AI ভিডিও প্রম্পট নির্দেশিকা: আরও ভালো ভিডিওর জন্য 7টি পরীক্ষিত সমাধান
বেশির ভাগ AI ভিডিও প্রম্পটের ব্যর্থতা কল্পনার অভাব থেকে আসে না। বরং এমন অভ্যাস থেকে আসে যা ছবি তৈরিতে কাজ করত, কিন্তু একই ক্লিপে মডেলকে নড়াচড়া, সময়বিন্যাস, ক্যামেরার গতি, মূল বিষয়ের সামঞ্জস্য এবং কখনো অডিও তৈরি করতে হলে আর কাজ করে না।
এই AI ভিডিও প্রম্পট নির্দেশিকা আধুনিক ভিডিও জেনারেশনের সাতটি ব্যবহারিক সমাধান নিয়ে আলোচনা করে। পরামর্শগুলো আজ PixVerse-এ নির্মাতারা যেসব মডেল তুলনা করতে পারেন, সেগুলোর জন্য তৈরি, যার মধ্যে রয়েছে Seedance 2.0, HappyHorse 1.0, PixVerse V6, PixVerse C1, Kling O3 এবং Kling 3.0। এগুলো অন্য AI ভিডিও জেনারেটরেও ব্যাপকভাবে প্রযোজ্য, কারণ ব্যর্থতার কারণগুলো অভিন্ন: অতিরিক্ত নির্দেশনায় ভরা প্রম্পট, অস্পষ্ট শৈলীর বর্ণনা, পরস্পরবিরোধী ক্যামেরার গতি, ছদ্ম নেগেটিভ প্রম্পট, কাঁপুনি ঘটায় এমন গতিসূচক শব্দ, রেফারেন্স ছবি থেকে বিচ্যুতি এবং মান বোঝাতে সাধারণ বিশেষণ।
উদ্দেশ্য প্রতিটি প্রম্পটকে ছোট বা আরও প্রযুক্তিগত করা নয়। উদ্দেশ্য হলো প্রতিটি নির্দেশনার যথার্থ প্রয়োজন থাকা। একটি কার্যকর লেখা-থেকে-ভিডিও প্রম্পট মডেলকে শুরুতেই গুরুত্বপূর্ণ বিষয়টি জানায়, নড়াচড়ার একটি স্পষ্ট পথ দেয়, মূল বিষয়ের সামঞ্জস্য রক্ষা করে এবং সাধারণ রুচিসূচক শব্দের বদলে সুনির্দিষ্ট দৃশ্যগত ভাষা ব্যবহার করে।
নড়াচড়ার প্রম্পটের আগে স্থির ছবি দরকার হলে GPT Image 2 প্রম্পট নির্দেশিকা দিয়ে শুরু করুন, তারপর আলাদা নড়াচড়ার প্রম্পটসহ অনুমোদিত ফ্রেমটি PixVerse-এর ছবি-থেকে-ভিডিওতে ব্যবহার করুন।
PixVerse-এ AI ভিডিও প্রম্পট পরীক্ষা করুন
আমরা এই AI ভিডিও প্রম্পটগুলো কীভাবে পরীক্ষা করেছি
এই নিবন্ধের জন্য আমরা PixVerse-এ একই মৌলিক ভিডিও জেনারেশন সেটআপ ব্যবহার করে সাতটি প্রম্পটের সব উদাহরণ তৈরি করেছি এবং প্রতিটি ক্লিপে অডিও চালু রেখেছি। উদ্দেশ্য কোনো একটি মডেলের বিশেষ কৌশল প্রচার করা নয়, বরং পরীক্ষার পরিবেশ একই রেখে প্রম্পটের গঠনের প্রভাব আলাদা করে দেখা। মূল ভিডিওগুলোর প্রতিটি প্রায় 5 সেকেন্ড দৈর্ঘ্যে তৈরি করা হয়েছে; ছয়টি ক্লিপে 1280x720 অনুভূমিক আউটপুট ব্যবহার করা হয়েছে, আর রেফারেন্স ছবির উদাহরণে 720x1280 উল্লম্ব আউটপুট ব্যবহার করা হয়েছে। প্রতিটি ফাইলে একটি অডিও ট্র্যাক রয়েছে।
আমাদের মূল্যায়ন লিডারবোর্ডভিত্তিক না হয়ে ব্যবহারিক। আমরা ছয়টি প্রযোজনা-সংক্রান্ত মানদণ্ডে প্রতিটি ভিডিও পর্যালোচনা করেছি:
- প্রম্পট মেনে চলা: ক্লিপটি কি মূল নির্দেশনা অনুসরণ করে?
- নড়াচড়া নিয়ন্ত্রণ: কাঁপুনি বা দৃশ্যের গঠন ভেঙে যাওয়া ছাড়াই কি প্রধান অ্যাকশন বোঝা যায়?
- মূল বিষয়ের সামঞ্জস্য: পণ্য, মানুষ বা বস্তু কি নিজেদের আকৃতি ধরে রাখে?
- ক্যামেরার স্থিতিশীলতা: নির্দিষ্ট ক্যামেরার গতিপথ কি মসৃণ থাকে?
- অডিওর উপযোগিতা: প্রম্পট কি মডেলকে ব্যবহারযোগ্য শব্দের সংকেত দেয়?
- প্রযোজনায় ব্যবহারযোগ্যতা: পাঠককে বিভ্রান্ত না করে ক্লিপটি কি ব্লগ, বিজ্ঞাপনের খসড়া, প্রস্তাবনা বা প্রম্পট টিউটোরিয়ালে ব্যবহার করা যেতে পারে?
