নির্দেশনা পড়ে, আর এমন একটি নতুন ছবি তৈরি করে যা হওয়ার কথা আসল ছবি প্লাস পরিবর্তনটি। যান্ত্রিকভাবে কিছুই জমাট করা থাকে না। প্রতিটি এডিটে প্রতিটি পিক্সেল নতুন করে দরকষাকষির জন্য খোলা।
সেজন্যই "a rainy Tokyo street" — মাস্ক-নির্ভর টুলে যা নিখুঁত — এখানে ফিরে আসে সামান্য অন্যরকম একজন মানুষকে নিয়ে। মাস্ক-নির্ভর টুলে মাস্কটিই বলে দিত মানুষটি ছোঁয়ার বাইরে; এখানে সেটা আপনার বাক্যকেই বলতে হবে। ভালো দিকটি: নির্দেশনা-ভিত্তিক সম্পাদনা তা করে যা মাস্ক পারে না — সূর্যকে সরিয়ে ছায়াগুলিকে তার সঙ্গে মিলিয়ে দেওয়া, পোশাক বদলে কাপড়কে বর্তমান ভঙ্গির উপর ভাঁজ খাওয়ানো, একটি আলোকচিত্রকে কালি ও সমতল রঙে বদলেও রচনাটি ধরে রাখা। এই সম্পাদনাগুলির আঁকার মতো কোনো সীমারেখা নেই; এগুলি গোটা ফ্রেম জুড়ে সম্পর্কের ব্যাপার।
02অ্যাঙ্করিং: মানের সবচেয়ে বড় নিয়ন্ত্রক
অ্যাঙ্করিং মানে প্রতিটি এডিট নির্দেশনা দুটি শর্তে লেখা: পরিবর্তনের শর্ত (কী আলাদা হবে, ইতিবাচক ও নির্দিষ্টভাবে বলা) আর ধরে রাখার শর্ত (যে অংশগুলি অক্ষত থাকতেই হবে, নির্দিষ্ট বিশেষ্য হিসেবে নাম করা)। দুটিই ভার বহন করে — একা পরিবর্তনের শর্ত নিছক একটি ইচ্ছা। এই পাতা থেকে যদি একটিই জিনিস নেন: আপনার ফলাফল ঠিক করে দেয় আপনি কতটা স্পষ্টভাবে বলেছেন কী অপরিবর্তিত থাকবে, কতটা জীবন্তভাবে বদলটি বর্ণনা করলেন তা নয়।
অ্যাঙ্করহীন নির্দেশনা যে তিনভাবে সরে যায়
- পরিচয়ের সরণ। মুখটি ফিরে আসে প্রায় ঠিক — নাকটা একটু আলাদা, চোয়ালের রেখা নীরবে সুন্দর করে দেওয়া। সবচেয়ে ক্ষতিকর ব্যর্থতা, কারণ ফোনে এটি ধরা কঠিন আর যিনি মানুষটিকে চেনেন তাঁর কাছে স্পষ্ট।
- আনুষঙ্গিক স্টাইল বদল। আপনি চেয়েছিলেন নতুন ব্যাকগ্রাউন্ড; সঙ্গে পেলেন নতুন কালার গ্রেড, নতুন লেন্স, আর একটি সোয়েটার যা আগে খাঁজকাটা ছিল। মডেল নির্দেশনাটিকে সোর্স থেকে একটি পার্থক্য হিসেবে না পড়ে গোটা লক্ষ্য-ছবির বর্ণনা হিসেবে পড়েছে।
- বিশেষণ থেকে পরিধির বিস্তার। "আরও নাটকীয়", "আরও পরিচ্ছন্ন", "আরও পেশাদার" — এগুলি কোনো বস্তুরই নাম করে না। বিশেষ্যহীন বিশেষণ সবকিছুর উপর প্রযোজ্য, তাই সবকিছুই নড়ে যায়।
অ্যাঙ্করের শব্দভাণ্ডার
অ্যাঙ্কর কাজ করে নির্দিষ্ট বিশেষ্য হিসেবে। "একইরকম রাখো" দুর্বল — কোন একইরকম আপনার কাছে গুরুত্বপূর্ণ তা মডেলের জানার উপায় নেই। আপনার এডিটের জন্য যে তিন থেকে পাঁচটি জিনিস গুরুত্বপূর্ণ, সেগুলি সরাসরি নাম করুন।
| আপনি যা বদলাচ্ছেন | স্পষ্টভাবে নাম করার মতো অ্যাঙ্কর |
|---|---|
| ব্যাকগ্রাউন্ড / পটভূমি | মুখ ও মুখের বৈশিষ্ট্য, চুলের ছাঁট, ভঙ্গি, হাত, পোশাক, ক্যামেরার কোণ, ক্রপ, বিষয়ের উপর পড়া আলো |
| আলো / আবহ | মুখ, অভিব্যক্তি, ত্বকের বুনট, ভঙ্গি, পোশাক, ব্যাকগ্রাউন্ডের বিষয়বস্তু, ফ্রেমিং |
| পোশাক / পরিচ্ছদ | মুখ, দাড়ি বা চুল, ভঙ্গি, হাত, শরীরের অনুপাত, ব্যাকগ্রাউন্ড, আলোর দিক, কালার গ্রেড |
