আনসেন্সরড AI ইমেজ জেনারেটর

যাঁরা "আনসেন্সরড AI ইমেজ জেনারেটর" খোঁজেন তাঁদের বেশিরভাগই সীমা ছাড়ানো কিছু চান না। তাঁরা এমন চিত্রকর যাঁদের লাইফ-ড্রয়িং রেফারেন্স প্রত্যাখ্যাত হয়েছে, এমন চিকিৎসা-লেখক যাঁদের অ্যানাটমি চিত্র প্রত্যাখ্যাত হয়েছে, এমন নিরাপত্তা গবেষক যাঁদের প্রশিক্ষণ উপস্থাপনায় দরকারি নকল লগইন স্ক্রিন প্রত্যাখ্যাত হয়েছে, এমন ঔপন্যাসিক যাঁদের যুদ্ধদৃশ্য প্রত্যাখ্যাত হয়েছে, এমন কার্টুনিস্ট যাঁদের রাজনীতিকের ছবি আঁকা প্রত্যাখ্যাত হয়েছে। ফিল্টার ঠিক করেনি যে তাঁদের কাজ ক্ষতিকর। সে ঠিক করেছে যে সে বুঝতে পারছে না, আর ভুল হওয়ার চেয়ে প্রত্যাখ্যান করা সস্তা। এই নিবন্ধে ব্যাখ্যা করা হয়েছে Shannon এর বদলে কী করে, আর আপনি একটি অনুরোধ টাইপ করার মুহূর্ত থেকে প্রবাহটি ঠিক কীভাবে কাজ করে।

01একটি ইমেজ জেনারেটরের ক্ষেত্রে "আনসেন্সরড" আসলে কী বোঝায়?

শব্দটি এত ঢিলেঢালাভাবে ব্যবহৃত হয় যে তা প্রায় অর্থহীন, তাই এখানে নির্দিষ্ট রূপটি দেওয়া হল। একটি আধুনিক ইমেজ পণ্যে অন্তত চারটি জায়গা আছে যেখানে একটি অনুরোধ মারা যেতে পারে:

1. ইনপুট শ্রেণিবিভাগ — আর কিছু ঘটার আগেই আপনার লেখাকে বিষয় শ্রেণির বিপরীতে নম্বর দেওয়া হয়, আর বেশি নম্বর মানে অনুরোধটি মৃত।
2. প্রম্পট পুনর্লিখন — একটি সহকারী নীরবে আপনার প্রম্পট "উন্নত" করে, যার বাস্তব মানে আপনি ঠিক যা চেয়েছিলেন সেই নির্দিষ্ট জিনিসটি ঘষে তুলে ফেলা।
3. সহকারীর উপর একটি প্রত্যাখ্যান স্তর — যে মডেল আপনার সঙ্গে কথা বলে সে অনুরোধটি এগিয়ে দিতে অস্বীকার করে, সাধারণত কেন সাহায্য করা যাবে না তা নিয়ে একটি অনুচ্ছেদসহ।
4. আউটপুট শ্রেণিবিভাগ — রেন্ডারের পর তৈরি ছবিটিকে নম্বর দিয়ে আটকে রাখা হয়, ফলে আপনার জেনারেশন খরচ হয় কিন্তু আপনি কিছুই পান না।

Shannon-এ জেনারেশন পথে কোনো কনটেন্ট ফিল্টার নেই আর যে মডেল প্রম্পট লেখে তার উপর কোনো প্রত্যাখ্যান স্তর নেই। আপনার অনুরোধকে বিষয়ভিত্তিক ব্লকলিস্টের বিপরীতে নম্বর দেওয়া হয় না, নীরবে নিরাপদ কিছুতে বদলে দেওয়া হয় না, আর তার কোনো শব্দ কোনো ঝুঁকি শ্রেণির সঙ্গে মিলে গেছে বলে তা প্রত্যাখ্যান করা হয় না। যে মডেল আপনার বার্তা পড়ে সে এমন একটি জেনারেশন প্রম্পট লেখে যা আপনি আসলে যা চেয়েছেন তা প্রতিফলিত করে, তারপর সেটি যাচাইয়ের জন্য আপনার হাতে দেয়।

"আনসেন্সরড" যা নয়: এটি এই দাবি নয় যে প্রতিটি রেন্ডার একটি শিল্পকর্ম, বা অ্যানাটমি ও পদার্থবিদ্যা সবসময় ঠিক আসে — সেগুলি সক্ষমতার প্রশ্ন, যা সৎভাবে আলোচিত হয়েছে প্রম্পট গাইডে। এটি এই দাবিও নয় যে যা খুশি চলবে। Shannon Lab LLC একটি দায়িত্বশীল ব্যবহার নীতি পরিচালনা করে, আর একটি স্বয়ংক্রিয় ফিল্টারের অনুপস্থিতিই ঠিক সেই কারণ যে কারণে সেই নীতিই ভারটি বহন করে। একটি ভোঁতা হাতিয়ার সরিয়ে ফেললে যে মানুষটি হাতিয়ার ধরে আছে তার জন্য মানদণ্ড উঁচু হয়; মানদণ্ড উবে যায় না।

