AI ইমেজ প্রম্পট গাইড

বেশিরভাগ মানুষ আসেন SDXL-এ শেখা প্রম্পটের অভ্যাস নিয়ে: কমা দিয়ে আলাদা করা বিশেষ্যের একটি সারি, একটি গুণ-টোকেনের ভূমিকা, কয়েকটি বন্ধনীবদ্ধ ওজন, আর ইতিবাচকটির মতোই লম্বা একটি নেগেটিভ প্রম্পট। সেই অভ্যাসগুলি সেই মডেলগুলির জন্য সঠিক ছিল আর এখানে সেগুলি ক্ষতিকর। এটি হল আসলে যা কাজ করে তার সংক্ষিপ্ত রূপ — আর যেহেতু Shannon আপনার হয়ে জেনারেশন প্রম্পট লেখে আর কিছু রেন্ডার হওয়ার আগেই তা দেখায়, এটি সমানভাবেই Shannon যা প্রস্তাব করে তা পড়া ও শুধরে নেওয়ার গাইড।

01কেন গদ্য ট্যাগকে হারায়: মডেল পড়ে একটি ভাষা মডেলের মতো

প্রম্পট সংক্রান্ত বেশিরভাগ পরামর্শ যেসব পুরোনো ডিফিউশন মডেলের জন্য লেখা হয়েছিল সেগুলি এমন একটি টেক্সট এনকোডার ব্যবহার করত যা বাস্তবে আচরণ করত ধারণার একটি বস্তার মতো: ব্যাকরণ প্রায় কিছুই বদলাত না, আর জেতার কৌশল ছিল প্রাসঙ্গিক বিশেষ্য জড়ো করা আর ওজন দিয়ে সেগুলিকে ঝোঁক দেওয়া। সেই এনকোডারের জন্য ট্যাগের স্তূপই ছিল প্রম্পটের সঠিক আকার।

Shannon-এর Image Model সেভাবে কাজ করে না। এটি একটি প্রম্পট পড়ে যেভাবে একটি ভাষা মডেল লেখা পড়ে, তাই সিনট্যাক্স অর্থ বহন করে। "Holding an umbrella against her shoulder" হল একজন মানুষ, একটি বস্তু আর একটি অঙ্গের মধ্যে একটি সম্পর্ক; "umbrella, shoulder" হল দুটি জিনিস যারা কাকতালীয়ভাবে উপস্থিত। পদান্বয়ী অব্যয় জিনিস বসায়। ক্রিয়া ভঙ্গি তৈরি করে। বাক্যাংশ খুঁটিনাটিকে গোটা ছবিতে ভাসতে না দিয়ে সঠিক বিশেষ্যের সঙ্গে জুড়ে দেয়।

একই ছবি দুইভাবে চাওয়া হল।

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

ট্যাগ সংস্করণটি যা প্রকাশ করতে পারে না তা লক্ষ্য করুন। ছাতাটি যে ধরা আছে তা সে কখনও বলে না, তাই সেটি মাটিতে পড়ে থাকতেও পারে। নিয়ন যে পিচে প্রতিফলিত হচ্ছে তা সে বলে না, কেবল বলে দুটিই আছে, ফলে আপনি সাইনবোর্ড আর একটি ভেজা রাস্তা পান যাদের মধ্যে কোনো আলোকীয় সম্পর্ক নেই। নারীটি কোন দিকে তাকিয়ে আছেন তা সে বলে না, তাই তাঁর ভঙ্গি একেবারেই আন্দাজের ব্যাপার। "Cinematic lighting" একটি আবহের লেবেল, কোনো আলোর উৎস নয়। আর শেষ পাঁচটি টোকেন নিছক গোলমাল, আলোকচিত্র নিয়ে ইংরেজি শব্দ হিসেবে পড়া হয়, নিয়ন্ত্রণের হাতল হিসেবে নয়।

গদ্য সংস্করণটি অলংকারের কারণে লম্বা নয়। এটি লম্বা কারণ ট্যাগ সংস্করণ যেসব প্রশ্ন খোলা রেখেছিল তা এটি উত্তর দেয়। পুরো কৌশলটি এটুকুই।

02একটি ইমেজ প্রম্পট কত লম্বা হওয়া উচিত?