| স্টাইল / মাধ্যম | রচনা, ভঙ্গি, চুলের দৈর্ঘ্য, পোশাকের আকার, বিষয়ের সংখ্যা, ক্রপ |
| বস্তু সরানো / মেরামত | ফ্রেমের বাকি সবকিছু — বিষয়, চারপাশের স্থাপত্য, গ্রেইন, টোনালিটি, কনট্রাস্ট, রং |
| একটি জিনিসের রং | ছবির অন্য সব রং, সেই সঙ্গে বদলে যাওয়া বস্তুটির বুনট ও উপাদান |
শেষ সারিটি লক্ষ করুন। রং বদল নীরবে ভুল হয়, কারণ "make the jacket red" বললে জ্যাকেটটি একেবারে গোড়া থেকে নতুন করে বানানোর আমন্ত্রণ যায় — নতুন কাট, নতুন উপাদান, নতুন ভাঁজ। অ্যাঙ্কর করা রূপ: "recolor the existing jacket to a deep crimson, keeping its exact cut, seams, fabric texture and the way it hangs." একটিমাত্র শর্তের পার্থক্য, আর ফলাফল নাটকীয়ভাবে ভালো।
03কাজে লাগানো উদাহরণ: দুর্বল নির্দেশনা, কেন সরে যায়, অ্যাঙ্কর করা রূপ
নিচের প্রতিটি জোড়া একই উদ্দেশ্য দুবার লেখা। মাঝখানের নির্ণয়টুকুই অন্য কাজে নিয়ে যাওয়ার মতো অংশ।
ক. ব্যাকগ্রাউন্ড বদলানো
কেন সরে যায়: এটি একটি গন্তব্য-ছবির বর্ণনা, কোনো পার্থক্যের নয়। নারীটির কিছুই সুরক্ষিত নয় আর ক্যামেরাকেও কিছু স্থির রাখছে না, তাই মডেল একটি বিশ্বাসযোগ্য দৃশ্য বানাতে বানাতে তাঁকেও নতুন করে ফ্রেম করে ও রেন্ডার করে।
কী বদলাল: ধরে রাখার শর্তটি পরিচয়, পোশাক ও ফ্রেমিং আটকে দেয়, আর শেষ বাক্যাংশটি বলে দেয় জোড়টি কোন দিকে মিলবে — ব্যাকগ্রাউন্ড বিষয়ের আলোর কাছে নত হয়, উল্টোটা নয়।
খ. আলো নতুন করে সাজানো
কেন সরে যায়: "better" একটি বিশেষ্যহীন বিশেষণ। মডেলকে একটি সংজ্ঞা বানিয়ে নিতে হয়, আর পুনঃরেন্ডারে ভালো দেখানোর সবচেয়ে সস্তা পথ হলো মসৃণ করা ত্বক, উজ্জ্বলতর দাঁত আর সরু চোয়াল। আপনি আলো চেয়েছিলেন, পেলেন রিটাচ।
কী বদলাল: আলোকে বর্ণনা করা হয়েছে ভৌতভাবে — দিক, গুণ, তাপমাত্রা, ক্ষয়ের ধরন। ত্বকের বুনট আলাদা করে অ্যাঙ্কর করা, কারণ আলো নতুন করে সাজানোর সময়েই মডেল সেটিকে মসৃণ করে মুছে দিতে সবচেয়ে বেশি প্রলুব্ধ হয়।
গ. বিষয়ের পোশাক বদল
কেন সরে যায়: স্যুট সিলুয়েট বদলে দেয়, তাই ধড়টি নতুন করে রেন্ডার করতেই হয় — আর তার উপরের মাথাটিও সাধারণত সঙ্গে চলে যায়। ব্যাকগ্রাউন্ড বদলের পরেই অ্যাঙ্করহীন পোশাক সম্পাদনা পরিচয় সরে যাওয়ার দ্বিতীয় বড় উৎস।
কী বদলাল: "tailored to his current posture" পোশাকটিকে ভঙ্গির অধীন করে দেয়। হাত আলাদা করে অ্যাঙ্কর করা, কারণ পোশাক সম্পাদনা সবচেয়ে দৃশ্যমানভাবে ভেঙে পড়ে হাতেই।
ঘ. আলোকচিত্রের স্টাইল বদল
কেন সরে যায়: একা একটি স্টাইল-শব্দ সবকিছু ছেড়ে দেয় — রচনা, ক্রপ, চুল, পোশাক, মানুষের সংখ্যা — আর "anime" মানে ত্রিশ বছরের পরস্পরবিরোধী ধারা। আপনি পান অন্য একটি দৃশ্যের দক্ষ চিত্রায়ণ।