02প্রত্যাখ্যানের সমস্যা: ফিল্টার করা জেনারেটর যেসব বৈধ কাজ আটকায়

কনটেন্ট ফিল্টার বাহ্যিক বৈশিষ্ট্য দিয়ে শ্রেণিবদ্ধ করে, কারণ বড় মাপে সস্তায় কেবল এটুকুই করা যায়। তারা শব্দ আর পিক্সেল দেখে। তারা উদ্দেশ্য, পেশাগত প্রেক্ষাপট, বা কে জিজ্ঞাসা করছে তা দেখে না। সেই ফাঁকেই ক্ষতিটা হয়, আর তা পণ্যে পণ্যে বিস্ময়করভাবে একই রকম: একই কয়েকটি শ্রেণি সর্বত্র প্রত্যাখ্যাত হয়, একই গঠনগত কারণে।

কাজের শ্রেণি	ফিল্টার কেন প্রত্যাখ্যান করে	আসলে যা চাওয়া হচ্ছিল
শিল্প-নগ্নচিত্র ও ফিগার স্টাডি	নগ্নতা শনাক্তকারী ক্লাসিফায়ার চারুকলার ঐতিহ্যকে পর্নোগ্রাফি থেকে আলাদা করতে পারে না, তাই শরীর নিজেই ঝুঁকির সংকেত হয়ে ওঠে।	একটি লাইফ-ড্রয়িং রেফারেন্স, একটি অ্যানাটমি স্টাডি, একটি ফিগার ভাস্কর্যের ধারণা — পাঁচ শতাব্দী ধরে শিল্প-শিক্ষার ভিত্তি।
চিকিৎসা ইলাস্ট্রেশন	অস্ত্রোপচারের ক্ষেত্র, ক্ষত ও অভ্যন্তরীণ অঙ্গ সহিংস ছবিতে প্রশিক্ষিত ক্লাসিফায়ারের কাছে রক্তারক্তি মনে হয়।	একটি পাঠ্যবইয়ের চিত্র, একটি রোগী-শিক্ষার ডায়াগ্রাম, একটি চর্মরোগের উপস্থাপনা, একটি জার্নালের চিত্র।
ফরেনসিক ইলাস্ট্রেশন	আঘাতের ধরন ও ঘটনাস্থলের পুনর্গঠন পিক্সেলের পরিসংখ্যানে সহিংস বিষয়বস্তু থেকে আলাদা করা যায় না।	একটি আদালতের প্রদর্শনী, একটি দুর্ঘটনা-বিশ্লেষণের পুনর্গঠন, তদন্তকারীদের জন্য একটি প্রশিক্ষণ ছবি।
নিরাপত্তা গবেষণার ছবি	একটি বিশ্বাসযোগ্য নকল সাইন-ইন স্ক্রিন ঠিক সেই অপব্যবহারের মতোই দেখায় যা চেনানোর জন্য তা বানানো।	ফিশিং-সচেতনতার প্রশিক্ষণ উপকরণ, একটি রেড-টিম রিপোর্টের চিত্র, একটি সম্মেলনের স্লাইড।
কল্পকাহিনিতে সহিংসতা	ক্ষতির যেকোনো চিত্রায়ণ ক্ষতি হিসেবেই নম্বর পায়; ফিল্টারের কাছে আখ্যানের কাঠামো বলে কিছু নেই।	একটি যুদ্ধ-উপন্যাসের প্রচ্ছদ, একটি গ্রাফিক নভেলের প্যানেল, একটি স্টোরিবোর্ড, একটি গেমের ধারণাচিত্র, একটি ঐতিহাসিক যুদ্ধদৃশ্য।
রাজনৈতিক ব্যঙ্গ	একজন চেনা জনপ্রতিনিধির সঙ্গে অপ্রীতিকর প্রেক্ষাপট একসঙ্গে অবয়ব ও অবমাননার নিয়ম ভাঙে।	একটি সম্পাদকীয় কার্টুন — আলোকচিত্রের চেয়েও পুরোনো একটি সুরক্ষিত বাকস্বাধীনতার রূপ।
ব্র্যান্ড ও অবয়ব সংক্রান্ত কাজ	ট্রেডমার্ক ও অবয়বের ব্লকলিস্ট সবার উপর সমানভাবে খাটে, স্বত্বাধিকারীর উপরেও।	একটি এজেন্সি নিজের ক্লায়েন্টের প্যাকেজিংয়ের নমুনা বানাচ্ছে; একজন সংগীতশিল্পী নিজের সফরের পোস্টার বানাচ্ছেন।

