একটি ছবি থেকে কথা বলা ভিডিও (টকিং ফটো) বানানোর নিয়ম

একটি স্থির ছবি ব্যবহার করে কথা বলা ভিডিও তৈরি করা এখন আগের তুলনায় সহজ হয়েছে। কৃত্রিম বুদ্ধিমত্তাভিত্তিক টকিং ফটো প্রযুক্তিতে একটি পরিষ্কার ছবি, লিখিত বক্তব্য এবং উপযুক্ত কণ্ঠ ব্যবহার করে এমন ভিডিও তৈরি করা যায় যেখানে ঠোঁটের নড়াচড়া, চোখের পলক এবং কিছু ক্ষেত্রে মাথা বা শরীরের সীমিত নড়াচড়া কথার সঙ্গে সামঞ্জস্য রেখে তৈরি হয়। এ ধরনের ভিডিও শিক্ষামূলক উপস্থাপনা, তথ্যভিত্তিক কনটেন্ট, পণ্যের ব্যাখ্যা, গল্প বলা এবং সামাজিক যোগাযোগমাধ্যমের ভিডিও তৈরিতে ব্যবহার করা যেতে পারে।

বর্তমানে হেইজেন ও ডি-আইডির মতো বিভিন্ন সেবায় একটি ছবি, লিখিত বক্তব্য অথবা নিজের রেকর্ড করা কণ্ঠ ব্যবহার করে কথা বলা অবতার তৈরি করা যায়। এসব সেবায় একাধিক ভাষা ও কণ্ঠ ব্যবহারের সুবিধা থাকলেও সমর্থিত ভাষা, সুবিধা এবং ব্যবহারের সীমা সময়ের সঙ্গে পরিবর্তিত হতে পারে। তাই কোনো নির্দিষ্ট সুবিধা ব্যবহারের আগে সংশ্লিষ্ট সেবার সরকারি নির্দেশনা থেকে সর্বশেষ তথ্য যাচাই করা ভালো।

ডি-আইডির বর্তমান সরকারি নথিতে ছবিভিত্তিক উপস্থাপক এবং লেখা বা অডিও থেকে কথা বলানোর সুবিধা রয়েছে। হেইজেনের সরকারি সহায়তা নথিতেও বাংলা ভাষার সমর্থনের তথ্য রয়েছে।

ভালো টকিং ফটো তৈরির ফল শুধু ব্যবহৃত সেবার ওপর নির্ভর করে না। ছবির মান, মুখের অবস্থান, আলো, বক্তব্যের ভাষা, কণ্ঠের গতি এবং তৈরি হওয়ার পর ভিডিও যাচাই করার পদ্ধতিও গুরুত্বপূর্ণ। তাই নিচের নির্দেশনায় শুধু একটি নির্দিষ্ট সেবা ব্যবহারের ধাপ নয়, বরং শুরু থেকে চূড়ান্ত ভিডিও যাচাই পর্যন্ত পুরো প্রক্রিয়াটি সহজভাবে তুলে ধরা হয়েছে।

টকিং ফটো আসলে কীভাবে কাজ করে?

টকিং ফটো ব্যবস্থায় কৃত্রিম বুদ্ধিমত্তা প্রথমে ছবির মুখের গুরুত্বপূর্ণ অংশ শনাক্ত করে। এরপর লিখিত বক্তব্য থেকে তৈরি কণ্ঠ অথবা ব্যবহারকারীর দেওয়া অডিও বিশ্লেষণ করে উচ্চারণের সঙ্গে মিল রেখে ঠোঁটের নড়াচড়া তৈরি করা হয়। উন্নত ব্যবস্থাগুলো চোখের পলক, মাথার সামান্য নড়াচড়া এবং মুখের অভিব্যক্তিও যোগ করতে পারে। ফলে মূল ছবিটি স্থির হলেও তৈরি ভিডিওতে একজন কথা বলা উপস্থাপকের মতো নড়াচড়া দেখা যায়। ব্যবহৃত সেবার সুবিধা অনুযায়ী এসব নড়াচড়ার পরিমাণ ও ধরন ভিন্ন হতে পারে।

কোন ধরনের ছবি সবচেয়ে ভালো ফল দেয়?