30 থেকে 80 শব্দ লক্ষ্য রাখুন। 100-এর অনেক বেশি যাবেন না। আপনার হাতে থাকা এটিই একক সবচেয়ে সহজ গুণগত লিভার, আর পরিসরের দুই প্রান্তই গুরুত্বপূর্ণ।

প্রায় 30 শব্দের নিচে গেলে রচনা, আলো ও ফ্রেমিং অনির্দিষ্ট থাকে, তাই মডেল যা পরিসংখ্যানগতভাবে সবচেয়ে সাধারণ তা-ই বেছে নেয়। "A woman in a coffee shop" একটি বৈধ প্রম্পট যা একটি ভুলে যাওয়ার মতো ছবি তৈরি করে, কারণ আপনি প্রতিটি আকর্ষণীয় সিদ্ধান্ত অন্যের হাতে ছেড়ে দিয়েছেন।

মোটামুটি 100 শব্দের উপরে ভিন্ন একটি ব্যর্থতা দেখা দেয়: পরের বাক্যাংশগুলি ছবির একই অঞ্চলের জন্য আগেরগুলির সঙ্গে প্রতিযোগিতা করে, আর খুঁটিনাটি জমা হওয়ার বদলে আপনি পান লঘুতা। তৃতীয় আলোর বর্ণনা প্রথমটিকে বাতিল করে দেয়, আর প্রথম আট শব্দে আপনি যে বিষয়টি প্রতিষ্ঠা করেছিলেন সে প্রতিটি বাড়তি বাক্যে আপেক্ষিকভাবে কম মনোযোগ পায়। দীর্ঘ প্রম্পট পড়তে পুঙ্খানুপুঙ্খ লাগে। রেন্ডারে তা পুঙ্খানুপুঙ্খ হয় না।

শৃঙ্খলাটি হল: আপনি যে প্রম্পটটি চান তা লিখুন, তারপর কেটে কেবল সেই বাক্যগুলি রাখুন যেগুলি সরিয়ে দিলে ছবিটি বদলে যেত।

03ক্রমের শৃঙ্খলা: সবচেয়ে গুরুত্বপূর্ণ জিনিসটি আগে

যেহেতু মডেল ক্রমান্বয়ে পড়ে, অবস্থানই জোর: যা আগে আসে তা ছবিটিকে নোঙর করে, যা শেষে আসে তা সেটিকে সমন্বয় করে। মডেলের যে ক্রমে দরকার সেই ক্রমেই জিনিস রাখুন:

1. বিষয় — এই ছবিটি কার বা কীসের, সুনির্দিষ্টভাবে।
2. কাজ বা ভঙ্গি — তারা কী করছে, কীভাবে ধরা আছে।
3. শৈলী বা আবহ — আলোকচিত্র, তৈলচিত্র, কারিগরি ইলাস্ট্রেশন, আর তা কোন সুরে।
4. পরিবেশ ও আলো — এটি কোথায় ঘটছে আর তার উপর কী আলো পড়ছে।
5. কারিগরি — ফ্রেমিং, লেন্স, ডেপথ অফ ফিল্ড, রঙের নির্দিষ্টতা।

সবচেয়ে সাধারণ স্ব-আরোপিত ক্ষতি হল কারিগরি বাক্যাংশ দিয়ে শুরু করা। "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" দিয়ে শুরু করলে মডেলকে বলা হয় যে চেহারাটাই বিষয় আর মানুষটি একটি খুঁটিনাটি। আপনি পান একটি চমৎকার, ফাঁকা ফ্রেম যাতে একটি ছোট অস্পষ্ট অবয়ব আছে।