কী বদলাল: স্টাইল সম্পাদনার জন্য অন্যরকম অ্যাঙ্কর দরকার। বুনট অ্যাঙ্কর করা যায় না — বুনটটিই তো বদলে দেওয়া হচ্ছে — তাই আপনি অ্যাঙ্কর করেন কাঠামো: রচনা, ভঙ্গি, সিলুয়েট, ক্রপ, বিষয়ের সংখ্যা। সেল অ্যানিমেশনের নিচে "photorealistic skin" ধরে রাখতে বলা একটি স্ববিরোধিতা।
ঙ. কিছু সরিয়ে ফেলা
কেন সরে যায়: নেতিবাচক বাক্যও ধারণাটিকে মডেলের সামনে হাজির করে, আর খালি হওয়া জায়গাটি কী দিয়ে ভরবে সে বিষয়ে কিছুই বলে না। সরানোর কাজে লক্ষ্য আর ভরাট — দুটিরই ইতিবাচক বিবৃতি লাগে।
কী বদলাল: লক্ষ্যটির নাম করা হয়েছে বস্তু, রং ও অবস্থান দিয়ে; ভরাট নির্দিষ্ট করা, তাই যেখানে ফুটপাত থাকার কথা সেখানে মডেল কোনো চত্বর বানিয়ে বসে না; আর "বাকি সবকিছু" আসল বিশেষ্যে খুলে বলা হয়েছে।
চ. ক্ষতিগ্রস্ত আলোকচিত্রের মেরামত
কেন সরে যায়: "fix" পড়া হয় "improve" হিসেবে, আর একটি পুরোনো আলোকচিত্র উন্নত করা মানে তাকে আধুনিক করে তোলা — পরিষ্কার ত্বক, বেশি কনট্রাস্ট, আর এমন একটি মুখ যা আর ঠিক আপনার ঠাকুরমার নয়।
কী বদলাল: ক্ষতিগুলি একে একে গোনা হয়েছে, তাই "fix"-এর একটি নির্দিষ্ট পরিধি আছে, আর গ্রেইন ও টোনালিটি অ্যাঙ্কর করা হয়েছে কারণ সেগুলিই ছাপাটিকে সময়-সত্য করে তোলে। তিনটি নিষেধ সেই বিরল ক্ষেত্র যেখানে নেতিবাচকতা তার জায়গা অর্জন করে — এগুলি প্রক্রিয়া নিয়ে নির্দেশ, বস্তু নিয়ে নয়।
একটি ভালো নির্দেশনার আকৃতি
কমা দিয়ে আলাদা করা কিওয়ার্ড ট্যাগ নয়, পূর্ণ বাক্যে ২৫ থেকে ৬০ শব্দ লক্ষ্য রাখুন — Image Model প্রম্পট পড়ে যেভাবে একটি ভাষা মডেল পড়ে, তাই ট্যাগের জগাখিচুড়ির চেয়ে গদ্য ভালো। SDXL-যুগের আবর্জনা (masterpiece, best quality, 8k) আর (word:1.3)-এর মতো ওজনের সিনট্যাক্স বাদ দিন; এখানে ওগুলি কিছুই করে না। প্রতি নির্দেশনায় একটি করে পরিবর্তন করুন — এক বাক্যে দুটি অসম্পর্কিত পরিবর্তন মনোযোগের জন্য প্রতিযোগিতা করে আর দুটিই আধা-সম্পন্ন হয়ে ফেরে।
04নেগেটিভ প্রম্পট — টেক্সট-টু-ইমেজের বিপরীতে, এখানে সমর্থিত
এখানে অনেকেই হোঁচট খান, তাই সরাসরি বলি:
| পথ | সোর্স ছবি | নেগেটিভ প্রম্পট | অ্যাসপেক্ট রেশিও | প্রম্পটের ধরন |
|---|---|---|---|---|
| টেক্সট-টু-ইমেজ | 0 | সমর্থিত নয় | আপনি বেছে নেন (ডিফল্ট বর্গাকার) | বর্ণনামূলক গদ্য |
| একটি ছবি সম্পাদনা | ঠিক 1 | সমর্থিত | সোর্স থেকে উত্তরাধিকারে | নির্দেশনা: পরিবর্তন + ধরে রাখা |
| 2+ ছবি মেলানো | 2 বা তার বেশি | সমর্থিত | নতুন ক্যানভাস বাছাই করা যায় | ভূমিকা-নামযুক্ত গদ্য |
টেক্সট-টু-ইমেজ কোনো নেগেটিভ প্রম্পটই নেয় না — শূন্য থেকে তৈরি করার সময় কেবল আপনি যা চান তা-ই বর্ণনা করাই হলো শৃঙ্খলা (দেখুন আনসেন্সরড AI ইমেজ জেনারেশন)। সম্পাদনা আলাদা: আপনার হাতে ইতিমধ্যেই একটি সোর্স আছে, আর পুনঃরেন্ডারের চরিত্রগত ব্যর্থতাগুলি জানা ও নাম-করার মতো, তাই নেগেটিভ প্রম্পটের হাতে দমন করার মতো নির্দিষ্ট কিছু থাকে।
এতে কী রাখবেন