এই নিয়মগুলো বিভিন্ন মডেলে প্রযোজ্য ব্যবহারিক নির্দেশনা হিসেবে লেখা হয়েছে, কারণ বর্তমান বেশির ভাগ AI ভিডিও জেনারেটরের সমস্যার জায়গাগুলো একই: সময়ের সঙ্গে দৃশ্য বদলে যাওয়া, অস্পষ্ট নড়াচড়া, অস্থিতিশীল ক্যামেরার গতিপথ এবং মূল বিষয় নিয়ে পরস্পরের সঙ্গে প্রতিযোগী নির্দেশনা।
মডেল সম্পর্কে আরও বিস্তৃত ধারণার জন্য আমাদের Seedance 2.0 পর্যালোচনা, HappyHorse 1.0 বনাম Seedance 2.0 তুলনা এবং PixVerse-এ Kling O3 ও Kling 3.0 দেখুন।
পরামর্শ 1: দীর্ঘ প্রম্পট ভালো নয়, আরও খারাপ আউটপুট দেয়
দীর্ঘ প্রম্পটকে বেশি নিরাপদ মনে হতে পারে, কারণ এতে মডেলকে আরও বিস্তারিত তথ্য দেওয়া হচ্ছে বলে মনে হয়। বাস্তবে দীর্ঘ AI ভিডিও প্রম্পট প্রায়ই মূল নির্দেশনার গুরুত্ব কমিয়ে দেয়। প্রথম বাক্যটি সবচেয়ে বেশি নিয়ন্ত্রণ দেয়, আর পরের তথ্যগুলো দুর্বল পরামর্শে পরিণত হয়ে পরস্পরের সঙ্গে প্রতিযোগিতা করতে পারে।
সাধারণ ভুল: 200-শব্দের প্রম্পটকে বেশি নিয়ন্ত্রণযোগ্য মনে করা
খারাপ প্রম্পট:
ভিডিও প্রম্পট: মার্জিত স্টুডিওতে একটি বিলাসবহুল সুগন্ধির বোতল, সুন্দর আলো, চলচ্চিত্রসুলভ প্রতিফলন, প্রিমিয়াম বিজ্ঞাপনের চেহারা, দামি উপকরণ, কোমল কণা, মসৃণ নড়াচড়া, পরিশীলিত পরিবেশ, উচ্চমান, সূক্ষ্ম টেক্সচার, নাটকীয় ক্যামেরার গতি, আবেগময় গল্প বলা, বিলাসবহুল ব্র্যান্ডের আবহ, বাস্তবসম্মত কাচ, সোনালি তরল, ঝলমলে আলোর ঝিলিক, ধীরগতি, মার্জিত ছায়া, নিখুঁত কম্পোজিশন, কোনো বিকৃতি নয়, কোনো ঝিলমিল নয়, কোনো ভুল শারীরিক গঠন নয়, কোনো এলোমেলো পটভূমি নয়, কোনো অতিরিক্ত বস্তু নয়, পেশাদার ভিডিও, ভাইরাল বিজ্ঞাপনের শৈলী।
এই প্রম্পটকে বিস্তারিত মনে হয়, কিন্তু বেশির ভাগ তথ্যই সাধারণ বা অপ্রয়োজনীয় পুনরাবৃত্তি। মডেলকে পণ্যের নড়াচড়া, আলো, শৈলী, প্রতিফলন, কণা, মানের বর্ণনা এবং নেতিবাচক বাক্যাংশের মধ্যে বেছে নিতে হয়। মূল নির্দেশনা চাপা পড়ে যায়।
এটি কেন ব্যর্থ হয়
ভিডিও মডেল লেখাকে ধারাবাহিক নির্দেশনা হিসেবে প্রক্রিয়াকরণ করে। মূল অ্যাকশন যত শুরুতে ও স্পষ্টভাবে থাকে, সময়জুড়ে সেটি বজায় রাখা মডেলের জন্য তত সহজ হয়। দীর্ঘ ক্লিপের ক্ষেত্রে এটি বিশেষভাবে গুরুত্বপূর্ণ, যেখানে সময়জুড়ে ধারাবাহিকতা বজায় রাখতেই মডেলকে বেশি কাজ করতে হয়। OpenAI-এর Sora গবেষণা উল্লেখ করে যে ভিডিও মডেল এখনো সুনির্দিষ্ট পদার্থবিদ্যা এবং কার্যকারণ সম্পর্ক নিয়ে সমস্যার মুখোমুখি হয়, তাই মূল ধারণার পরে দুর্বল নির্দেশনা যোগ করলেই স্বয়ংক্রিয়ভাবে বেশি নিয়ন্ত্রণ পাওয়া যায় না।
প্রম্পটের সমাধান
50-80 শব্দের একটি কাঠামো ব্যবহার করুন:
Sentence 1: subject + action + location.
Sentence 2: camera + style.
Sentence 3: constraints.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: কালো মার্বেলের ওপর একটি স্বচ্ছ কাচের সুগন্ধির বোতল দাঁড়িয়ে আছে, আর উষ্ণ প্রান্তীয় আলো সোনালি তরলের ভেতর দিয়ে যাচ্ছে। প্রদর্শনের জন্য বোতলটি খুব সামান্য ঘোরে, পাশের প্রান্তটুকু দেখানোর মতো, তারপর আবার কেন্দ্রে প্রধান অবস্থানে স্থির হয়। লেবেলের উচ্চতা থেকে ঢাকনার দিকে ধীর ম্যাক্রো পুশ-ইন, বিলাসবহুল স্টুডিও পণ্যের আলো, বোতলের পেছনে কোমল সোনালি ধুলোকণা। কেন্দ্রে স্থির পণ্যের ফ্রেমে শেষ করুন, কোনো লেখার ওভারলে নয়, কোনো অতিরিক্ত বস্তু নয়। অডিও: কাচের নড়াচড়ার সূক্ষ্ম শব্দ, স্টুডিও ঘরের মৃদু পরিবেশগত শব্দ।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি উদাহরণেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশন সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 16:9 অ্যাসপেক্ট রেশিও, কাচের নড়াচড়ার সূক্ষ্ম শব্দ ও স্টুডিও ঘরের পরিবেশগত শব্দের জন্য অডিও চালু। এই পরীক্ষায় যা যাচাই করা হয়: সংক্ষিপ্ত প্রম্পট মূল অ্যাকশনকে চাপা না দিয়ে পণ্যের পরিচয়, সংযত নড়াচড়া, আলো এবং ক্যামেরার নিয়ন্ত্রণ বজায় রাখতে পারে কি না।
পণ্যের বিজ্ঞাপনের এই পরীক্ষায় স্পষ্ট প্রম্পটটি কাজ করেছে, কারণ এটি প্রধান অ্যাকশন অনুসরণ করা সহজ রেখেছে: পণ্যের বোতলটি সংযত প্রদর্শনমূলক নড়াচড়া করে, আর ক্যামেরা নিয়ন্ত্রিত বিজ্ঞাপনী সেটআপের মধ্য দিয়ে এগিয়ে আসে। বোতলটি কেন্দ্রে থাকে, কাচের ভেতর দিয়ে সোনালি তরল স্পষ্ট বোঝা যায় এবং উষ্ণ পেছনের আলো দীর্ঘ বিশেষণের তালিকা ছাড়াই প্রিমিয়াম পণ্যের স্পষ্ট আবহ তৈরি করে।
মূল শিক্ষা: ছোট মানেই অস্পষ্ট নয়। স্পষ্ট মূল বিষয়, একটি সংযত অ্যাকশন, ক্যামেরার একটি গতি এবং কয়েকটি সীমা থাকা সংক্ষিপ্ত প্রম্পট প্রায়ই ছড়ানো পছন্দে ভরা দীর্ঘ প্রম্পটের চেয়ে ভালো ফল দেয়।
পরামর্শ 2: “চলচ্চিত্রসুলভ” প্রায় অকেজো