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

প্রথম সংস্করণের প্রতিটি উপাদান দ্বিতীয়টিতে টিকে আছে; কিছুই বাদ যায়নি। মডেল কেবল এখন জানে ছবিটি কীসের উপর, তারপর তাকে বলা হয় কীভাবে তা তুলতে হবে — আর কেবল এই ক্রম বদলটিই বিষয়টিকে গৌণ থেকে কেন্দ্রে নিয়ে আসে।

04বিষয়ের ব্যাপারে সুনির্দিষ্ট হোন

"A person" কোনো বিষয় নয়, এটি একটি ফাঁকা জায়গা — আর মডেল ফাঁকা জায়গা ভরে সে যা দেখেছে তার গড় দিয়ে, আর ঠিক সেখান থেকেই আসে সেই চকচকে, বয়সহীন, বৈশিষ্ট্যহীন চেহারা। সুনির্দিষ্টতার খরচ পাঁচটি শব্দ, আর তাতে আপনি পান একজন নির্দিষ্ট মানুষ:

ধরনটি লক্ষ্য করুন: বয়স বা যুগ, একটি গঠনগত বৈশিষ্ট্য, একটি স্বাতন্ত্র্যসূচক অসম্পূর্ণতা। তৃতীয় জিনিসটিই একটি ফলকে তৈরি করা নয়, তোলা বলে অনুভব করায়। একটি ভাঙা দাঁত, একটি ক্ষয়ে যাওয়া প্রান্ত, রং করে ঢাকা সাইনবোর্ড — ছোট অসমতাগুলিই প্লাস্টিক-ভাবের বিরুদ্ধে সবচেয়ে জোরালো সংকেত, আর আপনার শব্দ-বাজেটে সেগুলির খরচ প্রায় শূন্য।

05ফটোরিয়ালিজম: অনুরোধটি একটি আলোকচিত্র হিসেবে লিখুন

আপনি শিল্প, ইলাস্ট্রেশন বা অ্যানিমে না চাইলে ফটোরিয়ালিজমই ডিফল্ট। কিন্তু "photorealistic" শব্দটি সামান্যই কাজ করে। যা একটি আলোকচিত্র তৈরি করে তা হল আলোকচিত্র তোলার কাজটি বর্ণনা করা: একটি প্রকৃত ক্যামেরা, একটি প্রকৃত লেন্স, আর একটি প্রকৃত ফিল্ম স্টক বা আলোর উৎস।

কারণটি সরল। "Kodak Portra 400" ক্যাপশন দেওয়া প্রতিটি ছবি তৈরি হয়েছিল একটি নির্দিষ্ট প্রক্রিয়ায়, যার একটি নির্দিষ্ট গ্রেইন গঠন, হাইলাইট রোল-অফ ও ত্বকের রেন্ডিশন আছে, আর স্টকের নাম নিলে তার সবটাই ডেকে আনা হয়। "8k ultra detailed" কেবল স্টক-সাইটের স্প্যামেই দেখা যেত, তাই তা স্টক-সাইটের স্প্যামই ডেকে আনে। কয়েকটি নির্ভরযোগ্য রেসিপি, যার প্রতিটি একই বিষয়ের স্পষ্টতই আলাদা ছবি তৈরি করে:

ভিত্তিটিকে রেসিপির সঙ্গে মেলান — 24mm ওয়াইডে যেখানে মুখটি আশি পিক্সেল উঁচু, সেখানে রোমকূপ-স্তরের ত্বকের বুনটের কোনো মানে নেই — তারপর তা যোগ করুন। ভিত্তি দেওয়া খুঁটিনাটি হল সেই বুনটের প্রমাণ যে একটি লেন্স সত্যিই এটি ধারণ করেছিল। দৃশ্যমান রোমকূপ ও সূক্ষ্ম মুখের রোম। একটি লিনেন শার্টের বুনন। আলোর রেখায় ধুলোর কণা। একটি চামড়ার বুটে একটি ঘষার দাগ। উজ্জ্বল পটভূমিতে উড়ন্ত চুল। দুই-তিনটিই যথেষ্ট, আর সেগুলিই একজন মানুষের রেন্ডারিং আর একজন মানুষের আলোকচিত্রের মধ্যে পার্থক্য।

