Image Generation

Today's Stories

1. 1

   Black Forest Labs FLUX 3 চালু করেছে ছবি, ভিডিও এবং অডিও তৈরির জন্য

   কী ঘটেছে: Black Forest Labs FLUX 3 প্রকাশ করেছে, একটি বহুমাধ্যম কৃত্রিম বুদ্ধিমত্তা মডেল যা একটি একক নির্দেশনা থেকে কুড়ি সেকেন্ড পর্যন্ত ছবি এবং সম্মিলিত অডিও/ভিডিও ক্লিপ তৈরি করে। এই মডেলটি আলাদা মডেলগুলিকে একত্রিত করার পরিবর্তে ছবি, ভিডিও এবং অডিও জুড়ে যৌথভাবে প্রশিক্ষিত। এটি রোবোটিক দৃষ্টিভঙ্গি এবং ক্রিয়াকলাপেও বিস্তৃত। কেন এটি গুরুত্বপূর্ণ: FLUX 3 কোম্পানির প্রথম জনসাধারণের ভিডিও তৈরি মডেল প্রতিনিধিত্ব করে এবং সৃজনশীল প্রজন্ম, সিমুলেশন, কম্পিউটার ব্যবহার এবং রোবোটিক্সকে একটি একক ক্ষমতার সংযুক্ত অ্যাপ্লিকেশন হিসাবে উপস্থাপন করে। Black Forest Labs এটিকে "চাক্ষুষ বুদ্ধিমত্তা" হিসাবে অবস্থান করে—মডেলগুলি যা ভৌত এবং ডিজিটাল পরিবেশ জুড়ে উপলব্ধি করতে, পূর্বাভাস দিতে এবং কাজ করতে পারে—বরং প্রতিটি পদ্ধতিকে একটি পৃথক সরঞ্জাম হিসাবে বিবেচনা করার পরিবর্তে।

   পর্যবেক্ষণ করার জন্য: FLUX 3 চারটি পণ্য লাইনের মাধ্যমে অফার করা হবে: FLUX 3 Video, FLUX 3 Image এবং FLUX 3 Act। প্রকাশটি শুরু করার জন্য সীমিত, যার অর্থ বিস্তৃত উপলব্ধতা বা মূল্য নির্ধারণের বিবরণ অনুসরণ করতে পারে।

2. 2

   ব্লমক্যাম্পের এআই 'জম্বি চলচ্চিত্র' নাইটবর্ন মানুষের অবদান থাকা সত্ত্বেও প্রশংসা পায়নি

   কী ঘটেছে: পরিচালক Neill Blomkamp তার নতুন প্রোডাকশন হাউস Barley Studios-এর মাধ্যমে Nightborne নামে তেরো মিনিটের বিজ্ঞান-কল্পকাহিনী শর্ট ফিল্ম উন্মোচন করেছেন, যা সম্পূর্ণভাবে ByteDance-এর Seedance 2.0 টেক্সট-টু-ভিডিও জেনারেটর দিয়ে তৈরি। Peter Watts-এর ২০১৪ সালের উপন্যাস Echopraxia থেকে অনুপ্রাণিত এই চলচ্চিত্রে বত্রিশ জন মানব অভিনেতা এবং আসল কনসেপ্ট আর্টিস্টদের কথোপকথন রয়েছে, কিন্তু প্রতিটি শট এআই টুল দিয়ে তৈরি করা হয়েছে। কেন এটি গুরুত্বপূর্ণ: Austyn Daines-এর পালিশড এডিটিং এবং Blomkamp-এর এই ফর্ম্যাটে সম্পূর্ণ ফিচার তৈরির উচ্চাভিলাষ সত্ত্বেও, শর্টটি এআই-উৎপন্ন কন্টেন্টের বৈশিষ্ট্য প্রদর্শন করে—অর্থবোধক পটভূমি লেখা, অস্বাভাবিক অভিনয় ডেলিভারি এবং সৃজনশীল দিকনির্দেশনার অভাব যা সমালোচকরা চলচ্চিত্র নির্মাতার 'অবসর'ের জন্য দায়ী করেছেন। এই প্রকল্পটি তুলে ধরে যে দক্ষ ফিল্মমেকাররা ঐতিহ্যবাহী কৌশল প্রয়োগ করলেও, টেক্সট-টু-ভিডিও মডেল আকর্ষণীয় চূড়ান্ত কাজ তৈরি করার জন্য মানুষের পারফরম্যান্সের সূক্ষ্মতা বোঝার ক্ষেত্রে এখনও অক্ষম।