“চলচ্চিত্রসুলভ” AI ভিডিও প্রম্পটের সবচেয়ে প্রচলিত শব্দগুলোর একটি, কিন্তু নির্ভরযোগ্য হওয়ার পক্ষে এর অর্থ খুব বিস্তৃত। এর মানে হতে পারে ভৌতিক ছায়া, রোমান্টিক সোনালি আলো, তথ্যচিত্রের বাস্তবতা, কল্পবিজ্ঞানের কুয়াশাচ্ছন্ন আবহ কিংবা পরস্পরের সঙ্গে সম্পর্কহীন নানা চলচ্চিত্রের চেহারা।
সাধারণ ভুল: “চলচ্চিত্রসুলভ”-কে মান বাড়ানোর সুইচ হিসেবে ব্যবহার করা
খারাপ প্রম্পট:
ভিডিও প্রম্পট: একজন অবসরপ্রাপ্ত গোয়েন্দা রাতে বৃষ্টিভেজা গলি দিয়ে হাঁটছেন। চলচ্চিত্রসুলভ, পেশাদার, নাটকীয়, চলচ্চিত্রের মান।
এটি মডেলকে একটি আবহ দেয়, কিন্তু নির্দিষ্ট চেহারা দেয় না। আউটপুট অন্ধকার, উজ্জ্বল, নোয়ার, হাতে ধরা ক্যামেরার মতো, চকচকে, রুক্ষ কিংবা এর মাঝামাঝি কিছু হতে পারে।
এটি কেন ব্যর্থ হয়
প্রশিক্ষণের ডেটা “চলচ্চিত্রসুলভ”-এর মতো বিস্তৃত অর্থের শব্দকে নানা ধরনের দৃশ্যগত বিন্যাসের সঙ্গে যুক্ত করে। আলোর সেটআপ, লেন্সের অনুভূতি, কম্পোজিশন, ক্যামেরার গতিপথ, রঙের সমাহার বা কোনো পরিচালকের চেনা শৈলীর সংকেতের মতো প্রকৃত দৃশ্যগত ভাষা উল্লেখ না করলে মডেল বুঝতে পারে না আপনি “চলচ্চিত্রসুলভ”-এর কোন ধরনটি বোঝাচ্ছেন। Runway-এর Gen-3 Alpha গবেষণা অত্যন্ত বর্ণনামূলক ও সময়গত তথ্যসমৃদ্ধ ক্যাপশনের ওপর জোর দেয়, যা মনে করিয়ে দেয় যে সুনির্দিষ্ট দৃশ্যগত ভাষা অস্পষ্ট বর্ণনার চেয়ে ভালো।
প্রম্পটের সমাধান
“চলচ্চিত্রসুলভ”-এর বদলে নির্দিষ্ট দৃশ্যগত সংকেত ব্যবহার করুন:
Director-style composition, lighting setup, lens behavior, aspect ratio, or color palette.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: লম্বা গাঢ় কোট পরা একজন অবসরপ্রাপ্ত গোয়েন্দা রাতে বৃষ্টিতে ভেজা গলি দিয়ে হাঁটছেন। ওয়াইড শট থেকে মিডিয়াম ক্লোজ-আপে ধীর পুশ-ইন, ভেজা পাথরবাঁধানো রাস্তায় লাল ও নীল নিয়নের প্রতিফলন, গলির গভীরে এক-বিন্দু পার্সপেক্টিভ, দৃশ্যে থাকা নিয়ন সাইন থেকে অ্যানামর্ফিক 2.39:1 লেন্স ফ্লেয়ার, তাঁর মুখের সামনে দিয়ে সিগারেটের ধোঁয়া যাচ্ছে। অডিও: ফুটপাতে বৃষ্টির শব্দ, দূরের যানবাহন, নিয়নের মৃদু গুঞ্জন।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি উদাহরণেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশন সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 16:9 অ্যাসপেক্ট রেশিও, বৃষ্টি ও শহরের পরিবেশগত শব্দের জন্য অডিও চালু। এই পরীক্ষায় যা যাচাই করা হয়: নির্দিষ্ট চলচ্চিত্রের ভাষা সাধারণ “চলচ্চিত্রসুলভ” শব্দের তুলনায় আরও স্থিতিশীল আবহ তৈরি করে কি না।
বৃষ্টিভেজা গলির পরীক্ষাটি কাজ করেছে, কারণ প্রম্পটে দৃশ্যমান চলচ্চিত্রের উপাদানগুলোর নাম ছিল: বৃষ্টিতে ভেজা পাথরবাঁধানো রাস্তা, নিয়নের প্রতিফলন, এক-বিন্দু পার্সপেক্টিভ, ধীর পুশ-ইন এবং নোয়ার আলো। গোয়েন্দা দৃশ্যের মূল কেন্দ্র হিসেবে থাকেন, আর গলির গভীরতা, ভেজা মাটি এবং লাল-নীল সাইন আবহ তৈরি করে। ক্লিপটি চলচ্চিত্রের মতো লাগে, কারণ প্রম্পট শটটি কেমন দেখাবে তা বর্ণনা করে, “চলচ্চিত্রসুলভ” শব্দের ওপর নির্ভর করে না।
পরামর্শ 3: একাধিক ক্যামেরার গতি একসঙ্গে দিলে কাঁপুনি তৈরি হয়
AI ভিডিও মডেল ক্যামেরার গতি অনুসরণ করতে পারে, কিন্তু গতির একটি প্রধান দিক থাকলে সেগুলো নিয়ন্ত্রণ করা সহজ হয়। ক্যামেরার একাধিক নির্দেশনা একসঙ্গে দিলে প্রায়ই কাঁপুনি, গতিপথ থেকে সরে যাওয়া বা অনাকাঙ্ক্ষিত ট্রানজিশন তৈরি হয়।
সাধারণ ভুল: ক্যামেরার বেশ কয়েকটি গতির নির্দেশনা একত্র করা
খারাপ প্রম্পট:
ভিডিও প্রম্পট: একটি ক্ষুদ্র চৌম্বকীয় ট্রেন কাচের টেরারিয়ামের শহরের মধ্য দিয়ে চলে। ক্যামেরা সামনে এগিয়ে যায়, বাঁদিকে প্যান করে, ট্রেনের চারপাশে ঘোরে, শ্যাওলার টাওয়ারগুলোর মধ্য দিয়ে ওপরের দিকে টিল্ট করে এবং হাতে ধরা ক্যামেরার কাঁপুনি যোগ করে।
এটি বাস্তব চলচ্চিত্রের ক্যামেরার গতির মতো শোনায়, কিন্তু জেনারেশনের জন্য এতে অত্যধিক স্থানিক ভেক্টর তৈরি হয়। মডেল এগুলো একের পর এক কার্যকর করার চেষ্টা করতে পারে বা মিশিয়ে অস্থিতিশীল নড়াচড়া তৈরি করতে পারে।
এটি কেন ব্যর্থ হয়
ক্যামেরার গতি স্থানিক। পুশ-ইন, প্যান, চারপাশে ঘোরা, টিল্ট এবং হাতে ধরা ক্যামেরার কাঁপুনি — প্রতিটিই আলাদা গতির ভেক্টর বোঝায়। একাধিক গতি একসঙ্গে দিলে মডেলকে ঠিক করতে হয় কোনটি প্রাধান্য পাবে এবং কখন বদলাবে। ফলে পরিবর্তনের মুহূর্তে দৃশ্যমান দুলুনি হতে পারে। Direct-a-Video এবং MotionCtrl-এর মতো গবেষণা ব্যবস্থাও ক্যামেরার গতি ও বস্তুর গতি আলাদা করে, যা এখানকার ব্যবহারিক নিয়মকে সমর্থন করে: একটি প্রম্পটে একসঙ্গে ক্যামেরার পাঁচটি গতির ভেক্টর বহন করাবেন না।
প্রম্পটের সমাধান
ক্যামেরার একটি প্রধান গতির সঙ্গে একটি দৃশ্যের টেক্সচারসংক্রান্ত সংকেত ব্যবহার করুন:
Main motion: slow push-in.