06স্তরযুক্ত দৃশ্য: অগ্রভাগ, মধ্যভাগ, পটভূমি

একটি দৃশ্যে যখন গভীরতা থাকে, তিনটি তল আলাদাভাবে ও ক্রমানুসারে বর্ণনা করুন। যেসব ছবিকে পটভূমি নয়, জায়গা বলে মনে হওয়া উচিত তাদের জন্য এটিই সবচেয়ে কার্যকর কৌশল, আর প্রায় কেউই এটি করে না। এটি ছাড়া আপনি পান সমতলতা: প্রম্পটে উল্লেখিত সবকিছু মোটামুটি একই দূরত্বে গিয়ে বসে, ফ্রেমের একই মধ্যবর্তী পটির জন্য প্রতিযোগিতা করে। তলগুলির নাম দিলে মডেল খরচ করার মতো একটি গভীরতার বাজেট পায়।

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

দুটি পরিমার্জন। অগ্রভাগে এমন কিছু রাখুন যা ইচ্ছাকৃতভাবেই ফোকাসের বাইরে — গভীর দৃশ্যের প্রকৃত আলোকচিত্রে প্রায় সবসময়ই একটি থাকে, আর তার অনুপস্থিতি একটি সাধারণ ধরা পড়ার লক্ষণ। আর বলুন বিষয়টি কোন তলে আছে: কুরিয়ারটিই যদি ছবির মূল কথা হয় তবে তাঁর জায়গা মধ্যভাগে, নইলে টাওয়ার আর কফির কাপ তাঁর সঙ্গে ফ্রেমের জন্য লড়বে।

07নির্দিষ্ট রং: হেক্স কোড, বস্তুর সঙ্গে জোড়া

ব্র্যান্ডের কাজে, পোশাকের ধারাবাহিকতায়, বা যেখানেই "লাল" যথেষ্ট নির্দিষ্ট নয়, সেখানে হেক্স কোডটি color #RRGGBB হিসেবে লিখুন আর তা একটি নামধারী বস্তুর সঙ্গে জুড়ে দিন:

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

তিনটি নিয়ম মনে রাখুন। যে দুই-তিনটি রং সত্যিই গুরুত্বপূর্ণ তার জন্য হেক্স ব্যবহার করুন আর বাকিটার জন্য সাধারণ শব্দ — ছয়টি হেক্স কোডসহ একটি প্রম্পট তার বাজেটের বেশিরভাগই রঙের নমুনায় খরচ করে। কোডটি প্রান্তযুক্ত একটি বস্তুর সঙ্গে বাঁধুন, কখনও "আলো" বা "আবহ"-এর সঙ্গে নয়। আর মনে রাখুন এটি বস্তুর রং নির্দিষ্ট করে, চূড়ান্ত পিক্সেলের মান নয়: সোনালি-ঘণ্টার পশ্চাদালোকে একটি #8B0000 কোট নমুনার চেয়ে উষ্ণতর দেখায়, ঠিক যেমনটা বাস্তবেও হত।

08অ্যাসপেক্ট রেশিও বেছে নেওয়া

পাঁচটি রেশিও পাওয়া যায় আর সঠিকটি সাধারণত বিষয় থেকেই বোঝা যায়, কিন্তু আপনার স্পষ্ট অনুরোধ সবসময় জেতে — একটি ওয়ালপেপার চান, আর বিষয়বস্তু যা-ই ইঙ্গিত করুক আপনি tall পাবেন।

এটি ভুল করলে যতটা মনে হয় তার চেয়ে বেশি ক্ষতি হয়। একটি wide ফ্রেমে পূর্ণ দৈর্ঘ্যের একটি দাঁড়ানো অবয়ব আপনাকে বড় ফ্রেমে একটি ছোট অবয়ব দেয় না — সাধারণত একটি কাটা অবয়বই দেয়, কারণ মডেল প্রস্থটি ভরাট করে আর মাথা বা পা ফ্রেমের বাইরে চলে যায়। ফ্রেমটিকে বিষয়ের প্রধান অক্ষের সঙ্গে মেলান, আর রচনা নিয়ে বেশিরভাগ অভিযোগ উবে যাবে।