   লক্ষ্য রাখুন: Blomkamp Nightborne-কে জেনারেটিভ এআই দিয়ে কী সম্ভব তা প্রদর্শনের জন্য একটি 'পরীক্ষামূলক শুরু' হিসেবে উপস্থাপন করেছেন এবং ভবিষ্যতে এই ফর্ম্যাটে একটি সম্পূর্ণ ফিচার করার ইচ্ছা প্রকাশ করেছেন। ঘোষণাটি অবিলম্বে প্রতিক্রিয়ার সম্মুখীন হয়েছে, যা Blomkamp-কে পরিচালক Darren Aronofsky-র ব্যর্থ এআই বিপ্লবী যুদ্ধ সিরিজের মতো একটি পরিস্থিতিতে রেখেছে।

3. 3

   ডিজনির Ozzy Fox ভাইরাল হয়েছে 'এআই স্লপ' অভিযোগের মধ্যে—কিন্তু এটি এআই-সহায়তা প্রাপ্ত, এআই-জেনারেটেড নয়

   কী ঘটেছে: ডিজনির নতুন প্রিস্কুল কার্টুন সিরিজ Ozzy Fox ইউটিউবে ন্যূনতম প্রচারের সাথে চালু হওয়ার পর, অসম্পূর্ণ প্রপস এবং খারাপ ঠোঁট সিঙ্ক্রোনাইজেশনের মতো ভিজ্যুয়াল গ্লিচের কারণে সন্দেহজনক এআই জেনারেশনের নিয়ে ব্যাপক সমালোচনার সম্মুখীন হয়েছে। এই বিরূপ প্রতিক্রিয়া পরস্পরবিরোধীভাবে দর্শক সংখ্যা বৃদ্ধি করেছে; এ পর্যন্ত মুক্তিপ্রাপ্ত দুটি পর্বের প্রতিটিতে পাঁচ লক্ষেরও বেশি ভিউ রয়েছে। এই সিরিজটি ডিজনি এবং ফরাসি অ্যানিমেশন কোম্পানি Animaj এর মধ্যে একটি সহ-উৎপাদন, যা ডিজনির ২০২৪ অ্যাক্সিলারেটর প্রোগ্রামের মাধ্যমে তৈরি। কেন এটি গুরুত্বপূর্ণ: Ozzy Fox এআইকে একটি সহায়ক সরঞ্জাম হিসাবে ব্যবহার করে—বিশেষত স্কেচ-থেকে-পোজ প্রেডিকশন এবং মোশন ইন-বিটুইনিং এর জন্য—কিন্তু ত্রিমাত্রিক মডেল, স্টোরিবোর্ড এবং মূল পোজগুলি মানব শিল্পীদের দ্বারা তৈরি করা হয় যারা পরে Maya অ্যানিমেশন সফটওয়্যারে কাজটি ম্যানুয়ালি পর্যালোচনা এবং সংশোধন করেন। এই পার্থক্যটি গুরুত্বপূর্ণ: যখন প্রতিটি অপূর্ণ অ্যানিমেশন 'এআই স্লপ' হিসাবে লেবেল করা হয় যখন এটি বাস্তবে এআই-জেনারেটেড নয়, তখন লেবেলটি তার শক্তি হারাতে পারে যখন ডিজনি বা অন্যরা প্রকৃত জেনারেটিভ এআই কার্টুন যেমন টেক্সট-টু-ভিডিও টুলস প্রয়োগ করে।

   যা দেখার জন্য: ডিজনি অ্যানিমেশনের জন্য জেনারেটিভ এআই অন্বেষণ করেছে, যার মধ্যে OpenAI এর সাথে একটি বড় চুক্তি রয়েছে যা কোম্পানি তার Sora এআই ভিডিও প্ল্যাটফর্মকে অগ্রাধিকার কমিয়ে দেওয়ার সময় ব্যর্থ হয়েছিল। জনসাধারণ এবং সমালোচকরা Ozzy Fox এর প্রকৃত কর্মপ্রবাহের প্রতি কীভাবে প্রতিক্রিয়া জানাবে এবং তারা এআই-সহায়তা সরঞ্জামগুলি এআই-জেনারেটেড কন্টেন্ট থেকে আলাদা করবে কিনা তা এগিয়ে চলার পথে অ্যানিমেশন এআই এর উপলব্ধি গঠন করবে।