টকিং ফটো তৈরির ক্ষেত্রে ছবির মান খুব গুরুত্বপূর্ণ। মুখ স্পষ্ট দেখা যায় এমন কাছ থেকে তোলা অথবা অর্ধদেহের ছবি সাধারণত ভালো ফল দেয়। মুখের সামনে চুল, বড় চশমা, হাত অথবা অন্য কোনো বস্তু থাকলে ঠোঁট ও মুখের অংশ সঠিকভাবে শনাক্ত করতে সমস্যা হতে পারে। অতিরিক্ত অন্ধকার, ঝাপসা অথবা খুব কম মানের ছবিও এড়িয়ে চলা ভালো। স্বাভাবিক অভিব্যক্তি, পরিষ্কার আলো এবং মুখের গুরুত্বপূর্ণ অংশ দৃশ্যমান থাকা ছবি বেছে নিন।

প্রথম ভিডিও তৈরির আগে একই ব্যক্তির দুই বা তিনটি উপযুক্ত ছবি আলাদা করে রাখা যেতে পারে। যে ছবিতে চোখ ক্যামেরার দিকে, মুখ প্রায় সামনের দিকে এবং দুই পাশে আলো মোটামুটি সমান, সেটি দিয়ে প্রথম পরীক্ষা করুন। খুব নাটকীয় হাসি বা অস্বাভাবিক মুখভঙ্গির পরিবর্তে শান্ত ও স্বাভাবিক অভিব্যক্তির ছবি ব্যবহার করলে তুলনামূলকভাবে স্বাভাবিক ফল পাওয়া সহজ হয়।

একটি ছবি থেকে কথা বলা ভিডিও বানানোর ধাপ

প্রথমে হেইজেন, ডি-আইডি অথবা একই ধরনের টকিং ফটো তৈরির সুবিধাযুক্ত একটি সেবা নির্বাচন করুন। ছবি আপলোড করার আগে সেবাটির গোপনীয়তা নীতি, ছবি ব্যবহারের শর্ত এবং প্রয়োজনীয় সম্মতির নিয়ম দেখে নিন। এরপর নিজের হিসাবে প্রবেশ করে ছবি থেকে ভিডিও তৈরির সুবিধা খুলুন। নির্বাচিত ছবিটি আপলোড করে মুখ সঠিকভাবে শনাক্ত হয়েছে কি না যাচাই করুন।

পরবর্তী ধাপে আপনি যা বলাতে চান সেই স্ক্রিপ্ট লিখুন। অনেক প্ল্যাটফর্ম লেখাকে স্বয়ংক্রিয়ভাবে ভয়েসে রূপান্তর করতে পারে। নিজের কণ্ঠ ব্যবহার করতে চাইলে অডিও রেকর্ড করে আপলোড করাও সম্ভব। হেইজেনের বর্তমান প্রেজেন্টার ব্যবস্থায় লিখিত স্ক্রিপ্ট অথবা নিজের অডিও দুটিই ব্যবহার করা যায়। এরপর ভয়েস, ভাষা এবং প্রয়োজন হলে নড়াচড়ার ধরন নির্বাচন করে ভিডিও তৈরি করার নির্দেশ দিন।

স্ক্রিপ্ট কীভাবে লিখলে মুখের নড়াচড়া বেশি স্বাভাবিক হয়?