আর্টিফ্যাক্ট, কেবল আর্টিফ্যাক্ট। এটি ত্রুটির তালিকা, দ্বিতীয় কোনো নির্দেশনার চ্যানেল নয়:
- extra fingers, fused fingers, malformed hands — মানুষকে নতুন করে রেন্ডার করে এমন যেকোনো এডিট।
- warped text, garbled lettering, misspelled signage — ফ্রেমে সাইনবোর্ড, লেবেল বা প্যাকেজিং আছে এমন যেকোনো ছবি।
- duplicated limbs, duplicated railing, repeated windows — বস্তু সরানো ও ব্যাকগ্রাউন্ড বাড়ানো।
- smeared texture, blurry patch, halo around the subject, visible seam — ব্যাকগ্রাউন্ড বদল ও বস্তু সরানো।
- plastic skin, waxy skin, over-smoothed face, watermark, jpeg artifacts — আলো নতুন করে সাজানো, পোর্ট্রেট সম্পাদনা, সাধারণ পরিচ্ছন্নতা।
এতে কী রাখবেন না
কনটেন্ট সংক্রান্ত সিদ্ধান্ত। টুপিটি সরাতে চাইলে নির্দেশনা হবে "remove the hat" — "hat" লেখা কোনো নেগেটিভ প্রম্পট নয়। আপনার সোর্সে যা আছে, নেগেটিভ প্রম্পট তা নির্ভরযোগ্যভাবে সরায় না; এটি রেন্ডারে ত্রুটি হাজির হওয়া নিরুৎসাহিত করে। ওখানে কনটেন্ট রাখলে দুই দিকেরই সবচেয়ে খারাপটা পাবেন: টুপিটি থেকেই যাবে, আর যে জায়গাটি বিকৃত হাত দমন করতে পারত সেটিও গেল।
নিয়মের বাকি অর্ধেকটি আপনার নির্দেশনার জন্য: তাতে "no X" লেখা বন্ধ করুন। "A street with no cars", "a portrait with no glasses" — দুটিই অবাঞ্ছিত ধারণাটিকে বাক্যে বসিয়ে মডেলকে সেটি নাকচ করতে বলে; ভাষা এই কাজ ভালো পারে, ইমেজ কন্ডিশনিং খারাপ। বরং বলুন সেখানে কী থাকা উচিত: "an empty street with clear asphalt", "a portrait with unobstructed eyes"। একমাত্র ব্যতিক্রম, উদাহরণ চ-এর মতো, প্রক্রিয়া নিয়ে নির্দেশ — "do not sharpen", "do not recolor" — যা কোনো বস্তুর নাম না করে একটি ক্রিয়া প্রত্যাখ্যান করে।
কাজের বিভাজন, এক লাইনে
নির্দেশনা: কী বদলাবে, কী থাকবে — ইতিবাচকভাবে বলা। নেগেটিভ প্রম্পট: একটি রেন্ডার যেভাবে বিকৃত হতে পারে। দুটিকে আলাদা রাখুন, দুটিই ভালো হবে।
05একটিমাত্র সোর্স ছবি, আর Shannon কীভাবে সেটি বাছে
একটি এডিট কাজ করে ঠিক একটি সোর্স ছবির উপর: হয় কথোপকথনে আগে থেকেই থাকা একটি ছবি — আগে সংযুক্ত করা, বা আপনার জন্য তৈরি করা — নয়তো আপনি এই মুহূর্তে যে বার্তাটি পাঠাচ্ছেন তার সঙ্গে সংযুক্ত একটি। থ্রেডের বাইরে থেকে কিছুই টেনে আনা হয় না, আর সম্পাদনার পথ কখনও নীরবে দুটি ছবি মিশিয়ে দেয় না। আপনার উদ্দেশ্যের জন্য যদি একাধিক ছবি থেকে উপাদান লাগে — ছবি ক-এর পোশাক ছবি খ-এর মানুষের গায়ে — তবে সেটি মেলানো, যেখানে প্রম্পটের আকৃতিই আলাদা: প্রতিটি ছবির ভূমিকা ক্রম অনুসারে নাম করা হয়।
পরের বার্তা আর সবচেয়ে সাম্প্রতিক প্রাসঙ্গিক ছবি