4. 4

   Alibaba-র Qwen-Image-3.0 একটি পাসে পাঠযোগ্য টেক্সট এবং জটিল লেআউট তৈরি করে

   কী ঘটেছে: Alibaba-র Qwen দল Qwen-Image-3.0 প্রকাশ করেছে, যা একটি ইমেজ জেনারেটর যা চার হাজার পাঁচশত টোকন পর্যন্ত প্রম্পট গ্রহণ করে, দশ পিক্সেল সাইজের পাঠযোগ্য টেক্সট রেন্ডার করে এবং বারটি ভাষা নেটিভভাবে সমর্থন করে। এটি ইনফোগ্রাফিক্স, LaTeX পেপার এবং সংবাদপত্রের পৃষ্ঠাগুলির মতো জটিল লেআউট একটি পাসে তৈরি করতে পারে। কেন এটি গুরুত্বপূর্ণ: এক ধাপে পাঠযোগ্য টেক্সট সহ জটিল বহু-উপাদান লেআউট তৈরি করার ক্ষমতা ইমেজ জেনারেশনের একটি দীর্ঘস্থায়ী দুর্বলতার সমাধান করে—বেশিরভাগ সিস্টেম টেক্সট পাঠযোগ্যতা এবং সুসংগত জটিল ডিজাইনে সংগ্রাম করে। ইনফোগ্রাফিক্স, একাডেমিক পেপার বা প্রিন্ট লেআউটের সাথে কাজ করা ব্যবসা এবং নির্মাতাদের জন্য, এটি ম্যানুয়াল ডিজাইন কাজের প্রয়োজন হ্রাস করতে পারে।

   কী লক্ষ্য করতে হবে: ব্যবহারিক উপযোগিতা অনিশ্চিত থাকে কারণ আউটপুট একটি পিক্সেল ইমেজ যা সম্পাদনাযোগ্য ফরম্যাট নয়, যা নেটিভ ডিজাইন ফাইলের তুলনায় ডাউনস্ট্রিম সম্পাদনা এবং পুনরায় ব্যবহারকে সীমিত করে।

5. 5

   Cloak: কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণ রোধে অদৃশ্য শব্দ যোগ করে এমন বিনামূল্যের সরঞ্জাম

   কী ঘটেছে: Timothy দ্বারা Claude Code এর মাধ্যমে তৈরি বিনামূল্যের ওয়েব সরঞ্জাম Cloak ছবিতে অদৃশ্য শব্দ স্তরযুক্ত করে যা কৃত্রিম বুদ্ধিমত্তা মডেলগুলিকে সেগুলিকে ওয়াটারমার্ক বা ক্ষতিকারক বিষয়বস্তু হিসাবে শ্রেণীবদ্ধ করতে এবং সেগুলিতে প্রশিক্ষণ নিতে অস্বীকার করতে বাধ্য করে। এই সরঞ্জামটি L-infinity perturbations এবং projected gradient ascent নামক একটি কৌশল ব্যবহার করে CLIP embedding এবং একটি লক্ষ্য embedding এর মধ্যে cosine similarity scores সর্বাধিক করে এবং মডেলগুলিকে সুরক্ষিত ছবি থেকে দূরে পরিচালিত করে। এটি কেন গুরুত্বপূর্ণ: শিল্পীরা স্বয়ংক্রিয় ছবি স্ক্র্যাপারদের থেকে চলমান হুমকির সম্মুখীন হন যা কৃত্রিম বুদ্ধিমত্তা মডেলের প্রশিক্ষণ ডেটাসেটগুলিকে খাওয়ায়। Cloak অন্যান্য সুরক্ষা সরঞ্জামগুলি পূরণ করে না এমন একটি ফাঁক সমাধান করে: এটি ব্যাপক-স্ক্র্যাপিং পাইপলাইনগুলির বিরুদ্ধে কাজ করে ছবিটি প্রশিক্ষণের জন্য ব্যবহার করা হবে বলে অনুমান না করে (Glaze এর বিপরীতে) বা বৃহৎ আকারের ডেটাসেট প্রতিনিধিত্ব প্রয়োজন না করে (Nightshade এর বিপরীতে)। এমনকি ছবিটি ক্রপ করা বা পুনরায় আকার দেওয়া হলেও সুরক্ষা কার্যকর থাকে, ডিফল্ট শক্তিতে দৃশ্যমান শিল্পকর্ম ছাড়াই প্রতিরক্ষার একটি ব্যবহারিক স্তর প্রদান করে।

   যা পর্যবেক্ষণ করতে হবে: Cloak সীমাবদ্ধতা সহ বিনামূল্যে: সর্বোচ্চ ফাইল আকার ত্রিশ মেগাবাইট, সর্বোচ্চ ছবির দৈর্ঘ্য দশ হাজার পিক্সেল, সর্বাধিক তিনশ প্রক্রিয়াকরণ পাস এবং প্রতি ঘণ্টায় ষাটটি ছবি। সেরা লক্ষ্য প্রমপ্টগুলিতে 'watermark', 'blood', 'blurry', 'bad quality' এবং 'explicit content' অন্তর্ভুক্ত রয়েছে—এমন লেবেল যা স্ক্র্যাপাররা রুটিনে ফিল্টার করে। নির্মাতা সর্বাধিক সুরক্ষার জন্য Cloak কে Glaze এবং Nightshade এর পাশাপাশি ব্যবহার করার সুপারিশ করেন।