টকিং ফটোর জন্য সাধারণ ব্লগ লেখার মতো দীর্ঘ বাক্য ব্যবহার না করাই ভালো। একজন মানুষ স্বাভাবিকভাবে যেভাবে কথা বলেন, সেভাবে ছোট ও মাঝারি দৈর্ঘ্যের বাক্য লিখুন। প্রয়োজনীয় জায়গায় কমা ও পূর্ণচ্ছেদ দিন, কারণ ভয়েস তৈরির ব্যবস্থা এগুলো থেকে বিরতির জায়গা অনুমান করতে পারে। একই বাক্যে অতিরিক্ত সংখ্যা, সংক্ষিপ্ত রূপ অথবা কঠিন বিদেশি নাম থাকলে প্রথমে ছোট একটি নমুনা তৈরি করে উচ্চারণ পরীক্ষা করা উচিত।

বিশেষ করে বাংলা কনটেন্টে লেখা এবং ভয়েসের উচ্চারণ একবার শুনে নেওয়া জরুরি। ভুল উচ্চারণ পাওয়া গেলে পুরো ভিডিও আবার তৈরি করার পরিবর্তে প্রথমে ১৫ থেকে ৩০ সেকেন্ডের নমুনা বানান। উচ্চারণ ঠিক হলে তারপর পূর্ণ ভিডিও তৈরি করুন। এতে সময় ও ক্রেডিট দুটোই বাঁচে।

ভয়েস নির্বাচন করার সময় কী দেখবেন?

শুধু আকর্ষণীয় কণ্ঠ হলেই ভালো টকিং ফটো তৈরি হয় না। কণ্ঠের গতি, বিরতি এবং আবেগ ছবির অভিব্যক্তির সঙ্গে মানানসই হওয়া দরকার। শান্ত মুখের ছবিতে অত্যন্ত উত্তেজিত কণ্ঠ ব্যবহার করলে ফল অস্বাভাবিক দেখাতে পারে। একইভাবে খুব দ্রুত কথা বললে ঠোঁটের নড়াচড়া সব সময় স্বাভাবিক নাও দেখাতে পারে। তথ্যভিত্তিক ভিডিওর ক্ষেত্রে পরিষ্কার উচ্চারণ, মাঝারি গতি এবং স্বাভাবিক বিরতি সাধারণত বেশি স্বাভাবিক ফল দেয়।

ভিডিও তৈরি হওয়ার পর কী কী পরীক্ষা করবেন?

ভিডিও তৈরি শেষ হলেই সেটি প্রকাশ করা উচিত নয়। প্রথমে পুরো ভিডিও শব্দসহ দেখুন। ঠোঁটের সঙ্গে শব্দের মিল, চোখের অস্বাভাবিক নড়াচড়া, দাঁত বা মুখের বিকৃতি, ছবির প্রান্তে ঝিলমিল এবং উচ্চারণের ভুল আছে কি না পরীক্ষা করুন। কোনো নির্দিষ্ট অংশে সমস্যা থাকলে পুরো ভিডিও আবার তৈরি করার আগে ছবির মান, বক্তব্যের বাক্য অথবা কণ্ঠের গতি পরিবর্তন করে ছোট একটি নমুনা তৈরি করুন। অতিরিক্ত মুখভঙ্গি বা জটিল নড়াচড়ার কারণে সমস্যা হলে নির্দেশনা সহজ করে পুনরায় পরীক্ষা করুন।

স্বাভাবিক নড়াচড়া পাওয়ার কার্যকর কৌশল

একটি সাধারণ টকিং ফটোতে প্রয়োজনের চেয়ে বেশি নড়াচড়া যোগ না করাই ভালো। মাথার সামান্য নড়াচড়া, স্বাভাবিক চোখের পলক এবং কথার সঙ্গে মানানসই মুখের অভিব্যক্তিই অনেক ক্ষেত্রে যথেষ্ট। ব্যবহৃত সেবায় নড়াচড়ার নির্দেশ দেওয়ার সুবিধা থাকলে একসঙ্গে অনেক নির্দেশ না দিয়ে একটি পরিষ্কার নির্দেশ দিন। যেমন হালকা হাসি, সামান্য মাথা নাড়া অথবা ক্যামেরার দিকে তাকানোর নির্দেশ আলাদাভাবে পরীক্ষা করা যেতে পারে।

অন্য ব্যক্তির ছবি ব্যবহার করার আগে অনুমতি কেন জরুরি?