শেষ সারিটি মন দিয়ে দেখুন, কারণ তা পুরো নকশাটিকে উন্মোচিত করে। ঢালাও অবয়ব-নিষেধ স্বত্বাধিকারীকে লঙ্ঘনকারীর সঙ্গে অভিন্ন আচরণ করে: একটি ব্র্যান্ড বা একটি মুখের উপর যাঁর দাবি সবচেয়ে জোরালো, তিনি একজন অচেনা মানুষের মতো একই বার্তায় প্রত্যাখ্যাত হন। কোনো ফিল্টার এটি ঠিক করতে পারে না, কারণ অনুপস্থিত তথ্যটি প্রম্পটে নেই — তা আছে কে জিজ্ঞাসা করছে তার মধ্যে, আর একটি ক্লাসিফায়ার তা কখনও জানে না। একই অসমতা প্রতিটি সারিতে চলে। পিক্সেলের কিছুই একটি অ্যানাটমি চিত্রকে পর্নোগ্রাফি থেকে, বা একটি ফরেনসিক পুনর্গঠনকে রক্তারক্তি থেকে আলাদা করে না। কর্মীদের প্রশিক্ষণের জন্য বানানো একটি ফিশিং নমুনা আর তাঁদের ঠকানোর জন্য বানানো নমুনার মধ্যে কিছুই আলাদা নয়: নকশাগতভাবেই সে দুটি একই ছবি। দ্বিতীয়টি ধরার জন্য গেট বানান, আর আপনি সবসময় প্রথমটিকেই ধরবেন।

একটি দ্বিতীয় খরচ আছে যা কদাচিৎ হিসাব করা হয়: মানুষ কীভাবে লেখে তার উপর ভয়ের প্রভাব। তিনবার প্রত্যাখ্যাত হওয়ার পর আপনি সাবধানে লিখতে শুরু করেন — কথা ঘুরিয়ে, শব্দ পালটে, যে খুঁটিনাটি গুরুত্বপূর্ণ ছিল তা বাদ দিয়ে, তাবিজের মতো "রুচিশীল" শব্দটি জুড়ে। ফল খারাপ হয় মডেল খারাপ হয়েছে বলে নয়, বরং আপনি আপনার চাওয়াটা বর্ণনা করা বন্ধ করেছেন বলে। ঠিক এ কারণেই একটি আনসেন্সরড জেনারেটর আংশিকভাবে একটি গুণগত ফিচার: আপনি সত্যিকারের বর্ণনাটি লিখতে পারেন, তাই সত্যিকারের ছবিটি পান।

03Shannon-এর রেন্ডারের-আগে-নিশ্চিতকরণ প্রবাহ কীভাবে কাজ করে

ফিল্টার সরিয়ে দিলে একটি সুস্পষ্ট প্রশ্ন ওঠে: কিছুই যদি অনুরোধ যাচাই না করে, তাহলে একটি ভুল বোঝাবুঝি এমন একটি রেন্ডারে পরিণত হওয়া কী ঠেকাবে যা আপনি চাননি আর যার জন্য টাকা দেওয়ার কথাও ভাবেননি? Shannon-এর উত্তর আরেকটি স্বয়ংক্রিয় গেট নয়। উত্তরটি হল আপনাকে প্রম্পটটি দেখানো আর জিজ্ঞাসা করা।

চারটি ধাপ

1. আপনি সাধারণ ভাষায়, যেকোনো ভাষায় জিজ্ঞাসা করেন। কোনো বিশেষ সিনট্যাক্স নেই, কোনো /imagine কমান্ড নেই, কোনো প্যারামিটার স্ট্রিং নেই। একজন মানুষকে যেভাবে বর্ণনা করতেন সেভাবেই আপনি যা চান তা বর্ণনা করেন। আপনি যে ভাষায় লেখেন Shannon সেই ভাষাতেই কাজ করে।
2. Shannon ঠিক করে যে একটি ছবি চাওয়া হচ্ছে। এটি উদ্দেশ্য সম্পর্কে একটি বিচার, কোনো কিওয়ার্ড মিল নয়। একটি আলোকচিত্র নিয়ে কথা বলা মানে একটি আলোকচিত্র চাওয়া নয়।
3. Shannon নিজেই জেনারেশন প্রম্পটটি লেখে, ইংরেজিতে। আপনি যে ভাষাতেই জিজ্ঞাসা করুন, প্রম্পটটি ইংরেজিতে রচিত হয় — আপনার বর্ণনাকে সেই বিষয়-প্রথম, গদ্য-ধাঁচের রূপে বিস্তৃত করে যাতে Image Model সবচেয়ে ভালো সাড়া দেয়, একটি অ্যাসপেক্ট রেশিও বেছে নিয়ে আর একটি সংক্ষিপ্ত অনুরোধ যে সুনির্দিষ্ট খুঁটিনাটি বাদ দেয় তা পূরণ করে।
4. নিশ্চিতকরণ কার্ড আসে — আর থেমে যায়। কিছু রেন্ডার হওয়ার আগেই আপনি Shannon-এর লেখা পুরো প্রম্পটটি দেখেন। আপনি নিশ্চিত না করা পর্যন্ত কিছুই তৈরি হয় না আর কিছুই বিল হয় না। আপনি তা অনুমোদন করতে, প্রত্যাখ্যান করতে, বা Shannon-কে কী বদলাতে হবে তা বলে একটি সংশোধিত কার্ড পেতে পারেন।