Texture: slight handheld feel.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: পরীক্ষাগারের একটি টেবিলে রাখা কাচের টেরারিয়াম শহরের ভেতর দিয়ে একটি ক্ষুদ্র চৌম্বকীয় ট্রেন মসৃণভাবে এগিয়ে যায়, পেরিয়ে যায় শ্যাওলার টাওয়ার, ছোট ছোট জানালা এবং কাচের দেয়ালে জমে থাকা জলকণা। ক্যামেরা: ট্রেনের সমান্তরালে একটিমাত্র মসৃণ পার্শ্বমুখী ট্র্যাকিং মুভমেন্ট, কেবল সামান্য হাতে ধরা ক্যামেরার অনুভূতি। পেছনের দৃশ্য সরে যাওয়ার সময় ট্রেনটিকে কেন্দ্রে রাখুন। অডিও: মৃদু বৈদ্যুতিক গুঞ্জন, রেলের ক্ষীণ কম্পন, কাচে জলের ফোঁটা পড়ার শব্দ, চাপা ঘরের পরিবেশধ্বনি।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি ক্ষেত্রেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশনের সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 16:9 অ্যাসপেক্ট রেশিও, অডিও চালু। এই পরীক্ষায় যা যাচাই করা হয়: পটভূমি গতির অনুভূতি তৈরি করার সময় একটিমাত্র পার্শ্বমুখী ট্র্যাকিং মুভমেন্ট ছোট বিষয়বস্তুকে স্পষ্ট রাখতে পারে কি না।
এই উদাহরণটি কার্যকর, কারণ দৃশ্যে ক্যামেরাকে বিশৃঙ্খল করে তুলতে পারে এমন অনেক উপাদান আছে: কাচের প্রতিফলন, ক্ষুদ্র ভবন, ঘনীভূত জলকণা, চলন্ত ট্রেন এবং ম্যাক্রো স্কেল। উন্নত প্রম্পটটি মডেলকে ক্যামেরার গতির একটিমাত্র দিক দেয়, তারপর চলমান পটভূমি দিয়ে দৃশ্যে প্রাণ আনে। পর্যালোচনার সময় দেখুন ট্রেনটি কেন্দ্রে থাকে কি না, কাচের প্রতিফলন স্থির থাকে কি না এবং সাউন্ড ডিজাইন ক্ষুদ্র জগতের অনুভূতিকে ছাপিয়ে না গিয়ে তাকে সমর্থন করে কি না।
তৈরি হওয়া ক্লিপটি এই ব্যাচের সবচেয়ে স্পষ্ট প্রদর্শনগুলোর একটি। ট্রেনটি ফ্রেমের নিচের দিকে স্পষ্ট থাকে, আর শ্যাওলায় ঢাকা টেরারিয়াম শহর প্যারাল্যাক্স ও গভীরতা তৈরি করে। প্রম্পটটি পুশ, প্যান, অরবিট ও টিল্ট একসঙ্গে জুড়ে না দিয়ে একটিমাত্র পার্শ্বমুখী ট্র্যাকিং মুভমেন্ট ব্যবহার করায় দৃশ্যে গতি থাকে, অথচ ক্যামেরার নড়াচড়া পরস্পরের সঙ্গে সংঘাতে জড়ায় না।
পরামর্শ 4: নেগেটিভ প্রম্পট বলে কিছু নেই
অনেক নির্মাতা ভিডিও প্রম্পট লেখার সময় Stable Diffusion-এর অভ্যাস নিয়ে আসেন এবং “নেগেটিভ: কাঁপুনি, বাঁকা অঙ্গপ্রত্যঙ্গ, আলো ঝিকমিক করা, বিকৃতি”-র মতো নেগেটিভ প্রম্পটের তালিকা লেখেন। অধিকাংশ AI ভিডিও জেনারেটরে এটি প্রকৃত নেগেটিভ প্রম্পট ফিল্ড নয়। এটি কেবল আরও কিছু টেক্সট।
সাধারণ ভুল: প্রম্পটের ভেতরে “নেগেটিভ” নির্দেশনা লেখা
খারাপ প্রম্পট:
ভিডিও প্রম্পট: একটি ডেস্ক ল্যাম্পের নিচে এক ঘড়ি মেরামতকারী ভাসমান ঘড়ির যন্ত্রাংশে তৈরি একটি ঘনক মেরামত করছেন। নেগেটিভ: কাঁপুনি, ত্রুটিপূর্ণ হাত, বাঁকা আঙুল, আলো ঝিকমিক করা, বিকৃতি, ভাঙা গিয়ার, অস্থির আলো।
এতে ফলাফল আরও খারাপ হতে পারে, কারণ মডেল তখনও “কাঁপুনি”, “বাঁকা অঙ্গপ্রত্যঙ্গ” ও “বিকৃতি” শব্দগুলো পড়ে। এসব ধারণা আটকে দেওয়ার বদলে প্রম্পটটি বিভ্রান্তিকর যোগসূত্র তৈরি করতে পারে।
এটি কেন ব্যর্থ হয়
ইন্টারফেসে আলাদা নেগেটিভ প্রম্পট ফিল্ড না থাকলে সাধারণত প্রম্পটের সব টেক্সটকেই ইতিবাচক নির্দেশনা হিসেবে ধরা হয়। কোনো মডেল স্বয়ংক্রিয়ভাবে “নেগেটিভ:” কথাটিকে কঠোর নিষেধাজ্ঞা হিসেবে বোঝে না। স্থিতিশীলতা চাইলে কাঙ্ক্ষিত স্থির অবস্থাটি সরাসরি লিখুন।
প্রম্পটের সমাধান
ইতিবাচক সীমা-নির্দেশ ব্যবহার করুন:
Face remains stable.
Limbs move naturally.
Lighting remains consistent with no flicker.
Body proportions stay consistent throughout.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: উষ্ণ আলো ছড়ানো একটি ডেস্ক ল্যাম্পের নিচে এক ঘড়ি মেরামতকারী পিতলের চিমটা দিয়ে ক্ষুদ্র ভাসমান ঘড়ির যন্ত্রাংশে তৈরি একটি ঘনকের ভেতরে একটি স্বচ্ছ গিয়ার বসাচ্ছেন। ক্যামেরা হাত থেকে ঘনকের দিকে ধীরে এগিয়ে যায়। হাত স্বাভাবিকভাবে নড়ে, গিয়ারের কিনারা স্পষ্ট থাকে, ঘনকটি কেন্দ্রে থাকে এবং ল্যাম্পের উষ্ণ আলো ঝিকমিক না করে একই রকম থাকে। অডিও: পিতলের চিমটার ক্লিক, ক্ষুদ্র গিয়ারের টিকটিক, শান্ত কর্মশালার পরিবেশধ্বনি।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি ক্ষেত্রেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশনের সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 16:9 অ্যাসপেক্ট রেশিও, ক্ষুদ্র যান্ত্রিক শব্দ ও কর্মশালার পরিবেশধ্বনির জন্য অডিও চালু। এই পরীক্ষায় যা যাচাই করা হয়: হাতের স্থিতিশীলতা, বস্তুর কিনারার স্পষ্টতা, আলোর ধারাবাহিকতা এবং ইতিবাচক সীমা-নির্দেশ দৃশ্যমান ত্রুটি কমায় কি না।