কোনো বাস্তব ব্যক্তির ছবি বা কণ্ঠ ব্যবহার করে তার অনুমতি ছাড়া এমন ভিডিও তৈরি করা উচিত নয় যেখানে তাকে এমন কথা বলতে বা কাজ করতে দেখানো হয় যা তিনি বাস্তবে বলেননি বা করেননি। অন্য কারও ছবি বা কণ্ঠ ব্যবহার করতে হলে প্রয়োজনীয় অনুমতি নিশ্চিত করুন এবং সংশ্লিষ্ট সেবার সম্মতি ও পরিচয় ব্যবহারের নিয়ম অনুসরণ করুন। পরিচয় নকল করা, দর্শককে বিভ্রান্ত করা, প্রতারণামূলক বক্তব্য তৈরি করা অথবা কোনো ব্যক্তি বা প্রতিষ্ঠানের অনুমোদন আছে বলে মিথ্যা ধারণা দেওয়ার উদ্দেশ্যে এ প্রযুক্তি ব্যবহার করা উচিত নয়।

ইউটিউবে টকিং ফটো প্রকাশ করলে কী মনে রাখবেন?

কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে কোনো বাস্তব ব্যক্তিকে এমন কিছু বলতে বা করতে দেখানো হলে যা তিনি বাস্তবে বলেননি বা করেননি এবং ভিডিওটি বাস্তবসম্মত দেখায়, ইউটিউবে প্রকাশের সময় কৃত্রিম বুদ্ধিমত্তার ব্যবহার সম্পর্কে প্রয়োজনীয় তথ্য জানাতে হবে। ভিডিও আপলোডের সময় প্রযোজ্য প্রকাশসংক্রান্ত বিকল্প সঠিকভাবে নির্বাচন করুন। ইউটিউবের বর্তমান নির্দেশনা অনুযায়ী এই তথ্য জানানো নিজে থেকে ভিডিওর দর্শকসংখ্যা সীমিত করে না বা আয়ের যোগ্যতা নষ্ট করে না। তবে প্রয়োজনীয় তথ্য নিয়মিতভাবে গোপন করলে ইউটিউব ব্যবস্থা নিতে পারে। প্রকাশের আগে সর্বশেষ নীতিমালা আবার দেখে নেওয়া ভালো।

ভালো টকিং ফটোর জন্য একটি বাস্তবসম্মত কর্মপদ্ধতি

একটি ব্যবহারিক পদ্ধতি হলো প্রথমেই দীর্ঘ ভিডিও তৈরি না করা। প্রথমে ছবি নির্বাচন করুন, তারপর প্রায় ২০ সেকেন্ডের একটি পরীক্ষামূলক বক্তব্য লিখুন। কণ্ঠ তৈরি করে উচ্চারণ শুনুন। এরপর ছোট ভিডিও তৈরি করে ঠোঁট, চোখ এবং মুখের নড়াচড়া পরীক্ষা করুন। নমুনাটি সন্তোষজনক হলে একই ছবি ও কণ্ঠ ব্যবহার করে পূর্ণ বক্তব্যের ভিডিও তৈরি করুন। এভাবে প্রথমে ছোট নমুনা পরীক্ষা করলে অপ্রয়োজনীয়ভাবে পুরো ভিডিও বারবার তৈরি করার প্রয়োজন কমে যায়।

সাধারণ প্রশ্ন ও উত্তর

১. একটি মাত্র ছবি দিয়েই কি কথা বলা ভিডিও বানানো যায়?