এটি একটি ফিল্টারের চেয়ে কেন ভালো

একটি ফিল্টার আপনার সম্পর্কে নেওয়া একটি সিদ্ধান্ত, অদৃশ্যভাবে, এমন তথ্য দিয়ে যা তার কাছে নেই। একটি নিশ্চিতকরণ কার্ড আপনার নেওয়া একটি সিদ্ধান্ত, দৃশ্যমানভাবে, যত তথ্য আছে তার সবটুকু দিয়ে। এর ফল একটির উপর আরেকটি জমে:

• কোনো অপ্রত্যাশিত খরচ নেই। রেন্ডারই ব্যয়বহুল ধাপ, আর কার্ডটি আগে আসে — তাই একটি ভুল বোঝা অনুরোধে আপনার খরচ হয় এক নজর, একটি জেনারেশন নয়।
• রেন্ডারের আগেই আপনি সরে যাওয়া ধরে ফেলেন। আপনি যদি জাপানি ভাষায় একটি নির্দিষ্ট ধরনের আলো চেয়ে থাকেন আর ইংরেজি প্রম্পটটি সূক্ষ্মভাবে আলাদা হয়ে থাকে, আপনি তা লেখাতেই দেখবেন, ত্রিশ সেকেন্ড পরে ছবিতে নয়।
• প্রম্পট শেখায়। Shannon কীভাবে "একজন বেহালাবাদকের একটি বিষণ্ণ প্রতিকৃতি"-কে ক্যামেরা, লেন্স, আলো ও পরিবেশসহ একটি পূর্ণ অনুচ্ছেদে বিস্তৃত করে তা পড়াই Image Model কীসে সাড়া দেয় তা শেখার দ্রুততম উপায়।
• অস্পষ্টতার নিষ্পত্তি হয় আপনার পক্ষে। যেখানে একটি ফিল্টার করা পণ্য রক্ষণশীল অনুমান করে এবং প্রায়ই প্রত্যাখ্যান করে, সেখানে Shannon তার সেরা ব্যাখ্যাটি লেখে আর আপনাকে তা শুধরে নিতে দেয়।

একটি কাজের উদাহরণ। আপনি পর্তুগিজে টাইপ করলেন, মোটামুটি "পুরোনো থিয়েটারে আমার ব্যান্ডের শোয়ের জন্য একটা পোস্টার বানাও, খসখসে, অনেকটা সত্তরের দশকের মতো।" Shannon একটি ছবির অনুরোধ চিনতে পারে, আপনি পোস্টার বলেছেন বলে tall বেছে নেয়, আর লেখে:

A four-piece rock band standing in the lobby of a decaying 1920s theater,
lit by a single bare bulb overhead, three of them facing camera and one
turned away. Shot on expired Kodak Portra 400, 35mm, heavy grain and
slight color shift toward magenta. Peeling gilt plasterwork and torn red
velvet drapes behind them, dust visible in the light. Shallow depth of
field, harsh top light, deep shadows under the eyes.

সেই কার্ডেই আপনি লক্ষ্য করেন যে আপনি চার নয়, পাঁচজন ব্যান্ড-সদস্য চেয়েছিলেন। আপনি তা বলেন, কার্ডটি হালনাগাদ হয়, আর কেবল তখনই কিছু রেন্ডার হয়। একটি ফিল্টার করা পণ্যে আপনাকে আগে ভুল ছবিটির জন্যই টাকা দিতে হত।

04Shannon কখনও না চাইতে ছবি তৈরি করে না

উলটো ব্যর্থতাটিও ঠিক ততটাই গুরুত্বপূর্ণ। ছবি বানাতে অতি-আগ্রহী একটি পণ্য ক্লান্তিকর: আপনি একটি স্ক্রিনশট পেস্ট করে সে সম্পর্কে জিজ্ঞাসা করলেন আর ফেরত পেলেন একটি "উন্নত" সংস্করণ; আপনি কথার কথা হিসেবে "একবার ভাবো তো" বললেন আর একটি ছবি পেলেন। Shannon এমন করে না।

• শুভেচ্ছা কোনো অনুরোধ নয়। হ্যালো বললে একটি উত্তর আসে, রেন্ডার নয়।
• একটি প্রশ্ন কোনো অনুরোধ নয়। ভালো অ্যালবাম কভারের বৈশিষ্ট্য জিজ্ঞাসা করলে আপনি অ্যালবাম কভার নিয়ে একটি উত্তর পাবেন।
• এমনিই জুড়ে দেওয়া একটি ছবি কোনো অনুরোধ নয়। আলোচনার জন্য কথোপকথনে একটি ছবি ফেলে দিলে কোনো সম্পাদনা শুরু হয় না।
• ছবি নিয়ে কথা বলা মানে ছবি চাওয়া নয়। একটি চিত্রকর্ম, একজন আলোকচিত্রীর কৌশল, বা একটি ডিজাইন ব্রিফ নিয়ে আলোচনা কথোপকথনই থেকে যায়।