একবার একটি ছবি কথোপকথনে ঢুকে গেলে ছোট ছোট পরের বার্তা আপনি যেমনটি আশা করেন তেমনভাবেই কাজ করে। "Make it darker." "Now try it at sunset." এগুলি থ্রেডের সবচেয়ে সাম্প্রতিক প্রাসঙ্গিক ছবির সঙ্গে মেলে — সাধারণত আপনি এইমাত্র যে ফলটি পেলেন সেটি — তাই ছোট নির্দেশনার একটি ধারা একগুচ্ছ পরপর এডিটের মতো আচরণ করে। এর তিনটি পরিণাম:
- এক ধাপ করে এগোন। প্রতিটি পরের বার্তা আরেকটি পূর্ণ পুনঃরেন্ডার, তাই "make it darker and change her coat and move the camera lower" আসলে একটি পাসের উপর লড়তে থাকা তিনটি এডিট। তিনটি বার্তা পাঠান; যেটিতে ভালো লাগল সেখানেই থামুন।
- প্রজন্মগত ক্ষয়ের দিকে নজর রাখুন। ছোট ছোট বিচ্যুতি জমা হয়; ষষ্ঠ পরপর এডিটের পর একটি মুখ আসল থেকে অনেক দূরে চলে যেতে পারে, যদিও কোনো একটি ধাপকেই ভুল দেখায়নি। সরণ চোখে পড়লে তালি দেওয়া থামান — আসল ফাইলটি আবার সংযুক্ত করুন আর এতক্ষণে যা যা চান বলে বুঝেছেন সব মিলিয়ে একটি নির্দেশনা লিখুন।
- দীর্ঘ থ্রেডে স্পষ্ট করে বলুন। একাধিক ছবি খেলায় থাকলে "Using the beach photo I attached earlier, …" অস্পষ্টতা দূর করে।
নিশ্চিতকরণ কার্ডই অ্যাঙ্কর যোগ করার শেষ সুযোগ
আপনি যে ভাষায় কথা বলেন, সেই ভাষাতেই সাধারণভাবে চান। Shannon বোঝে যে একটি ইমেজ অপারেশন চাওয়া হচ্ছে, চূড়ান্ত নির্দেশনাটি নিজেই ইংরেজিতে লেখে, আর কিছু রেন্ডার হওয়ার আগেই একটি নিশ্চিতকরণ কার্ডে সেটি আপনাকে দেখায়। আপনি নিশ্চিত না করা পর্যন্ত কিছুই তৈরি হয় না আর কোনো বিলও হয় না। সেই কার্ডটি পড়ুন — কিছু খরচ হওয়ার আগেই অনুপস্থিত ধরে রাখার শর্ত ধরার জায়গা এটিই।
দুটি সম্পর্কিত আচরণ: Shannon কখনও নিজে থেকে ছবি তৈরি করে না — একটি অভিবাদন, একটি প্রশ্ন বা এমনিই সংযুক্ত করা একটি ছবি কোনো ইমেজ অপারেশন চালু করে না। আর Shannon-কে কেবল একটি ছবি দেখতে বলা — বর্ণনা করা, তার লেখা পড়া, রচনাটি কেন কাজ করছে না তা বলা — সাধারণ ভিশনের কাজ, তৈরি নয়, আর তাতে বাড়তি কোনো খরচ নেই। "এই ছবিতে আপনি কী বদলাতেন?" — বিনামূল্যে পরামর্শ; তা কাজে লাগানোই এডিট।
06অ্যাসপেক্ট রেশিও স্বয়ংক্রিয়ভাবে উত্তরাধিকারে আসে
সম্পাদিত ছবি ফেরে তার সোর্সের একই অ্যাসপেক্ট রেশিওতে। আপনি কোনোটি বাছেন না আর বাছার দরকারও নেই: 4:5 পোর্ট্রেট 4:5-ই থাকে, 16:9 স্থিরচিত্র 16:9-ই থাকে, বেঢপ একটি ফোন স্ক্রিনশটও তার অনুপাত ধরে রাখে। যে এডিট নীরবে আপনার ছবিকে নতুন করে ফ্রেম করে সেটি এডিটই নয় — সেটি একটি ক্রপ, প্লাস আসল সীমানার বাইরে কী আছে তা নিয়ে একটি আন্দাজ।
অন্য দুটি পথ থেকে এটি একটি বাস্তব পার্থক্য। টেক্সট-টু-ইমেজ আপনাকে বাছতে বলে square (ডিফল্ট), portrait, landscape, wide (সিনেম্যাটিক) আর tall (পোস্টার ও ওয়ালপেপার) থেকে, আর স্পষ্ট অনুরোধ সবসময় জেতে; মেলানোর ক্ষেত্রে আপনি একটি নতুন ক্যানভাস বাছতে পারেন, যেহেতু উত্তরাধিকার নেওয়ার মতো একটিমাত্র সোর্স নেই। তাই আপনার যদি অন্য আকার লাগে, সেটি এডিট নয় — একটি 1:1 পণ্যের ছবিকে 16:9 ব্যানার বানানো মানে এমন পিক্সেল বানানো যা কখনও তোলাই হয়নি। কাজটি সচেতনভাবে করুন, নতুন ক্যানভাসে তৈরি করে বা মিলিয়ে।