এই উদাহরণে নেগেটিভ প্রম্পটের সমস্যাটি স্পষ্ট হয়, কারণ হাত, ক্ষুদ্র গিয়ার, স্বচ্ছ কিনারা ও উষ্ণ আলো—সবই ত্রুটি তৈরি হওয়ার ঝুঁকিতে থাকে। কী হওয়া উচিত নয় তার তালিকা না দিয়ে উন্নত প্রম্পটটি কাঙ্ক্ষিত অবস্থা জানায়: স্বাভাবিক হাত, স্পষ্ট গিয়ারের কিনারা, কেন্দ্রে থাকা ঘনক এবং স্থির ল্যাম্পের আলো। পর্যালোচনার সময় তুলনা করুন, এসব সীমা-নির্দেশ ঘনকটিকে ফ্রেম ধরে ধরে পরীক্ষা করা সহজ করে কি না।
ফলাফলটি দর্শককে পর্যবেক্ষণের একটি স্পষ্ট কেন্দ্র দেয়: ডেস্ক ল্যাম্পের নিচে চিমটা, স্বচ্ছ ঘনক ও গিয়ারের সূক্ষ্ম বিবরণ আলাদাভাবে বোঝা যায়। হাতটি মডেলের জন্য চ্যালেঞ্জ তৈরি করার মতো যথেষ্ট কাছে থাকে, তবে ইতিবাচক সীমা-নির্দেশ কাঙ্ক্ষিত আচরণ স্পষ্ট করে। ফলে ক্লিপটি এমন নেগেটিভ তালিকার চেয়ে বেশি কার্যকর হয়, যা অনিচ্ছায় “বিকৃতি” বা “ত্রুটিপূর্ণ হাত”-এর মতো শব্দ বারবার উল্লেখ করে।
পরামর্শ 5: “দ্রুত” শব্দটি ফলাফলের মান কমিয়ে দেয়
গতি চাইলে “দ্রুত” শব্দটি উপকারী মনে হয়, কিন্তু এটি প্রায়ই ভিডিও মডেলকে অস্থির গতির দিকে ঠেলে দেয়। প্রম্পটে আগে থেকেই জটিল অ্যাকশন, ক্যামেরার নড়াচড়া, কণার প্রভাব বা একাধিক বিষয়বস্তু থাকলে সমস্যা আরও বাড়ে।
সাধারণ ভুল: প্রতিটি উপাদানকে দ্রুত নড়তে বলা
খারাপ প্রম্পট:
ভিডিও প্রম্পট: একজন লংবোর্ডার পাহাড়ি রাস্তা দিয়ে দ্রুত নেমে যান, দ্রুত ক্যামেরা, চটপট বাঁক, দ্রুত গতিজনিত ঝাপসা ভাব, গতিশীল বেগ, তীব্র অ্যাকশন, দ্রুত চলাচল।
এতে একাধিক উচ্চগতির উপাদান পরস্পরের সঙ্গে প্রতিযোগিতা করে। মডেলকে একই সঙ্গে বিষয়বস্তু, ক্যামেরা, ইফেক্ট ও দৃশ্যের সময়বিন্যাস সামলাতে হয়, ফলে কাঁপুনি ও দৃশ্যের গঠন ভেঙে পড়তে পারে।
এটি কেন ব্যর্থ হয়
গতি কেবল একটি শৈলী নয়। এটি সময়সংক্রান্ত একটি চাহিদা। একাধিক উপাদান একই সঙ্গে গতি বাড়ালে মডেলকে বাড়তি গতির চাপের মধ্যে দেহের গঠন, বস্তুর আকৃতি, ক্যামেরার পথ, পটভূমির সামঞ্জস্য ও ইফেক্টের সময়বিন্যাস বজায় রাখতে হয়। “দ্রুত” লেখার বদলে যে শারীরিক লক্ষণগুলো গতিকে দৃশ্যমান করে, সেগুলো বর্ণনা করুন।
প্রম্পটের সমাধান
“দ্রুত”-এর বদলে গতির শারীরিক বিবরণ দিন:
Feet strike the ground with force.
Each stride fully extends.
Arms swing at 90 degrees.
Motion blur trails from the background, not the face.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: ঢাল বেয়ে নামা একজন লংবোর্ডার বৃষ্টিতে পিচ্ছিল পাহাড়ি রাস্তার বাঁকে শরীর হেলান, হাঁটু ভাঁজ করা, পেছনের হাত অ্যাসফল্টের কয়েক ইঞ্চি ওপরে ভাসছে। প্রতিটি চাকা বাইরে দিকে জলের সরু ছিটা ছুড়ে দেয়, আর রাস্তার পাশের প্রতিফলকগুলো পটভূমিতে নরম আলোর রেখায় প্রসারিত হয়। একটিমাত্র স্থির ট্র্যাকিং শটে ক্যামেরা বোর্ডের পাশে নিচু অবস্থানে থাকে। হেলমেট ও জ্যাকেট স্থিতিশীল থাকে। অডিও: চাকার গুঞ্জন, ভেজা রাস্তার হিসহিস শব্দ, বাতাসের চাপ, বোর্ডের একবার বাঁক নেওয়ার শব্দ।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি ক্ষেত্রেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশনের সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 16:9 অ্যাসপেক্ট রেশিও, অডিও চালু। এই পরীক্ষায় যা যাচাই করা হয়: গতির শারীরিক বর্ণনা মডেলের ওপর অতিরিক্ত চাপ না দিয়ে গতির অনুভূতি তৈরি করতে পারে কি না।
এই উদাহরণটি “দ্রুত” শব্দ এড়িয়েও গতিকে দৃশ্যমান করে। বোর্ড হেলে যায়, হাঁটু ভাঁজ হয়, চাকা জল ছিটিয়ে দেয় এবং পটভূমির প্রতিফলকগুলো গতির রেখায় প্রসারিত হয়। পর্যালোচনার সময় দেখুন লংবোর্ডারের দেহের গঠন স্থিতিশীল থাকে কি না, ক্যামেরা নিচু ও স্থির থাকে কি না এবং চাকা ও ভেজা অ্যাসফল্টের শব্দ দৃশ্যের গঠন ভেঙে না দিয়ে গতির অনুভূতি তৈরি করে কি না।
ফলাফলটি “দ্রুত” শব্দের বদলে শারীরিক প্রমাণ দিয়ে গতি প্রকাশ করে। ক্যামেরার নিচু অবস্থান, ভেজা রাস্তার প্রতিফলন, ভাঁজ করা শরীরে বোর্ড চালানোর ভঙ্গি ও জলের ছিটা—সবই শরীর ও বোর্ড স্পষ্ট রেখেই দ্রুত নেমে যাওয়ার অনুভূতি দেয়। এই পরামর্শের মূল বক্তব্য ঠিক এটাই: কারণ ও ফলাফল হিসেবে বর্ণনা করলে গতিকে আরও ভালোভাবে নিয়ন্ত্রণ করা যায়।
পরামর্শ 6: রেফারেন্স ছবিকে আবার বর্ণনা করলে বিষয়বস্তু বদলে যায়
ছবি-থেকে-ভিডিও প্রম্পটে আপলোড করা ছবিতে আগে থেকেই দৃশ্যমান সবকিছু আবার বলা উচিত নয়। ছবিতে যদি স্পটলাইটের নিচে সুগঠিত একটি কালো হ্যান্ডব্যাগ দেখা যায় এবং প্রম্পটে সামান্য ভিন্ন ভাষায় সেই ব্যাগটিকেই আবার বর্ণনা করা হয়, তাহলে মডেল একই বিষয়বস্তুর জন্য দুটি ইনপুট পায়: ছবি ও টেক্সট। এদের মধ্যে সামান্য পার্থক্যও বিষয়বস্তুকে বদলে দিতে পারে।