আর এর অনুসিদ্ধান্তটিই দৈনন্দিন কাজে মানুষ সবচেয়ে কাজের মনে করেন: Shannon-কে একটি ছবি দেখতে বলা মানে সাধারণ ভিশনের কাজ, কোনো জেনারেশন নয়। এই ছবিটি বর্ণনা করো, এই স্ক্রিনশটের লেখাটি পড়ো, এই লেআউটে কী ভুল আছে বলো, এই হাতে লেখা নোটটি লিখে দাও, গাছটি শনাক্ত করো — এসবই পড়া, বানানো নয়। এতে কোনো নিশ্চিতকরণ কার্ড আসে না আর সাধারণ কথোপকথনের বাইরে বাড়তি কোনো খরচ হয় না। জেনারেশন একটি আলাদা, ইচ্ছাকৃত কাজ যার সামনে একটি দৃশ্যমান গেট আছে, আর বাকি সবকিছু নিছক কথাবার্তা।

05অ্যাসপেক্ট রেশিও: পাঁচটি আকার, আর আপনারটিই জেতে

ফ্রেমিং কোনো সাজসজ্জা নয়। এটি রচনা বদলায়, মডেল কীভাবে খুঁটিনাটি ছড়ায় তা বদলায়, আর ফলটি আপনি যেখানে বসাতে চান সেখানে আঁটবে কি না তা বদলায়। Shannon পাঁচটি রেশিও দেয়, আপনার বর্ণনা থেকে যুক্তিসঙ্গত একটি অনুমান করে, আর আপনি পছন্দ জানানোমাত্রই আপনার কথাই মেনে নেয়।

রেশিও	কীসের জন্য	নোট
square	সাধারণ ব্যবহার, পণ্যের ছবি, আইকন, সোশ্যাল পোস্ট, একক বস্তু।	ডিফল্ট। অনুরোধে কোনো আকারের ইঙ্গিত না থাকলে এটিই বেছে নেওয়া হয়।
portrait	মানুষ, একক অবয়ব, লম্বা বিষয়, বইয়ের প্রচ্ছদ, চরিত্রচিত্র।	দাঁড়ানো একটি অবয়বকে মাথা বা পা না কেটে জায়গা দেয়।
landscape	দৃশ্যপট, অন্দরসজ্জা, মানুষের দল, পরিবেশ বোঝানো শট।	উচ্চতার চেয়ে চওড়া যেকোনো কিছুর জন্য স্বাভাবিক আকার।
wide	সিনেম্যাটিক ফ্রেমিং, ব্যানার, হেডার, প্যানোরামিক দৃশ্য।	landscape-এর চেয়ে চওড়া। মডেলকে চলচ্চিত্রধর্মী রচনার দিকে ঠেলে।
tall	পোস্টার, ফোনের ওয়ালপেপার, উল্লম্ব লেআউট, অনুষ্ঠানের লিফলেট।	portrait-এর চেয়ে লম্বা। পোস্টারের লেখা সাধারণত যেখানে বসে সেখানে জায়গা রাখে।

দুটি ব্যবহারিক নোট। আপনার স্পষ্ট অনুরোধ সবসময় জেতে — wide বললে আপনি wide পাবেন, এমনকি একজন দাঁড়ানো মানুষের জন্যও। আর রেশিও বিষয়বস্তুর সঙ্গে মিথস্ক্রিয়া করে: একটি চওড়া ফ্রেম মডেলকে দুই পাশ ভরাতে ডাকে, তাই একজন মানুষের একটি wide প্রতিকৃতিতে সাধারণত তাঁর চারপাশে একটি পরিবেশ গজিয়ে ওঠে; আপনি যদি চওড়া ফ্রেমে একটি ঘনিষ্ঠ মুখ চান, তা বলে দিন ("tight head-and-shoulders framing, background falling away")। সম্পাদনা ইচ্ছাকৃতভাবেই আলাদা আচরণ করে — একটি সম্পাদনা স্বয়ংক্রিয়ভাবে উৎস ছবির অ্যাসপেক্ট রেশিও ধরে রাখে, কারণ আপনি যে ছবিটি বদলাতে বলেছেন তার আকার পালটে দেওয়া প্রায় কখনোই আপনার উদ্দেশ্য নয়। ছবি মেলানোর সময় আপনি একটি নতুন ক্যানভাস বাছতে পারেন, যেহেতু ফলটি সত্যিকার অর্থেই একটি নতুন রচনা।

06আপনি আসলে কী বানাতে পারেন

তিনটি কাজ। এদের মধ্যে সীমারেখাটি নিয়ে নির্দিষ্ট হওয়া দরকার, কারণ ভুলটি বেছে নেওয়াই হতাশাজনক ফলের সবচেয়ে সাধারণ কারণ।

একটি নতুন ছবি তৈরি করা

লেখা ঢোকে, ছবি বেরোয়। আপনি শিল্প, ইলাস্ট্রেশন বা অ্যানিমে না চাইলে ফটোরিয়ালিজমই ডিফল্ট — তাই আপনি যদি একটি চিত্রকর্ম চান, চিত্রকর্ম বলুন। Shannon-এ টেক্সট-টু-ইমেজ কোনো নেগেটিভ প্রম্পট নেয় না: কেবল আপনি যা চান তা-ই বর্ণনা করুন। "no cars, no people" লিখলে সাধারণত ঠিক সেই জিনিসটিই হাজির হয় যা আপনি বাদ দিতে চেয়েছিলেন, কারণ মডেল বিশেষ্যটি পড়ে, নেতিবাচকতা নয়।