07কোনো ভিডিও তৈরির ব্যবস্থা নেই
সরাসরি বলা হচ্ছে, কারণ মানুষ জিজ্ঞাসা করেন
Shannon ভিডিও তৈরি করে না আর ছবিকে অ্যানিমেটও করে না। ইমেজ-টু-ভিডিওর কোনো পথ নেই, "এই ছবিটাকে নড়াও" নেই, লুপ নেই, সিনেমাগ্রাফ নেই। এটি প্রিভিউতে থাকা বা শিগগিরই আসছে এমন কোনো সক্ষমতা নয় — পণ্যে এর অস্তিত্বই নেই, আর এই পাতার কিছুকেই অন্যরকম ইঙ্গিত হিসেবে পড়া উচিত নয়।
ছবি নিয়ে Shannon 3 ঠিক তিনটি কাজ করে: একটি নতুন ছবি তৈরি, একটি বিদ্যমান ছবি সম্পাদনা, আর দুই বা ততোধিক ছবিকে একটিতে মেলানো। এই পাতার সবকিছু এদের দ্বিতীয়টির ভিতরে।
কথাটি দুবার বলা দরকার, কারণ মানুষের মনে "AI ইমেজ এডিটর" আর "AI ভিডিও জেনারেটর" পাশাপাশি চলে এসেছে, আর যে টুল দিব্যি আপনার আলোকচিত্রের আলো বদলে দেয় তাকে মনে হয় সেটিকে নড়ানো বুঝি এক বোতাম দূরে। তা নয় — আর এটি আপনার প্রথম মিনিটেই জানা উচিত, দশম মিনিটে নয়।
08তৈরির চেয়ে সম্পাদনায় আনসেন্সরড হওয়া কেন বেশি জরুরি
ফিল্টারযুক্ত এডিটর ফিল্টারযুক্ত জেনারেটরের চেয়ে আলাদাভাবে ব্যর্থ হয়, আর সাধারণত আরও খারাপভাবে। ফিল্টারযুক্ত জেনারেটর আপনার প্রম্পট প্রত্যাখ্যান করে; আপনি নতুন করে লিখে আবার চেষ্টা করেন। ফিল্টারযুক্ত এডিটর আপনার নির্দেশনার একটি শব্দ পড়ার আগেই সোর্স ছবিটিকেই প্রত্যাখ্যান করতে পারে। কেস রিপোর্টের জন্য একটি ক্লিনিকাল ক্ষতের ছবি আপলোড করুন, ইনপুটেই বাতিল। ভাঁজ মেরামতের জন্য একটি ঐতিহাসিক যুদ্ধের ছবি আপলোড করুন, ফ্রেমের রাইফেলটিই কথোপকথন শেষ করে দেয়। বৈধ কাজ, সর্বাত্মক প্রত্যাখ্যান, আর এমন কোনো পুনর্লিখন নেই যা কাজে আসত।
Shannon ইমেজ পথটি চালায় আউটপুটে কোনো কনটেন্ট ফিল্টার ছাড়া আর যে মডেল নির্দেশনাটি লেখে তার উপর কোনো প্রত্যাখ্যানের স্তর ছাড়া। সেজন্যই এই সাধারণ কাজগুলি সম্ভব:
- শিল্পসম্মত নগ্নচিত্র ও ফিগার স্টাডি — সম্মতিদাতা প্রাপ্তবয়স্ক বিষয় নিয়ে কাজ করা শিল্পী ও আলোকচিত্রীদের জন্য রিটাচিং, আলো ও স্টাইল বদল।
- চিকিৎসা ও ফরেনসিক চিত্রায়ণ — শিক্ষণ উপকরণ, কেস রিপোর্ট ও পুনর্গঠনের কাজের জন্য পরিচ্ছন্ন করা ক্লিনিকাল ছবি, যা মূলধারার এডিটররা দেখামাত্র প্রত্যাখ্যান করে।
- নিরাপত্তা গবেষণার ছবি — ফিশিং-সচেতনতা কর্মসূচি ও রেড-টিম রিপোর্টিংয়ের জন্য স্ক্রিনশট, ভৌত নিরাপত্তার ছবি ও হার্ডওয়্যার ডকুমেন্টেশন।
- কল্পকাহিনিতে সহিংসতা — চলচ্চিত্র, গেম ও কমিকসের প্রোডাকশন আর্ট, যেখানে ক্ষত বা অস্ত্রই বিষয়বস্তু।
- রাজনৈতিক ব্যঙ্গ ও সম্পাদকীয় চিত্রণ — পিছনে কয়েক শতকের ইতিহাস, আর ফিল্টারযুক্ত টুলে প্রায় শূন্য সমর্থন।
- স্বত্বাধিকারীর নিজের ব্র্যান্ড ও অবয়ব নিয়ে কাজ — নিজের পণ্যের ছবি, লোগো লকআপ ও পোর্ট্রেট, আর কঠিন পারিবারিক আর্কাইভ, আপনি অনুমতিপ্রাপ্ত কিনা তা নিয়ে কোনো ক্লাসিফায়ারের সঙ্গে তর্ক ছাড়াই।