সাধারণ ভুল: রেফারেন্স ছবিকে আবার বর্ণনা করা
ছবি-থেকে-ভিডিওর জন্য খারাপ প্রম্পট:
ভিডিও প্রম্পট: বাঁকানো হাতল, রুপালি ক্ল্যাপ, সুগঠিত দেহ, সেলাই করা প্যানেল ও অন্ধকার স্টুডিও পটভূমিসহ একটি কালো চামড়ার হ্যান্ডব্যাগ নাটকীয় স্পটলাইটের নিচে রয়েছে।
এসব বিবরণ ছবিতে আগে থেকেই থাকলে প্রম্পট মডেলকে সেগুলো নতুনভাবে ব্যাখ্যা করতে উৎসাহিত করতে পারে। ফলাফলে বস্তুর অবয়ব বদলে যেতে পারে, উপাদান পরিবর্তিত হতে পারে, অলংকারমূলক খুঁটিনাটি সরে যেতে পারে বা পটভূমি প্রতিস্থাপিত হতে পারে।
এটি কেন ব্যর্থ হয়
রেফারেন্স ছবি নিজেই একটি শক্তিশালী দৃশ্যগত নির্দেশনা। দৃশ্যমান বিষয়বস্তুকে আবার বর্ণনা করলে নির্দেশনার দ্বিতীয় একটি মাধ্যম তৈরি হয়, যা পিক্সেলের সঙ্গে পুরোপুরি নাও মিলতে পারে। পরিচয় অক্ষুণ্ণ রাখতে ছবি যা দেখাতে পারে না, তার জন্য প্রম্পট ব্যবহার করুন: নড়াচড়া ও ক্যামেরার আচরণ।
প্রম্পটের সমাধান
ছবি-থেকে-ভিডিওর ক্ষেত্রে প্রম্পটকে তিনটি কাজের মধ্যে সীমিত রাখুন:
motion instruction, camera instruction, and one consistency rule.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: রেফারেন্সের বস্তুটিকে সম্পূর্ণ অক্ষত রাখুন। বর্তমান ফ্রেমিং থেকে কেবল ক্যামেরাকে আলতো করে সামনে এগিয়ে নিন, আর আলোর একটি সরু উজ্জ্বল রেখা দৃশ্যমান পৃষ্ঠের ওপর দিয়ে ধীরে চলুক। রেফারেন্স ছবির অবয়ব, উপাদান, অলংকারমূলক খুঁটিনাটি, পটভূমি, আলোর দিক ও কম্পোজিশন হুবহু বজায় রাখুন। অডিও: প্রদর্শনীকক্ষের মৃদু পরিবেশধ্বনি, কাচের ক্ষীণ অনুরণন, কাপড়ের সূক্ষ্ম খসখস শব্দ।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি ক্ষেত্রেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশনের সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 9:16 অ্যাসপেক্ট রেশিও, উপাদানের সূক্ষ্ম শব্দ ও ঘরের পরিবেশধ্বনির জন্য অডিও চালু রেখে ছবি-থেকে-ভিডিও। এই পরীক্ষায় যা যাচাই করা হয়: রেফারেন্সনির্ভর প্রম্পট ক্যামেরার নড়াচড়া ও আলোর গতি যোগ করার পাশাপাশি পণ্যের পরিচয় অক্ষুণ্ণ রাখতে পারে কি না।
রেফারেন্স ছবিতে বস্তুটি আগে থেকেই নির্ধারিত থাকলেই এই উদাহরণটি কাজ করে। প্রম্পটটি ইচ্ছাকৃতভাবে রং, আকৃতি, উপাদান বা অলংকারমূলক খুঁটিনাটি আবার বর্ণনা করা এড়ায় এবং মডেলকে লুকানো যান্ত্রিক ব্যবস্থা বা অদেখা অভ্যন্তরীণ অংশ উদ্ভাবন করতেও বলে না। পর্যালোচনার সময় দেখুন ক্যামেরা ও উজ্জ্বল আলোর রেখা গতি তৈরি করার মধ্যেও হ্যান্ডব্যাগ একই অবয়ব, ক্ল্যাপের অবস্থান, হাতলের আকৃতি, চামড়ার টেক্সচার ও অন্ধকার স্টুডিও পটভূমি ধরে রাখে কি না। মডেল বস্তুটিকে বদলে দিলে সম্ভবত প্রম্পট তখনও রেফারেন্স ছবির সঙ্গে প্রতিযোগিতা করছে।
তৈরি হওয়া ক্লিপটি ইচ্ছাকৃতভাবে সংযত। তাই এটি এই পরামর্শের উপযুক্ত উদাহরণ: পণ্যই মূল আকর্ষণ থাকে, স্পটলাইট দৃশ্যের ভাষাকে রেফারেন্সের কাছাকাছি রাখে এবং গতি কোনো রূপান্তরের বদলে প্রদর্শনীর মতো ক্যামেরার সামনে এগিয়ে যাওয়ায় সীমিত থাকে। রেফারেন্সনির্ভর পণ্যের ভিডিওতে উচ্চাভিলাষী নড়াচড়ার চেয়ে একঘেয়ে স্থিতিশীলতা প্রায়ই বেশি মূল্যবান।
পরামর্শ 7: মান বোঝানো সাধারণ শব্দ কোনো কাজ করে না
“অসাধারণ”, “সুন্দর”, “উচ্চমানের”, “মহাকাব্যিক” ও “পেশাদার”-এর মতো শব্দ AI ভিডিও প্রম্পটে প্রচলিত, কিন্তু এগুলো খুব কমই নির্ভরযোগ্য নিয়ন্ত্রণ দেয়। এগুলো বহুল ব্যবহৃত বিশেষণ, যার সঙ্গে অত্যধিক ধরনের ফলাফলের যোগসূত্র রয়েছে।
সাধারণ ভুল: মান বোঝানো বিশেষণে প্রম্পট ভরিয়ে দেওয়া
খারাপ প্রম্পট:
ভিডিও প্রম্পট: উচ্চমানের দৃশ্য, চমকপ্রদ নড়াচড়া, পেশাদার আলো ও নিখুঁত কম্পোজিশনসহ একটি অসাধারণ, সুন্দর, মহাকাব্যিক উৎসবের দৃশ্য।
এই প্রম্পট মডেলকে বলে ফলাফল ভালো হওয়া উচিত, কিন্তু এই দৃশ্যে “ভালো” বলতে কী বোঝায় তা বলে না।
এটি কেন ব্যর্থ হয়
মান বোঝানো সাধারণ শব্দ বিস্তৃত সম্ভাবনার মধ্য থেকে ফল বেছে নেয়। “মহাকাব্যিক” বলতে বিস্তৃত প্রাকৃতিক দৃশ্য, যুদ্ধ, জ্বলজ্বলে আকাশ, বিশাল পরিসর, ভারী সংগীত, ধীরগতি বা ফ্যান্টাসি বর্ম বোঝাতে পারে। বিশেষণের বদলে দৃশ্যমান ও নির্দিষ্ট কিছু না লিখলে মডেল আপনার সঠিক উদ্দেশ্য বুঝতে পারে না।
প্রম্পটের সমাধান
প্রতিটি সাধারণ বিশেষণের বদলে নির্দিষ্ট, দৃশ্যমান ইঙ্গিত দিন:
Director-style composition.
Lighting setup.
Lens specification.
Color palette.