একটি বিদ্যমান ছবি সম্পাদনা করা

ঠিক একটি উৎস ছবি — যা ইতিমধ্যে কথোপকথনে আছে, বা বর্তমান বার্তায় জোড়া — আর সঙ্গে একটি নির্দেশ যা বলে কী বদলাবে আর কী থাকবে। যা বদলাবে না তা নাম ধরে বলাই এই ব্যবস্থার একক বৃহত্তম গুণগত লিভার: "change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" বিষয়টিকে এমনভাবে ধরে রাখে যা "change the background" রাখে না। সম্পাদনা নেগেটিভ প্রম্পট সমর্থন করে, তাই অবাঞ্ছিত জিনিসের কথা নির্দেশে নয়, সেখানেই লেখা উচিত।

দুই বা তার বেশি ছবি মেলানো

যখনই উপাদান একাধিক ছবি থেকে আসে: পোশাক বদল, X বস্তুকে Y দৃশ্যে বসানো, A ব্যক্তির পাশে B ব্যক্তি, ব্যক্তির উপর পণ্য, বা এক ছবির শৈলীতে আরেক ছবির বিষয়। প্রম্পটকে অবশ্যই প্রতিটি ছবির ভূমিকা ক্রম অনুযায়ী নাম ধরে বলতে হবে — প্রথম ছবি মূল বিষয় বা দৃশ্য, পরের ছবিগুলি যে অংশগুলি আনা হচ্ছে তা জোগায়। একাধিক ছবির কাজকে একটি উৎস আর অন্যটির লিখিত বর্ণনায় সংকুচিত করবেন না; প্রকৃত দ্বিতীয় ছবিটি ব্যবহার করাই তার আসল চেহারা রক্ষা করে, আর বর্ণনা না করে মেলানোর পুরো কারণই তো এটি।

যেসব বিষয় অন্য টুল প্রত্যাখ্যান করে

সুনির্দিষ্টভাবে, উপরের শ্রেণিগুলি থেকে নেওয়া, এই ধরনের কাজ এখানে কোনো তর্ক ছাড়াই চলে:

• ইলাস্ট্রেশন, ভাস্কর্যের রেফারেন্স ও চারুকলা চর্চার জন্য ফিগার স্টাডি ও শিল্প-নগ্নচিত্র।
• চিকিৎসা ও শারীরস্থানের ইলাস্ট্রেশন — অস্ত্রোপচারের দৃশ্য, চর্মরোগের উপস্থাপনা, রোগী-শিক্ষার চিত্র — এবং প্রতিবেদন, প্রদর্শনী ও তদন্তকারীদের প্রশিক্ষণের জন্য ফরেনসিক পুনর্গঠন।
• নিরাপত্তা গবেষণার ছবি: নকল ইন্টারফেস, সোশ্যাল-ইঞ্জিনিয়ারিংয়ের পরিস্থিতি, ফিশিং-সচেতনতার প্রশিক্ষণ উপকরণ।
• কল্পকাহিনির ভিতরে সহিংসতা ও আঘাত: উপন্যাসের প্রচ্ছদ, গ্রাফিক নভেলের প্যানেল, স্টোরিবোর্ড, গেমের ধারণাচিত্র, ঐতিহাসিক যুদ্ধদৃশ্য, হরর ও বডি হরর।
• জনপ্রতিনিধিদের নিয়ে রাজনৈতিক ব্যঙ্গ ও সম্পাদকীয় কার্টুন।
• যে পক্ষের স্বত্ব আছে তার করা ব্র্যান্ড, প্যাকেজিং ও অবয়ব সংক্রান্ত কাজ।

এই তালিকাটি বর্ণনা করে পণ্যটি কী আটকায় না। এটি আইন বা দায়িত্বশীল ব্যবহার নীতি উপেক্ষা করার অনুমতি নয়; 09 নম্বর অংশে স্পষ্ট করে বলা আছে সীমারেখা কোথায়।

07Image Model বোঝে এমন একটি প্রম্পট কীভাবে লিখবেন

Shannon আপনার হয়ে প্রম্পট লেখে, তাই আপনাকে এটি শিখতেই হবে না — কিন্তু কার্ডটি সম্পাদনাযোগ্য, আর Image Model কীভাবে পড়ে তা জানা থাকলে আপনি নিখুঁতভাবে দিক ঠিক করতে পারেন। সংক্ষিপ্ত সংস্করণ; পূর্ণ আলোচনা আছে প্রম্পট গাইডে:

• ট্যাগ নয়, গদ্য লিখুন। Image Model প্রম্পট পড়ে যেভাবে একটি ভাষা মডেল লেখা পড়ে। কমা দিয়ে আলাদা করা কিওয়ার্ডের চেয়ে পূর্ণ বাক্য ভালো। "A woman in her 30s at a rain-soaked Tokyo crosswalk at night" "woman, 30s, Tokyo, rain, night"-এর চেয়ে ভালো ফল দেয়।
• 30–80 শব্দ লক্ষ্য রাখুন, আর কখনোই 100-এর অনেক বেশি নয়। তার পরে পরের বাক্যাংশগুলি প্রভাব হারাতে শুরু করে।
• মডেল যেভাবে পড়ে সেভাবেই সাজান: বিষয় → কাজ বা ভঙ্গি → শৈলী ও আবহ → পরিবেশ ও আলো → কারিগরি খুঁটিনাটি যেমন ফ্রেমিং, ডেপথ অফ ফিল্ড ও রং। সবচেয়ে গুরুত্বপূর্ণ জিনিসটি আগে।
• বিষয়টিকে সুনির্দিষ্ট করুন। "A man in his 40s with a salt-and-pepper beard" একটি বিষয়। "A person" একটি ফাঁকা জায়গা যা মডেল একটি গড় দিয়ে ভরাট করে।
• আলোকচিত্রের জন্য আলোকচিত্র হিসেবেই লিখুন। একটি প্রকৃত ক্যামেরা, লেন্স, আর ফিল্ম বা আলোর নাম দিন — "shot on Kodak Portra 400, 85mm f/1.4, soft window light" — আর ভিত্তি দেওয়া খুঁটিনাটি যোগ করুন: ত্বকের রোমকূপ, কাপড়ের বুনন, স্বাভাবিক অসম্পূর্ণতা। স্তরযুক্ত দৃশ্যের জন্য অগ্রভাগ, মধ্যভাগ ও পটভূমিকে আলাদা বাক্যাংশ হিসেবে বর্ণনা করুন, আর হেক্স মান দিয়ে বস্তুর সঙ্গে নির্দিষ্ট রং বেঁধে দিন: "a jacket, color #8B0000"।
• SDXL-যুগের আবর্জনা বাদ দিন। "masterpiece, best quality, 8k" এখানে কিছুই করে না, আর (word:1.3)-এর মতো ওজনের সিনট্যাক্স পার্স হয় না। কখনও পরস্পরবিরোধী নির্দেশ মেশাবেন না — এক প্রম্পটে "photorealistic" আর "watercolor" থাকলে আপনি দুটির একটিও পাবেন না।

বাস্তবে: elderly fisherman, portrait, weathered face, harbor, morning, photorealistic, masterpiece, best quality, 8k-এর বদলে মডেল আসলে যেভাবে পড়ে সেভাবে লিখুন:

An elderly fisherman in his 70s with a deeply weathered face and white
stubble, mending a net across his knees, looking down at his hands. Quiet,
unposed documentary mood. A small working harbor at first light, wooden
hulls and coiled rope behind him, mist over the water. Shot on Kodak Portra
400, 85mm f/1.4, soft overcast light, shallow depth of field, visible skin
texture and pores.

এটি নিছক দীর্ঘ করার জন্য দীর্ঘ নয়। প্রতিটি বাক্যাংশ এমন একটি সিদ্ধান্তের জায়গা নেয় যা মডেল না হলে এলোমেলোভাবে নিত, আর সেই জায়গায় বসে আপনার ইচ্ছাকৃত সিদ্ধান্ত।

08এটি কোথায় থাকে: চ্যাট অ্যাপে, API-তে নয় — আর কোনো ভিডিও নেই

এখানে দুটি কথা আছে যা আপনি সাইন আপ করার পরে নয়, আগেই আমরা আপনাকে বলতে চাই।

ছবির কাজ চ্যাট অ্যাপে

ছবি তৈরি, সম্পাদনা ও একাধিক-ছবির সমন্বয় সবই ঘটে Shannon চ্যাট অ্যাপে। এগুলি /v1 API-তে নেই। Shannon-এর API — /v1/chat/completions, /v1/messages এবং /v1/responses, সবগুলিতেই স্ট্রিমিং, সবগুলিরই নথি আছে shannon-ai.com/docs/api-তে — পরিবেশন করে লেখা ও ভিশন। ভিশন মানে মডেলগুলি আপনার পাঠানো ছবি পড়ে: বর্ণনা করা, বিশ্লেষণ করা, লিখে দেওয়া, একটি চার্ট বা স্ক্রিনশট নিয়ে যুক্তি করা। এর মানে ছবি তৈরি করা নয়। আপনি যদি "আনসেন্সরড ইমেজ জেনারেশন API" খুঁজতে গিয়ে এই পাতায় এসে থাকেন, সেটাই সৎ উত্তর, আর ইন্টিগ্রেট করার পর আপনি তা আবিষ্কার করার চেয়ে আমরা এখনই স্পষ্ট বলতে চাই। API যে কাজে সত্যিই ভালো তা হল একই সমস্যার অন্য অর্ধেক: আনসেন্সরড লেখা ও ভিশন, কোনো প্রত্যাখ্যান স্তর নেই, তিনটি API ডায়ালেক্ট, আমাদের নিজস্ব GPU ক্লাস্টারে। প্রতিটি মডেলের জন্য একটি করে মডেল কার্ড আছে গবেষণা সূচিতে।