হ্যাঁ, বর্তমান ফটো অবতার প্রযুক্তিতে একটি পরিষ্কার ছবিই যথেষ্ট হতে পারে। ছবিতে মুখ স্পষ্ট থাকলে এআই সেটি বিশ্লেষণ করে স্ক্রিপ্ট বা অডিও অনুযায়ী ঠোঁট ও মুখের নড়াচড়া তৈরি করতে পারে। তবে ভালো ছবি ব্যবহার করলে ফল উল্লেখযোগ্যভাবে উন্নত হয়।

২. বাংলা ভাষায় টকিং ফটো বানানো সম্ভব?

হ্যাঁ। বাংলা ভাষা সমর্থন করে এমন টকিং ফটো ও অবতার তৈরির সেবা রয়েছে। তবে বাংলা নাম, স্থানীয় শব্দ, সংখ্যা এবং বিশেষ উচ্চারণ সেবাভেদে ভিন্ন শোনাতে পারে। তাই পূর্ণ ভিডিও তৈরি করার আগে কয়েকটি বাক্য দিয়ে ছোট নমুনা তৈরি করে উচ্চারণ পরীক্ষা করা ভালো।

৩. নিজের কণ্ঠ ব্যবহার করা যাবে কি?

অনেক প্ল্যাটফর্মে নিজের রেকর্ড করা অডিও আপলোড করা যায়। এতে কৃত্রিম ভয়েসের পরিবর্তে আপনার প্রকৃত উচ্চারণ, গতি ও আবেগ রাখা সম্ভব হয়। পরিষ্কার পরিবেশে রেকর্ড করলে এবং পেছনের শব্দ কম রাখলে ফল ভালো হয়।

৪. ছবিতে চশমা থাকলে সমস্যা হবে?

সাধারণ চশমা অনেক ক্ষেত্রে ব্যবহার করা যায়। তবে কাচে শক্তিশালী আলোর প্রতিফলন অথবা খুব বড় ফ্রেম চোখের অংশ ঢেকে ফেললে ভিডিওতে ছোটখাটো ত্রুটি দেখা দিতে পারে। তাই সম্ভব হলে চোখ স্পষ্ট দেখা যায় এমন ছবি নির্বাচন করুন।

৫. মোবাইলের ছবি দিয়ে কি ভালো ফল পাওয়া যায়?

হ্যাঁ। ভালো আলোতে মোবাইল দিয়ে তোলা পরিষ্কার ছবিও অনেক ক্ষেত্রে ব্যবহার করা যায়। ফোনের দামের চেয়ে মুখের স্পষ্টতা, সঠিক ফোকাস, পর্যাপ্ত আলো এবং মুখের সামনে অপ্রয়োজনীয় বাধা না থাকা বেশি গুরুত্বপূর্ণ। ছবি নির্বাচন করার সময় মুখ ও চোখ পরিষ্কার দেখা যাচ্ছে কি না আগে পরীক্ষা করুন।

৬. ভিডিওতে মুখ অস্বাভাবিক দেখালে কী করব?

প্রথমে অন্য একটি পরিষ্কার ছবি পরীক্ষা করুন। এরপর অতিরিক্ত মুখের অভিব্যক্তি বা জটিল মোশন নির্দেশনা কমান এবং ছোট স্ক্রিপ্ট দিয়ে আবার তৈরি করুন। সমস্যা শুধু নির্দিষ্ট শব্দের সময় হলে সেই বাক্যটিও সহজ করে লেখা যেতে পারে।

৭. কত লম্বা স্ক্রিপ্ট দিয়ে শুরু করা উচিত?

প্রথম পরীক্ষায় প্রায় ১৫ থেকে ৩০ সেকেন্ডের কথোপকথন যথেষ্ট। এতে উচ্চারণ, লিপ সিঙ্ক এবং মুখের নড়াচড়া দ্রুত যাচাই করা যায়। ফল ভালো হলে তারপর এক বা একাধিক মিনিটের পূর্ণ ভিডিও তৈরি করা বেশি কার্যকর।

৮. অন্য মানুষের ছবি দিয়ে ভিডিও বানানো কি ঠিক?