আনসেন্সরড মানে জবাবদিহিহীন নয়। Shannon পরিচালনা করে Shannon Lab LLC (নিউ মেক্সিকো, যুক্তরাষ্ট্র), একটি প্রকাশিত দায়িত্বশীল ব্যবহার নীতির অধীনে, আর আসল সীমারেখাগুলি সেখানেই — আইন ও ক্ষতি নিয়ে, কোনো ক্ষতের ছবিতে ক্লাসিফায়ারের অস্বস্তি নিয়ে নয়। প্রতিবর্ত প্রত্যাখ্যানের অনুপস্থিতি টুলটি সম্পর্কে একটি বক্তব্য, আপনি যা বানাচ্ছেন তার দায়িত্ব সম্পর্কে নয়।
09API কোথায় খাটে — আর কোথায় খাটে না
API খুঁজে আসা পাঠকদের জন্য এটি একটি প্রচলিত ভুল মোড়। ছবি তৈরি ও সম্পাদনা হয় Shannon চ্যাট অ্যাপে, API-তে নয়। তিনটি /v1 উপভাষা — /v1/chat/completions (OpenAI-আকৃতির), /v1/messages (Anthropic-আকৃতির) আর /v1/responses, সবই স্ট্রিমিং, সবই একই মডেলের উপর — পরিবেশন করে লেখা ও ভিশন। ভিশন মানে মডেলগুলি আপনার পাঠানো ছবি পড়ে: বর্ণনা করে, লেখা প্রতিলিপি করে, একটি চার্ট বিশ্লেষণ করে। এর মানে এই নয় যে সেগুলি ছবি তৈরি বা পরিবর্তন করে।
তবু একটি কাজের ধরন থেকেই যায়: ভিশনের সঙ্গে একটি আনসেন্সরড টেক্সট মডেল মিলে নির্দেশনা লেখার শক্তিশালী সহকারী হয়। API-তে আপনার সোর্স ছবিটি পাঠান, ফ্রেমে কী আছে তার বর্ণনা আর পরিবর্তন ও অ্যাঙ্করের নাম করা একটি অ্যাঙ্কর করা নির্দেশনার খসড়া চান, তারপর সেই নির্দেশনাটি চ্যাটে চালান — যে অ্যাঙ্করগুলি আপনি ভুলে যেতেন, এটি সেগুলি ধরে ফেলে। রিকোয়েস্ট ও রেসপন্সের আকৃতি আছে API ডকুমেন্টেশনে।
10প্রায়শই জিজ্ঞাসিত প্রশ্ন
আনসেন্সরড AI ইমেজ এডিটর কী?
এমন একটি এডিটর যা একটি বিদ্যমান ছবি আর সাধারণ ভাষায় লেখা একটি নির্দেশনা নিয়ে সম্পাদিত ছবিটি ফেরত দেয় — আউটপুটে কোনো কনটেন্ট ফিল্টার নেই আর যে মডেল নির্দেশনাটি লেখে তার উপর কোনো প্রত্যাখ্যানের স্তর নেই। এটি Shannon চ্যাট অ্যাপের ভিতরে আমাদের নিজস্ব GPU ক্লাস্টারে চলে, তাই ফিল্টারযুক্ত এডিটররা যে কাজ প্রত্যাখ্যান করে — শিল্পসম্মত নগ্নচিত্রের রিটাচিং, চিকিৎসা ও ফরেনসিক চিত্রায়ণ, নিরাপত্তা গবেষণার ছবি, কল্পকাহিনিতে সহিংসতা, রাজনৈতিক ব্যঙ্গ — তা প্রত্যাখ্যাত হওয়ার বদলে সম্পন্ন হয়।
আমি কেবল ব্যাকগ্রাউন্ড বদলাতে বলেছিলাম, তবু মুখ বদলে যায় কেন?
কারণ একটি নির্দেশনা-ভিত্তিক এডিট আপনার সোর্স ছবির শর্তে গোটা ফ্রেমটাই নতুন করে তৈরি করে, কেবল আপনার মাথায় থাকা অংশটুকু নয় — আপনি যা অপরিবর্তিত বলে নাম করেননি, তার সরে যাওয়ার পূর্ণ স্বাধীনতা আছে। সমাধান হলো অ্যাঙ্করিং: একটি ধরে রাখার শর্ত যোগ করুন, যেমন "keep the face, hairstyle, pose and clothing identical, same camera angle and crop"। যে অংশগুলি অপরিবর্তিত থাকবে সেগুলির নাম বলাই আপনার হাতে থাকা মানের সবচেয়ে বড় নিয়ন্ত্রক।
Shannon-এর ইমেজ এডিটিং কি নেগেটিভ প্রম্পট সমর্থন করে?