Material behavior.আরও ভালো প্রম্পট:
ভিডিও প্রম্পট: আয়নার মতো জলের পাতলা স্তরে ঢাকা সাদা লবণসমতলে রাতের ঘুড়ি উৎসব চলছে। গভীর সমুদ্রের প্রাণীর আকৃতির তিনটি অর্ধস্বচ্ছ ঘুড়ি মাথার ওপরে ভাসছে, কাপড়ের নিচে নীল-সবুজ জৈব আলোকোজ্জ্বল পাঁজর স্পন্দিত হচ্ছে। গোড়ালির উচ্চতায় দেখা প্রতিফলন থেকে নিকটতম ঘুড়ির লেজের দিকে নিচু কোণ থেকে ধীরে ক্যামেরা এগিয়ে যায়, 24mm ওয়াইড লেন্সের অনুভূতি, সায়ান-ম্যাজেন্টা রঙের বৈপরীত্য, দিগন্ত বরাবর লণ্ঠন। অডিও: কাপড়ের ফড়ফড়, টানটান সুতোর কম্পন, অগভীর জলে পায়ের শব্দ, দূরের জনতার গুঞ্জন।
বাস্তব প্রম্পট পরীক্ষা
পরীক্ষার সেটআপ: সাতটি ক্ষেত্রেই ব্যবহৃত একই মৌলিক সেটআপে PixVerse ভিডিও জেনারেশন। জেনারেশনের সেটআপ: 5 সেকেন্ড, 720p রেজোলিউশন, 16:9 অ্যাসপেক্ট রেশিও, কাপড়, পায়ের শব্দ ও জনতার পরিবেশধ্বনির জন্য অডিও চালু। এই পরীক্ষায় যা যাচাই করা হয়: নির্দিষ্ট দৃশ্যগত ইঙ্গিত মান বোঝানো সাধারণ শব্দের চেয়ে শৈলীর আরও জোরালো ধারাবাহিকতা তৈরি করে কি না।
এই উদাহরণে মান বোঝানো প্রতিটি সাধারণ শব্দের বদলে দৃশ্যমান কিছু ব্যবহার করা হয়েছে: লবণসমতলের প্রতিফলন, প্রাণীর আকৃতির অর্ধস্বচ্ছ ঘুড়ি, জৈব আলোকোজ্জ্বল পাঁজর, ক্যামেরার নিচু উচ্চতা, ওয়াইড লেন্সের অনুভূতি, সায়ান-ম্যাজেন্টা বৈপরীত্য ও দিগন্তের লণ্ঠন। পর্যালোচনার সময় দেখুন মডেল একটি সাধারণ উৎসবের দৃশ্যে সরে না গিয়ে এই অস্বাভাবিক দৃশ্যগত পরিচয় বজায় রাখে কি না।
ফলাফলটি সবচেয়ে গুরুত্বপূর্ণ ধারণাটি বজায় রাখে: নীল-সবুজ জ্বলজ্বলে পাঁজরসহ গভীর সমুদ্রের প্রাণীর আকৃতির অর্ধস্বচ্ছ ঘুড়ি। ক্যামেরার কোণ প্রম্পটে বলা গোড়ালির উচ্চতার ফ্রেমিংয়ের চেয়ে উঁচু মনে হয়, তাই ক্যামেরার নির্দেশনা পুরোপুরি মানা হয়নি। তবু কেবল “সুন্দর মহাকাব্যিক উৎসব” বলা প্রম্পটের চেয়ে দৃশ্যগত পরিচয় অনেক বেশি জোরালো, যা নির্দিষ্ট বিশেষ্য, আলোর ইঙ্গিত ও রঙের সম্পর্কের মূল্য প্রমাণ করে।
আরও কিছু প্রম্পট পুনর্লিখন
এই অতিরিক্ত দুটি পুনর্লিখনে ওপরের বেশ কয়েকটি পরামর্শ একসঙ্গে ব্যবহার করা হয়েছে।
ভবিষ্যতের শহর নিয়ে অস্পষ্ট প্রম্পট
খারাপ প্রম্পট:
ভিডিও প্রম্পট: ভবিষ্যতের একটি শহর নিয়ে দারুণ সিনেমাটিক AI ভিডিও তৈরি করুন। এটিকে সুন্দর, বাস্তবসম্মত, নাটকীয়, উচ্চমানের ও ভাইরাল করুন।
সমস্যা কোথায়: এই প্রম্পট পরামর্শ 2 ও পরামর্শ 7 লঙ্ঘন করে। নির্দিষ্ট শট না বলে এটি “সিনেমাটিক”, “সুন্দর”, “নাটকীয়” ও “উচ্চমানের”-এর ওপর নির্ভর করে। এতে কোনো বিষয়বস্তু, অ্যাকশন, ক্যামেরার পথ, সময়ক্রম বা শেষ ফ্রেম নেই।
সংশোধিত প্রম্পট:
ভিডিও প্রম্পট: ভবিষ্যতের একটি শহর উন্মোচনের 6-সেকেন্ডের দৃশ্য। ক্যামেরা বৃষ্টিভেজা রাস্তার একটু ওপর দিয়ে মসৃণভাবে এগিয়ে যায়, রাস্তার পৃষ্ঠে নীল হলোগ্রাফিক সাইনের প্রতিফলন। একটি ডেলিভারি ড্রোন লেন্সের খুব কাছে দিয়ে যায় এবং একটি কাচের টাওয়ারের দিকে উঠে যায়। মসৃণ সামনের দিকে ট্র্যাকিং, শীতল নীল রঙের সমাহার, টাওয়ারের প্রবেশপথে উষ্ণ আলো, মৃদু বৃষ্টি, দূরের যানবাহনের শব্দ, একবার ড্রোন পাশ দিয়ে যাওয়া।
অতিরিক্ত অ্যাকশনে ভরা প্রম্পট
খারাপ প্রম্পট:
ভিডিও প্রম্পট: একজন লংবোর্ডার পাহাড়ি রাস্তা দিয়ে দ্রুত ছুটে যান, যানবাহন এড়ান, পড়ে থাকা গাছের ওপর দিয়ে লাফ দেন, স্ফুলিঙ্গের মধ্য দিয়ে পিছলে যান, ড্রোন শটে কাট হয়, চাকার ক্লোজ-আপে কাট হয়, হেলমেটের প্রতিফলনে কাট হয়, তারপর লোগো ও আতশবাজি দিয়ে শেষ হয়, সবই 5 সেকেন্ডে, দ্রুত ক্যামেরা, নিখুঁত শব্দ।
সমস্যা কোথায়: এই প্রম্পট পরামর্শ 1, পরামর্শ 3, পরামর্শ 4 ও পরামর্শ 5 লঙ্ঘন করে। এটি অতিরিক্ত দীর্ঘ, একের পর এক অ্যাকশন জুড়ে দেয়, অতিরিক্ত ভারী বাক্যগঠনের মাধ্যমে অকার্যকর বর্জন-নির্দেশ যোগ করে এবং অনেক বেশি চলমান উপাদানের জন্য “দ্রুত” ব্যবহার করে। মডেল প্রাণচাঞ্চল্য তৈরি করতে পারে, কিন্তু দৃশ্যটি সুন্দরভাবে শেষ করতে পারে না।
সংশোধিত প্রম্পট:
ভিডিও প্রম্পট: ঢাল বেয়ে নামা একজন লংবোর্ডার বৃষ্টিতে পিচ্ছিল পাহাড়ি রাস্তার বাঁকে শরীর হেলান, হাঁটু ভাঁজ করা, পেছনের হাত অ্যাসফল্টের কয়েক ইঞ্চি ওপরে ভাসছে। প্রতিটি চাকা বাইরে দিকে জলের সরু ছিটা ছুড়ে দেয়, আর রাস্তার পাশের প্রতিফলকগুলো পটভূমিতে নরম আলোর রেখায় প্রসারিত হয়। একটিমাত্র স্থির ট্র্যাকিং শটে ক্যামেরা বোর্ডের পাশে নিচু অবস্থানে থাকে। হেলমেট ও জ্যাকেট স্থিতিশীল থাকে। অডিও: চাকার গুঞ্জন, ভেজা রাস্তার হিসহিস শব্দ, বাতাসের চাপ, বোর্ডের একবার বাঁক নেওয়ার শব্দ।
কপি করে ব্যবহারের জন্য প্রস্তুত AI ভিডিও প্রম্পট টেমপ্লেট