অন্য ব্যক্তির বাস্তব ছবি বা কণ্ঠ ব্যবহার করার আগে প্রয়োজনীয় অনুমতি নিশ্চিত করা উচিত। অনুমতি ছাড়া কাউকে এমন কথা বলতে বা কাজ করতে দেখানো উচিত নয় যা তিনি বাস্তবে বলেননি বা করেননি। বিশেষ করে পরিচয় নকল, প্রতারণা, বিভ্রান্তিকর বক্তব্য অথবা মিথ্যা অনুমোদন দেখানোর কাজে এ ধরনের ভিডিও ব্যবহার করবেন না। ব্যক্তিগত বা বাণিজ্যিক ব্যবহারের ক্ষেত্রে সংশ্লিষ্ট ছবি, কণ্ঠ এবং পরিচয় ব্যবহারের অধিকারও যাচাই করুন।

৯. টকিং ফটো ইউটিউবে ব্যবহার করা যাবে?

হ্যাঁ, টকিং ফটো ইউটিউবে ব্যবহার করা যায়। তবে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে কোনো বাস্তব ব্যক্তিকে এমন কথা বলতে বা কাজ করতে দেখানো হলে যা তিনি বাস্তবে বলেননি বা করেননি এবং ভিডিওটি বাস্তবসম্মত দেখায়, প্রকাশের সময় কৃত্রিম বুদ্ধিমত্তা ব্যবহারের তথ্য জানাতে হবে। ভিডিও প্রকাশের আগে ইউটিউবের সর্বশেষ প্রকাশসংক্রান্ত নির্দেশনা দেখে নেওয়া ভালো।

১০. সবচেয়ে বাস্তবসম্মত ফল পাওয়ার প্রধান উপায় কী?

একটি নির্দিষ্ট টুলের চেয়ে ভালো ইনপুট বেশি গুরুত্বপূর্ণ। পরিষ্কার ও সামনের দিকে থাকা মুখ, স্বাভাবিক অভিব্যক্তি, ভালো আলো, সহজ কথ্য স্ক্রিপ্ট, পরিষ্কার ভয়েস এবং প্রথমে ছোট পরীক্ষামূলক ভিডিও তৈরি করা একসঙ্গে সবচেয়ে ভালো ফল পাওয়ার সম্ভাবনা বাড়ায়।

উপসংহার

একটি ছবি থেকে কথা বলা ভিডিও বানানোর প্রক্রিয়া এখন অনেক সহজ হলেও বিশ্বাসযোগ্য ফল পেতে সঠিক কর্মপদ্ধতি অনুসরণ করা জরুরি। পরিষ্কার ছবি নির্বাচন, স্বাভাবিক স্ক্রিপ্ট লেখা, উপযুক্ত ভয়েস ব্যবহার, ছোট নমুনা পরীক্ষা এবং প্রকাশের আগে চূড়ান্ত ভিডিও ভালোভাবে দেখা সবচেয়ে গুরুত্বপূর্ণ ধাপ।

অন্য ব্যক্তির ছবি বা কণ্ঠ ব্যবহার করলে প্রয়োজনীয় অনুমতি নিশ্চিত করুন এবং যে সেবায় ভিডিও তৈরি বা প্রকাশ করবেন তার সর্বশেষ নীতিমালা অনুসরণ করুন। একই সঙ্গে দর্শককে বিভ্রান্ত না করা এবং কৃত্রিমভাবে তৈরি বাস্তবসম্মত কনটেন্টের ক্ষেত্রে প্রয়োজনীয় তথ্য প্রকাশ করা গুরুত্বপূর্ণ। এসব বিষয় মেনে চললে টকিং ফটো প্রযুক্তিকে তথ্যবহুল, দায়িত্বশীল এবং দর্শকবান্ধব ভিডিও তৈরিতে ব্যবহার করা সম্ভব।