হ্যাঁ। টেক্সট-টু-ইমেজ যেখানে একেবারেই কোনো নেগেটিভ প্রম্পট নেয় না, সেখানে সম্পাদনা ও একাধিক ছবি মেলানোর পথ দুটিই একটি করে সমর্থন করে। নির্দেশনায় "no X" লেখার বদলে অবাঞ্ছিত আর্টিফ্যাক্টের জন্য এটি ব্যবহার করুন — বাড়তি আঙুল, বিকৃত লেখা, দ্বিগুণ হয়ে যাওয়া রেলিং, ঘেঁটে যাওয়া টেক্সচার, প্লাস্টিকের মতো ত্বক, ওয়াটারমার্ক। কনটেন্ট সংক্রান্ত সিদ্ধান্তের জায়গা নির্দেশনা, ইতিবাচকভাবে বলা; আর্টিফ্যাক্ট দমনের জায়গা নেগেটিভ প্রম্পট।
Shannon কি আমার ছবিকে অ্যানিমেট করতে বা ভিডিওতে বদলে দিতে পারে?
না। Shannon ভিডিও তৈরি করে না আর ছবিকে অ্যানিমেটও করে না। ইমেজ-টু-ভিডিওর কোনো পথ নেই আর তেমন কিছু ঘোষণাও করা হচ্ছে না। Shannon 3 একটি নতুন ছবি তৈরি করে, একটি বিদ্যমান ছবি সম্পাদনা করে, অথবা দুই বা ততোধিক ছবিকে একটিতে মেলায় — এই তিনটিই, এর বাইরে কিছু নয়।
একটি এডিটে কতগুলি সোর্স ছবি ব্যবহৃত হয়?
ঠিক একটি: হয় কথোপকথনে আগে থেকেই থাকা একটি ছবি, নয়তো আপনার বর্তমান বার্তার সঙ্গে সংযুক্ত একটি। যদি দুই বা ততোধিক ছবি থেকে উপাদান নিতে হয় — একটি ছবির পোশাক আরেকটি ছবির মানুষের গায়ে — তবে সেটি এডিট নয়, মেলানো, আর তখন দ্বিতীয়টিকে কথায় বর্ণনা না করে আসল ছবিগুলিই দেওয়া উচিত।
আমাকে কি মাস্ক আঁকতে হবে বা ইনপেইন্টিং ব্যবহার করতে হবে?
না। কোনো ব্রাশ, ল্যাসো বা মাস্ক লেয়ার নেই। আপনি একটি বাক্যে পরিবর্তনটি বর্ণনা করেন আর আপনার ভাষা থেকেই অঞ্চলটি অনুমান করা হয়, আর সেজন্যই নির্দিষ্ট বিশেষ্য গুরুত্বপূর্ণ: "the parked silver car on the right" "that thing"-এর চেয়ে অনেক ভালোভাবে লক্ষ্য ধরে। এতে Shannon তাঁদের জন্য একটি ব্যবহারিক আনসেন্সরড ইনপেইন্টিং বিকল্প হয়ে ওঠে যাঁরা নির্বাচনের খাটুনি ছাড়াই ফলটি চান।
আমি কি Shannon API দিয়ে ছবি সম্পাদনা করতে পারি?
না। ছবি তৈরি ও সম্পাদনা থাকে Shannon চ্যাট অ্যাপে। /v1 উপভাষাগুলি — /v1/chat/completions, /v1/messages ও /v1/responses — লেখা ও ভিশন পরিবেশন করে: আপনার পাঠানো ছবি এগুলি পড়ে ও বিশ্লেষণ করে, কিন্তু সেগুলি তৈরি বা সম্পাদনা করে না। একটি প্রচলিত কর্মপ্রবাহ হলো API-এর ভিশন দিয়ে অ্যাঙ্কর করা নির্দেশনাটি খসড়া করানো, তারপর চ্যাটে এডিটটি চালানো।
ফিল্টারের সঙ্গে তর্ক না করে ছবি এডিট করুন
একটি ছবি যুক্ত করুন, একটি বাক্য লিখুন, কী অপরিবর্তিত থাকবে তার নাম বলুন।
এডিট করা শুরু করুন API ডকুমেন্টেশন পড়ুনছবি রেন্ডার হয় আমাদের নিজস্ব GPU ক্লাস্টারে · কার্ডটি নিশ্চিত না করা পর্যন্ত কিছুই রেন্ডার বা বিল হয় না
Shannon AI পরিচালনা করে Shannon Lab LLC, নিউ মেক্সিকো, যুক্তরাষ্ট্র। ছবি তৈরি, সম্পাদনা ও মেলানো Shannon 3-এর চ্যাট-অ্যাপ বৈশিষ্ট্য; /v1 API কেবল লেখা ও ভিশন পরিবেশন করে। পণ্যে কোনো ভিডিও তৈরির ব্যবস্থা নেই। সম্পাদনা ঠিক একটি সোর্স ছবি নেয় আর তার অ্যাসপেক্ট রেশিও উত্তরাধিকারে পায়। আনসেন্সরড ইমেজ পথগুলির ব্যবহার দায়িত্বশীল ব্যবহার নীতি দ্বারা নিয়ন্ত্রিত।