এনভিডিয়ার এলডিএম প্রযুক্তি এআই-চালিত জিআইএফ, পাইওনিয়ার টেক্সট-টু-ভিডিও জেনারেটরকে উন্নত করে

টেক্সট-টু-ভিডিও কৃত্রিম বুদ্ধিমত্তা (AI) এর ক্রমবর্ধমান ডোমেন মাল্টিমিডিয়া অভিজ্ঞতায় বিপ্লব ঘটাতে প্রস্তুত, যেখানে Nvidia এর মতো অগ্রগামীরা ক্ষেত্রে চিত্তাকর্ষক অগ্রগতি প্রদর্শন করছে। অত্যাধুনিক প্রযুক্তিতে শুধুমাত্র ভিডিও তৈরির গণতন্ত্রীকরণের সম্ভাবনাই নেই বরং GIF-এর ক্ষেত্রকেও উন্নত করার ক্ষমতা রয়েছে।

Nvidia টরন্টো এআই ল্যাবের গবেষণা পত্র এবং মাইক্রো-সাইট থেকে নতুন অন্তর্দৃষ্টি সংগ্রহ করা যেতে পারে, যার শিরোনাম হাই-রেজোলিউশন ভিডিও সংশ্লেষণ উইথ ল্যাটেন্ট ডিফিউশন মডেল । অধ্যয়নটি আসন্ন AI আর্ট জেনারেটর টুলগুলির উপর আলোকপাত করে যা ল্যাটেন্ট ডিফিউশন মডেল (LDMs)-এর উপর ভিত্তি করে তৈরি করা হয়েছে – অপ্রতিরোধ্য কম্পিউটেশনাল রিসোর্স ছাড়াই ভিডিও সংশ্লেষণ করতে সক্ষম AI-এর একটি শ্রেণী।

Nvidia দাবি করে যে LDM প্রযুক্তি টেক্সট-টু-ইমেজ জেনারেটর, স্থিতিশীল ডিফিউশনের উপর তৈরি করে এবং সুপ্ত স্থান বিচ্ছুরণ মডেলে একটি অস্থায়ী মাত্রা অন্তর্ভুক্ত করে। সারমর্মে, AI স্থির চিত্রগুলিকে বাস্তবসম্মতভাবে রেন্ডার করতে পারে এবং সুপার-রেজোলিউশন কৌশলগুলি ব্যবহার করে তাদের উচ্চতর করতে পারে। এই সাফল্যগুলি জেনারেটরকে 1280x2048 রেজোলিউশন সহ ছোট, 4.7-সেকেন্ডের ভিডিও এবং ড্রাইভিং সিমুলেশনের জন্য দীর্ঘ 512x1024 রেজোলিউশন ভিডিও তৈরি করতে সক্ষম করে৷

এই প্রযুক্তিটি এখন যতটা উদ্ভাবনী মনে হতে পারে, আমরা সম্ভবত এর সম্ভাব্য অ্যাপ্লিকেশনগুলির উপরিভাগ স্ক্র্যাচ করছি। টেক্সট-টু-জিআইএফ প্রজন্মের জন্য বর্তমান ব্যবহারের ক্ষেত্রে নিঃসন্দেহে আকর্ষণীয়, কিন্তু প্রযুক্তিটি বিস্তৃত অ্যাপ্লিকেশনগুলিতে প্রসারিত হতে পারে, যেমন ফিল্ম অভিযোজন স্বয়ংক্রিয় করা এবং গণতান্ত্রিকভাবে ভিডিও তৈরিকে উন্নত করা।

যেকোন বর্জিং প্রযুক্তির মতো, তৈরি করা ভিডিওগুলিতে কিছু অসম্পূর্ণতা রয়েছে, যেমন আর্টিফ্যাক্ট এবং মরফিং৷ যাইহোক, Nvidia এলডিএম-এর মতো এআই-চালিত সরঞ্জামগুলির দ্রুত বিবর্তন পরামর্শ দেয় যে তারা স্টক ভিডিও লাইব্রেরি সহ বিভিন্ন সেটিংসে আরও বেশি গ্রহণ করতে বেশি সময় লাগবে না।

এআই টেক্সট-টু-ভিডিও জেনারেটর Nvidia জন্য একচেটিয়া নয়। Google Phenaki সম্প্রতি আরও বর্ধিত প্রম্পট থেকে 20-সেকেন্ডের ক্লিপ এবং তুলনামূলকভাবে কম মানের একটি 2-মিনিটের ভিডিও তৈরি করার ক্ষমতা উন্মোচন করেছে। আরেকটি স্টার্টআপ, রানওয়ে, টেক্সট-টু-ইমেজ জেনারেটর স্টেবল ডিফিউশনের স্রষ্টা, তার Gen-2 AI ভিডিও মডেলও চালু করেছে। এই প্রযুক্তি ব্যবহার করে, ব্যবহারকারীরা জেনারেট করা ভিডিওর জন্য একটি স্থির চিত্র প্রদান করতে পারে, ভিডিও শৈলীর অনুরোধ করতে পারে এবং নির্দিষ্ট প্রম্পটে সাড়া দিতে পারে।

ভিডিও সম্পাদনায় এআই অ্যাপ্লিকেশনের অন্যান্য উল্লেখযোগ্য উদাহরণগুলির মধ্যে রয়েছে অ্যাডোব ফায়ারফ্লাই-এর প্রদর্শন, যা প্রিমিয়ার রাশ সফ্টওয়্যারের মধ্যে অ্যাডোবের এআই ক্ষমতা প্রদর্শন করে। ব্যবহারকারীদের কেবল দিন বা ঋতুর পছন্দের সময় ইনপুট করতে হবে এবং এআই বাকিগুলি পরিচালনা করে।

Nvidia, Google এবং Runway দ্বারা প্রদত্ত বর্তমান প্রদর্শনগুলি চিত্রিত করে যে সম্পূর্ণ পাঠ্য-থেকে-ভিডিও প্রজন্ম এখনও তার প্রাথমিক পর্যায়ে রয়েছে, যা স্বপ্নের মতো বা বিকৃত ফলাফল দেয়৷ তা সত্ত্বেও, এই প্রাথমিক প্রচেষ্টাগুলি দ্রুত অগ্রগতি চালাচ্ছে, ভবিষ্যতে প্রযুক্তির বিস্তৃত ব্যবহারের জন্য পথ প্রশস্ত করছে৷

একটি ছোট স্কেলে, AppMaster মতো no-code প্ল্যাটফর্মগুলি লোকেদের মোবাইল, ওয়েব এবং ব্যাকএন্ড অ্যাপ্লিকেশনগুলি বিকাশ করতে সক্ষম করার ক্ষেত্রে উল্লেখযোগ্য অগ্রগতি করেছে, যার ফলে সময় এবং খরচের একটি ভগ্নাংশে স্কেলযোগ্য প্রযুক্তি সমাধানগুলি ডিজাইন করা এবং তৈরি করা সহজ হয়েছে৷ AppMaster প্রযুক্তির গণতন্ত্রীকরণের আরেকটি দিকও তুলে ধরে, যেখানে জটিল সরঞ্জাম এবং প্রক্রিয়াগুলি ব্যবহারকারীদের বিস্তৃত পরিসরের কাছে অ্যাক্সেসযোগ্য করা হয়।