দুটি আচরণ মনে রাখার মতো: সম্পাদনা স্বয়ংক্রিয়ভাবে উৎস ছবির অ্যাসপেক্ট রেশিও ধরে রাখে, তাই সম্পাদনা করে আপনি ফ্রেম বদলাতে পারবেন না, আর ছবি মেলানো আপনাকে একটি নতুন ক্যানভাস বাছতে দেয় — আপনার হাতে থাকা কিছুর আকার বদলানোর প্রায়শই সবচেয়ে পরিচ্ছন্ন উপায় সেটিই।

09ভুল অভ্যাস: যা করা বন্ধ করবেন

গুণ-টোকেন: "masterpiece, best quality, 8k, ultra detailed"

এগুলি ছিল একটি নির্দিষ্ট পুরোনো প্রশিক্ষণ বণ্টনের জন্য কমিউনিটির খুঁজে পাওয়া হাতল, যেখানে কিছু ক্যাপশন-বাক্যাংশ কিছু ছবির উৎসের সঙ্গে সম্পর্কযুক্ত ছিল। সেগুলি এখানে আসে না। এখানে সেগুলি সাধারণ ইংরেজি শব্দ হিসেবেই পড়া হয়, কিছুই যোগ করে না, আর আপনাকে যে শব্দ-বাজেট আঁটসাঁট বলে বলা হয়েছে তার একটি অংশ খেয়ে ফেলে। বিকল্প হল আপনি কোন খুঁটিনাটি চান তা বলা: "ultra detailed" নয়, বরং "কোটের কাপড়ে দৃশ্যমান বুনন আর চোয়াল বরাবর সূক্ষ্ম দাড়ি" — একই উদ্দেশ্য, কিন্তু এমনভাবে প্রকাশিত যা মডেল রেন্ডার করতে পারে।

ওজনের সিনট্যাক্স: (word:1.3), [word], {{word}}

পার্স হয় না। বন্ধনী, ব্র্যাকেট, কোলন ও সংখ্যা আক্ষরিক লেখা হিসেবেই ঢোকে আর বরং আশপাশের বাক্যাংশটি পড়া কঠিন করে তোলে। কোনো কিছুর উপর বেশি জোর দিতে চাইলে যে দুটি লিভার সত্যিই কাজ করে তা ব্যবহার করুন: প্রম্পটে সেটিকে আগে সরান, আর সেটিকে বেশি শব্দ দিন। "A crimson silk scarf, its fringed ends lifting in the wind" প্রতিটি গুরুত্বপূর্ণ মাপকাঠিতেই "(red scarf:1.4)"-কে ছাড়িয়ে যায়।

পরস্পরবিরোধী নির্দেশ

অসঙ্গত নির্দেশ মেশালে সেগুলি মিশে যায় না; তৈরি হয় একটি অস্থির গড় যা সাধারণত কোনোটিকেই সন্তুষ্ট করে না। সচরাচর অপরাধীরা:

• মাধ্যম — "photorealistic" প্লাস "watercolor"; "oil painting" প্লাস "shot on 85mm"। একটি বাছুন আর তাতেই থাকুন।
• ফ্রেমিং — "wide establishing shot" প্লাস "extreme close-up on her eyes"; "full body" প্লাস "detailed facial pores"।
• আলো — "harsh midday sun" প্লাস "soft golden hour glow"; "low key, deep shadows" প্লাস "bright and airy"।
• যুগ — "1970s film aesthetic" প্লাস "modern minimalist" প্লাস "cyberpunk"।
• শৈলীর স্তূপ — একসঙ্গে চারজন শিল্পী বা চারটি ধারা। সম্পর্কিত দুটি রেফারেন্স কাজ করতে পারে; চারটি একে অপরকে কেটে সাধারণ বানিয়ে দেয়।
• ছড়িয়ে পড়া — "rustic, weathered, ancient, timeworn wooden door" একটি ধারণাই চারবার লেখা, আর প্রতিটি পুনরাবৃত্তি প্রম্পটের বাকিটা লঘু করে।