আমরা এটি খোলাখুলি বলি কারণ সার্চ ফলাফলে "আনসেন্সরড ইমেজ জেনারেটর" আর "আনসেন্সরড ভিডিও জেনারেটর" পাশাপাশি বসে, আর যে পাতা একটি অনুপস্থিত ফিচার নিয়ে ধোঁয়াশা রাখে সে আশা করে আপনি খেয়াল করার আগেই সাইন আপ করে ফেলবেন। ছবি রেন্ডার হয় আমাদের নিজস্ব GPU ক্লাস্টারে। ভিডিও কোথাও রেন্ডার হয় না, কারণ আমরা তা করি না।

09দায়িত্বশীল ব্যবহার, স্পষ্ট ভাষায়

Shannon Lab LLC একটি নিউ মেক্সিকোর কোম্পানি যা যুক্তরাষ্ট্রের আইনের অধীনে চলে। একটি স্বয়ংক্রিয় ফিল্টার সরালে আইনও যায় না, আমাদের নীতিও যায় না। যা হয় তা হল বিচারের ভার এমন একটি ক্লাসিফায়ার থেকে সরে আসে যে প্রেক্ষাপট দেখতে পায় না, আর যায় এমন একজন পেশাদারের কাছে যিনি তা পারেন — আর যিনি ফলাফলের জন্য জবাবদিহি করেন।

নাবালক জড়িত যৌন বিষয়বস্তু ঢালাওভাবে নিষিদ্ধ আর কোনো দিক থেকেই তা ধূসর এলাকা নয়। একইভাবে নিষিদ্ধ কোনো প্রকৃত ব্যক্তিকে হয়রানি, মানহানি, প্রতারণা বা ছদ্মবেশে উপস্থাপন করার জন্য বানানো বিষয়বস্তু — এর মধ্যে পড়ে সম্মতি ছাড়া বানানো কোনো প্রকৃত শনাক্তযোগ্য ব্যক্তির যৌন ছবি — এবং প্রতারণার জন্য অন্য পক্ষের ব্র্যান্ড বা অবয়ব ব্যবহার। এগুলি এমন ফিল্টার শ্রেণি নয় যা কাকতালীয়ভাবে বন্ধ আছে; এগুলি পণ্যের নিষিদ্ধ ব্যবহার, যা কিওয়ার্ডের বিরুদ্ধে নয়, অ্যাকাউন্টের বিরুদ্ধে প্রয়োগ করা হয়, আর উদ্দেশ্য আসলে সেই স্তরেই দৃশ্যমান হয়। পূর্ণ শর্তাবলি আছে দায়িত্বশীল ব্যবহার নীতিতে। চুক্তিটি সরল: এমন একটি টুল যা আপনার পেশা নিয়ে সন্দেহ করে না, বিনিময়ে আপনি সেই পেশাদারই হবেন যেমনটা সে ধরে নিয়েছে।

10সচরাচর জিজ্ঞাস্য প্রশ্ন

11এই ধারাবাহিকের বাকি অংশ

চারটি সহযোগী লেখা সেই অংশগুলিতে গভীরে যায় যেখানে আপনি আসলে সময় কাটাবেন:

• আনসেন্সরড AI ছবি সম্পাদনা — নির্দেশ প্রম্পট, কী থাকবে তা নোঙর করা, নেগেটিভ প্রম্পট, উত্তরাধিকারসূত্রে পাওয়া অ্যাসপেক্ট রেশিও।
• আনসেন্সরড একাধিক-ছবির সমন্বয় — ভূমিকার ক্রম, পোশাক বদল, ব্যক্তির উপর পণ্য, দৃশ্যে বিষয় বসানো।
• আনসেন্সরড ইমেজ প্রম্পট গাইড — ট্যাগের বদলে গদ্য, বিষয়-প্রথম ক্রম, ক্যামেরা ও ফিল্মের ভাষা, হেক্স রং, অকেজো টোকেন।
• আনসেন্সরড বনাম ফিল্টার করা ইমেজ AI — একই অনুরোধ দুটি নকশার ভিতর দিয়ে, শ্রেণি ধরে ধরে।

প্ল্যাটফর্মের লেখা ও ভিশনের দিকটির জন্য — API-র পিছনের আনসেন্সরড মডেলগুলি — শুরু করুন গবেষণা সূচি থেকে।

---

Shannon Lab LLC, নিউ মেক্সিকো, USA। ছবি তৈরি, সম্পাদনা ও একাধিক-ছবির সমন্বয় Shannon চ্যাট অ্যাপের ফিচার এবং /v1 API-তে পাওয়া যায় না, যা লেখা ও ভিশন পরিবেশন করে। কোনো ভিডিও তৈরি হয় না। এখানে বর্ণিত অ্যাসপেক্ট রেশিও, নিশ্চিতকরণ প্রবাহ ও কাজগুলি 5 সেপ্টেম্বর, 2026 পর্যন্ত পণ্যের অবস্থা প্রতিফলিত করে।