প্রথম চেষ্টায় একটি পরিষ্কার ফলাফল চাইলে এই কাঠামো ব্যবহার করুন:
ভিডিও প্রম্পট: [বিষয়বস্তু] + [একটি অ্যাকশন] + [স্থান]। [ক্যামেরার একটি নড়াচড়া] + [নির্দিষ্ট শৈলী, লেন্স, আলো বা কম্পোজিশন]। [ইতিবাচক সীমা-নির্দেশ: কী স্থিতিশীল থাকতে হবে, কী অনুপস্থিত থাকা উচিত এবং অডিও প্রয়োজন কি না]।
উদাহরণ:
ভিডিও প্রম্পট: গাঢ় কাঠের টেবিলে একটি সিরামিক কফির কাপ রয়েছে, যেখান থেকে ধীরে পাক খেয়ে বাষ্প উঠছে। ধীর ম্যাক্রো পুশ-ইন, পাশ থেকে উষ্ণ টাংস্টেন আলো, অগভীর ডেপথ অব ফিল্ড, পটভূমিতে শান্ত সকালের ক্যাফে। কাপের আকৃতি স্থির থাকে, কোনো টেক্সট ওভারলে নেই, অডিওতে ঘরের মৃদু পরিবেশধ্বনি ও চামচের ক্ষীণ টুংটাং থাকে।
শেষ কথা
উন্নত AI ভিডিও প্রম্পট বেশি দীর্ঘ হয় না। সেগুলো বেশি পরিষ্কার হয়। বিষয়বস্তু, অ্যাকশন ও স্থান আগে লিখুন। “সিনেমাটিক” ও মান বোঝানো সাধারণ শব্দের বদলে নির্দিষ্ট দৃশ্যগত ইঙ্গিত দিন। ক্যামেরার একটিমাত্র নড়াচড়া ব্যবহার করুন। অকার্যকর নেগেটিভ প্রম্পট এড়িয়ে চলুন। “দ্রুত”-এর বদলে গতির শারীরিক বিবরণ দিন। ছবি-থেকে-ভিডিওর ক্ষেত্রে রেফারেন্স ছবিকে আবার বর্ণনা করবেন না।
এই সংশোধনগুলো বর্তমানের অধিকাংশ AI ভিডিও জেনারেটরে কাজ করে, কারণ এগুলো ভিডিও জেনারেশনের সাধারণ দুর্বলতাগুলোকে লক্ষ্য করে: সময়ের সঙ্গে বিচ্যুতি, অস্পষ্ট শৈলী নির্বাচন, ক্যামেরার কাঁপুনি, বিষয়বস্তুর অসামঞ্জস্য ও অতিরিক্ত গতির চাপ। এখানে PixVerse কার্যকর, কারণ নির্মাতারা আলাদা টুলে ওয়ার্কফ্লো নতুন করে তৈরি না করেই Seedance 2.0, HappyHorse 1.0, PixVerse V6, PixVerse C1, Kling O3 ও Kling 3.0-এ একই প্রম্পট তুলনা করতে পারেন।
FAQ
ভালো AI ভিডিও প্রম্পট কী?
ভালো AI ভিডিও প্রম্পট মডেলকে একটি স্পষ্ট শট দেয়: বিষয়বস্তু, অ্যাকশন, স্থান, ক্যামেরার একটি নড়াচড়া, দৃশ্যমান শৈলীর ইঙ্গিত এবং কয়েকটি ইতিবাচক সীমা-নির্দেশ। “কালো মার্বেলের ওপর কাচের সুগন্ধির বোতল, প্রদর্শনের জন্য ধীরে ঘোরা, উষ্ণ রিম লাইট, স্থির প্রতিফলন”—এটি “সিনেমাটিক বিলাসবহুল পণ্যের ভিডিও”-র চেয়ে বেশি কার্যকর।
AI ভিডিও প্রম্পট কতটা দীর্ঘ হওয়া উচিত?
অনেক টেক্সট-থেকে-ভিডিও প্রম্পটের জন্য 50 থেকে 80 শব্দ দিয়ে শুরু করা কার্যকর। বিষয়বস্তু, অ্যাকশন ও স্থান আগে লিখুন, তারপর ক্যামেরার নড়াচড়া, আলো, গতির বিবরণ ও অডিও যোগ করুন। প্রথম বাক্য অস্পষ্ট হলে বেশি শব্দ সাধারণত নিয়ন্ত্রণ কমিয়ে দেয়।
AI ভিডিও প্রম্পটে “সিনেমাটিক” কেন ভালো কাজ করে না?
নির্ভরযোগ্য AI ভিডিও জেনারেটর প্রম্পটের জন্য “সিনেমাটিক” অত্যন্ত বিস্তৃত একটি শব্দ। এর বদলে দৃশ্যমান চলচ্চিত্রের ভাষা ব্যবহার করুন, যেমন “35mm হাতে ধরা ক্যামেরার অনুভূতি”, “নিয়নের প্রতিফলনসহ বৃষ্টিভেজা গলি”, “ধীর ডলি-ইন”, “তীব্র পেছনের আলো” বা “পটভূমিতে দৃশ্যমান আলোর উৎস থেকে উষ্ণ আলো”।
AI ভিডিও জেনারেটর কি নেগেটিভ প্রম্পট সমর্থন করে?
কিছু টুলে আলাদা নেগেটিভ প্রম্পট ফিল্ড থাকে, কিন্তু সাধারণ ভিডিও প্রম্পট বক্স সাধারণত সব টেক্সটকে নির্দেশনা হিসেবে পড়ে। ব্যর্থতার তালিকা লেখার বদলে ইতিবাচক সীমা-নির্দেশ লিখুন: “হাত স্বাভাবিক থাকে”, “ক্যামেরা স্থির থাকে”, “পটভূমি ফাঁকা থাকে” বা “পণ্যের অবয়ব অক্ষত থাকে”।
বিষয়বস্তু না বদলে ছবি-থেকে-ভিডিও প্রম্পট কীভাবে লিখব?
ছবি-থেকে-ভিডিও প্রম্পটের ক্ষেত্রে আপলোড করা ছবিকে আবার বর্ণনা করবেন না। নড়াচড়া, ক্যামেরার আচরণ, আলোর পরিবর্তন, অডিও ও স্থিতিশীলতার নিয়মের জন্য প্রম্পট ব্যবহার করুন: “রেফারেন্সের বস্তুটি অক্ষত রাখুন। আলতো পুশ-ইন যোগ করুন। অবয়ব, উপাদান, পটভূমি ও কম্পোজিশন বজায় রাখুন।”
প্রম্পট পরীক্ষা করতে কোন AI ভিডিও জেনারেটর ব্যবহার করব?
এই নিবন্ধে সাতটি পরীক্ষাতেই PixVerse-এর একটি জেনারেশন সেটআপ অপরিবর্তিত রাখা হয়েছে। একই AI ভিডিও প্রম্পটের পরামর্শ বর্তমানের অধিকাংশ জেনারেটরের ক্ষেত্রেই প্রযোজ্য, কারণ এগুলো সাধারণ সমস্যাগুলোকে লক্ষ্য করে: অস্পষ্ট শৈলী নির্বাচন, সময়ের সঙ্গে বিচ্যুতি, ক্যামেরার কাঁপুনি, অতিরিক্ত গতির চাপ ও রেফারেন্স ছবির সঙ্গে অসামঞ্জস্য।
পরীক্ষার জন্য কোন ধরনের AI ভিডিও প্রম্পটের উদাহরণ কার্যকর?
কার্যকর AI ভিডিও প্রম্পটের উদাহরণ একবারে একটি দক্ষতা পরীক্ষা করে: গতির নির্ভুলতার জন্য পণ্যের ঘোরা, শৈলী নিয়ন্ত্রণের জন্য বৃষ্টিভেজা গলি, ক্যামেরার স্থিতিশীলতার জন্য একটিমাত্র ট্র্যাকিং শট এবং বিষয়বস্তুর ধারাবাহিকতার জন্য রেফারেন্স বস্তুর প্রম্পট। প্রম্পট অনুসরণ, গতি নিয়ন্ত্রণ, সময়জুড়ে সামঞ্জস্য, অডিওর ব্যবহারযোগ্যতা এবং প্রোডাকশনে ব্যবহারযোগ্যতা দিয়ে ফলাফল বিচার করুন।