10টেক্সট-টু-ইমেজে কোনো নেগেটিভ প্রম্পট নেই

এই ভুল অভ্যাসটিই অভিজ্ঞ ব্যবহারকারীদের সবচেয়ে জোরে ধরে, কারণ পুরোনো স্ট্যাকে নেগেটিভ প্রম্পটই ছিল অর্ধেক কারিগরি।

ছবি তৈরির ক্ষেত্রে নিয়মটি চূড়ান্ত আর সামান্য বিপরীতমুখী: প্রম্পটে "no text, no watermark, no extra fingers" লিখলে সেই জিনিসগুলি কম নয়, বরং বেশি সম্ভাব্য হয়ে ওঠে। মডেল "no text"-কে পড়ে text ধারণাটি ধারণকারী একটি বাক্য হিসেবে; নেতিবাচকতা একটি দুর্বল সংকেত আর বিশেষ্যটি একটি জোরালো সংকেত। কার্যত আপনি লেখাই চেয়েছেন। তার বদলে সবসময় ইতিবাচক রূপটি বলুন:

সম্পাদনা ও ছবি মেলানোর ক্ষেত্রে নেগেটিভ প্রম্পট আছে আর আপনার তা ব্যবহার করা উচিত — তবে অবাঞ্ছিত জিনিসের জন্য, বিষয়বস্তুর জন্য নয়। ভালো উপাদান: ওয়াটারমার্ক, লেখার আস্তরণ, দ্বিগুণ হয়ে যাওয়া অঙ্গ, বিকৃত হাত, অতিরিক্ত শার্পনিংয়ের বলয়, JPEG ব্লকিং, জোড়া লাগানো প্রান্ত বরাবর সেলাইয়ের দাগ। খারাপ উপাদান: ছবিটি কীসের উপর সে সংক্রান্ত যেকোনো কিছু, যার জায়গা নির্দেশে।

11Shannon আপনার জন্য যে প্রম্পট লেখে তা পড়া

এখানেই এই গাইডটি তাত্ত্বিক নয়, তাৎক্ষণিকভাবে ব্যবহারযোগ্য হয়ে ওঠে। আপনাকে নিজে জেনারেশন প্রম্পট লিখতে হয় না। আপনি সাধারণ ভাষায়, যেকোনো ভাষায় জিজ্ঞাসা করেন; Shannon বুঝতে পারে যে একটি ছবি চাওয়া হচ্ছে, ইংরেজি জেনারেশন প্রম্পটটি রচনা করে, আর কিছু রেন্ডার হওয়ার আগেই তা আপনাকে একটি নিশ্চিতকরণ কার্ডে দেখায়। আপনি নিশ্চিত না করা পর্যন্ত কিছুই তৈরি হয় না আর কিছুই বিল হয় না।

তাই সবচেয়ে লাভজনক দক্ষতাটি শূন্য থেকে প্রম্পট লেখা নয় — তা হল কার্ডে থাকা প্রম্পটটি পড়া। এই তালিকাটি ধরে ধরে দেখুন:

1. বিষয়টি কি সুনির্দিষ্ট? কার্ডে যদি "a person" বা "a woman" লেখা থাকে, আপনি সম্ভাব্য একক বৃহত্তম উন্নতির জায়গাটি পেয়ে গেছেন। একটি বয়স, একটি গড়ন, একটি বৈশিষ্ট্য দিন।
2. বিষয়টি কি আগে? প্রম্পট যদি একটি শৈলী বা একটি ক্যামেরা দিয়ে শুরু হয়, বলুন তা যেন বিষয় দিয়ে শুরু হয়।
3. এটি কি পরিসরের ভিতরে? 30 শব্দের নিচে হলে আলো ও পরিবেশ নিয়ে আরও নির্দিষ্টতা চান। 100-এর উপরে হলে কেটে ছোট করতে বলুন।
4. কোনো আলোর উৎস আছে কি? কোনো আবহের শব্দ নয় — একটি প্রকৃত আলো: জানালা, সড়কবাতি, ফ্ল্যাশ, মেঘলা আকাশ, সফটবক্স।
5. কোনো বিরোধ আছে কি? একই প্রম্পটে দুটি মাধ্যম, দুটি ফ্রেমিং, বা দুটি আলোর অবস্থা আছে কি না দেখুন।
6. লুকিয়ে থাকা কোনো নেতিবাচকতা আছে কি? কার্ডে যদি "without", "no" বা "avoid" থাকে, তবে সেটি এমন একটি টেক্সট-টু-ইমেজ প্রম্পট যা সে যার নাম নিচ্ছে সেটিই চাইছে।
7. রেশিওটি কি বিষয়ের জন্য সঠিক? wide-এ পূর্ণ দৈর্ঘ্যের অবয়ব হল ক্লাসিক অমিল।

সংশোধন কথোপকথনের মতোই: "তাঁকে ত্রিশের গোড়ায় করো, এক ভুরুতে একটি কাটা দাগ দাও, Portra-তে 85mm-এ তোলো, আর portrait ব্যবহার করো" একেবারেই ভালো একটি নির্দেশ। আপনি একটি নতুন কার্ড পাবেন আর সেটিই নিশ্চিত করবেন। বারবার চেষ্টা করার কোনো জরিমানা নেই, কারণ এখনও কিছুই রেন্ডার হয়নি।

আর Shannon না চাইতে ছবি তৈরি করে না। একটি শুভেচ্ছা, একটি প্রশ্ন, বা আলোচনার জন্য আপনার জোড়া একটি ছবি কোনো রেন্ডার চালু করে না। Shannon-কে একটি ছবি দেখতে বলা — বর্ণনা করা, পড়া, বিশ্লেষণ করা — সাধারণ ভিশনের কাজ, ছবি তৈরি নয়, আর তাতে বাড়তি কোনো খরচ হয় না।

12সম্পাদনা ও ছবি মেলানোর ক্ষেত্রে কারিগরি কীভাবে বদলায়

উপরের নিয়মগুলি ছবি তৈরির জন্য লেখা। পাশের দুটি মোড প্রম্পটের আকার বদলে দেয়।

একটি ছবি সম্পাদনা

একটি সম্পাদনার প্রম্পট একটি নির্দেশ, কোনো বর্ণনা নয়: বলুন কী বদলাবে আর কী থাকবে। যা বদলাবে না তা নাম ধরে বলাই এই পণ্যের একক বৃহত্তম গুণগত লিভার — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" এমনভাবে টিকে থাকে যেখানে সেই বাক্যাংশ ছাড়া একই অনুরোধ নীরবে তাঁর মুখ নতুন করে এঁকে ফেলে। নোঙরটি নিয়ে সুনির্দিষ্ট হোন: মুখ, ভঙ্গি, চুল ও পোশাক অভিন্ন রাখতে বলুন। ঠিক একটি উৎস ছবি ব্যবহৃত হয়, আর ফলটি তার অ্যাসপেক্ট রেশিও ধরে রাখে।

দুই বা তার বেশি ছবি মেলানো

যখনই উপাদান একাধিক ছবি থেকে আসে — পোশাক বদল, একটি দৃশ্যে একটি বস্তু, এক ফ্রেমে দুজন মানুষ, ব্যক্তির উপর পণ্য, এক ছবির শৈলীর সঙ্গে আরেক ছবির বিষয় — প্রম্পটকে অবশ্যই প্রতিটি ছবির ভূমিকা, ক্রম অনুযায়ী নাম ধরে বলতে হবে: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." প্রথম ছবিটি মূল বিষয় বা দৃশ্য; পরের ছবিগুলি যে অংশগুলি আনা হচ্ছে তা জোগায়। একাধিক ছবির অনুরোধকে একটি উৎস আর একটি লিখিত বর্ণনায় সংকুচিত করবেন না — প্রকৃত ছবিগুলি মেলানোই ওই জিনিসগুলি আসলে কেমন দেখতে তা রক্ষা করে।

13আনসেন্সরড প্রম্পটিং: আপনি যা বোঝাতে চান তা-ই বলুন

জেনারেশন পথে কোনো কনটেন্ট ফিল্টার নেই আর যে মডেল প্রম্পট লেখে তার উপর কোনো প্রত্যাখ্যান স্তর নেই। পণ্যটির পুরো কথাই এটি: ফিল্টার করা জেনারেটরগুলি নিয়মিতভাবে বৈধ কাজ প্রত্যাখ্যান করে — শিল্প-নগ্নচিত্র, চিকিৎসা ও ফরেনসিক ইলাস্ট্রেশন, নিরাপত্তা গবেষণার ছবি, কল্পকাহিনিতে সহিংসতা, রাজনৈতিক ব্যঙ্গ, স্বত্বাধিকারীর করা ব্র্যান্ড ও অবয়ব সংক্রান্ত কাজ। ফিল্টার করা প্ল্যাটফর্মে প্রম্পট-কারিগরির অর্ধেকই হল শব্দচাতুরীর প্রকৌশল, আর শব্দচাতুরী একটি নিখুঁত ছবির শত্রু।

তাই কার্ডে আরও একটি জিনিস যাচাই করার আছে: এটি যেন ফিল্টার করা টুল থেকে শেখা কুণ্ঠিত শব্দভান্ডারের বদলে প্রকৃত বিষয়টিকেই সরল ভাষায় বর্ণনা করে। একটি ক্ষতের ফরেনসিক ইলাস্ট্রেশনে ক্ষতটি কী তা বলা উচিত। কুণ্ঠিত ভাষা সর্বত্রই খারাপ ছবি তৈরি করে, কারণ শব্দ যা বলে মডেল তা-ই রেন্ডার করে।

সক্ষমতা আর বিচারবুদ্ধি আলাদা জিনিস। Shannon Lab LLC এটি চালায় একটি প্রকাশিত দায়িত্বশীল ব্যবহার নীতির অধীনে: ফিল্টারহীন ছবি তৈরি একটি পেশাদার টুল, আর আপনি যা বানান তার উপর সম্মতি, অধিকার ও আইন সবই এখনও প্রযোজ্য।

14API কোথায় খাপ খায়

যাঁরা API খুঁজে এসেছেন তাঁদের জন্য একটি নির্ভুলতার কথা: ছবি তৈরি, সম্পাদনা ও মেলানো থাকে Shannon চ্যাট অ্যাপে, /v1 API-তে নয়। API লেখা ও ভিশন পরিবেশন করে — তিনটি ডায়ালেক্টেই (/v1/chat/completions, /v1/messages, /v1/responses, সবগুলিতেই স্ট্রিমিং) আপনার পাঠানো ছবি এটি পড়তে, বর্ণনা করতে ও বিশ্লেষণ করতে পারে — কিন্তু সেগুলি তৈরি করে না। আপনি যদি এমন একটি পাইপলাইন বানান যাকে ছবি বুঝতে হবে, শুরু করার জায়গা হল API ডকুমেন্টেশন। আপনি যদি ছবি বানাতে চান, তা চ্যাট অ্যাপে, আর এই গাইডের সবকিছুই সেখানে প্রযোজ্য। ছবি রেন্ডার হয় আমাদের নিজস্ব GPU ক্লাস্টারে।

15সচরাচর জিজ্ঞাস্য প্রশ্ন

সম্পর্কিত পাঠ: আনসেন্সরড AI ছবি তৈরি · আনসেন্সরড AI ছবি সম্পাদনা · দায়িত্বশীল ব্যবহার নীতি · API ডকুমেন্টেশন · সমস্ত Shannon গবেষণা। এখানকার নির্দেশনা Shannon-এর Image Model নিয়ে আমাদের নিজস্ব পরীক্ষা থেকে নেওয়া; আগের ডিফিউশন স্ট্যাকের জন্য লেখা পরামর্শ সাধারণত এখানে খাটে না।