Alibaba Wan3.0 লঞ্চ করেছে: মাল্টিমোডাল AI ভিডিও জেনারেশন এখন নতুন রূপে

Alibaba আনুষ্ঠানিকভাবে Wan3.0-এর বিটা পর্যায়ে প্রবেশ করেছে, যা একটি শক্তিশালী নতুন ভিডিও জেনারেশন মডেল এবং ৩০ সেকেন্ড পর্যন্ত দীর্ঘ উচ্চ-মানের ক্লিপ তৈরি করতে সক্ষম। ইনপুট ক্ষমতা বাড়িয়ে ডকুমেন্ট এবং জটিল মাল্টিমোডাল প্রম্পট অন্তর্ভুক্ত করার মাধ্যমে, Wan3.0 নির্মাতা, মার্কেটার এবং রোবোটিক্স ইঞ্জিনিয়ারদের জন্য একটি বহুমুখী টুল হিসেবে নিজেকে প্রতিষ্ঠিত করছে।

ভিডিওর দৈর্ঘ্য দ্বিগুণ এবং মাল্টিমোডাল ইনপুটের বিস্তার

Wan3.0 তার পূর্বসূরি Wan2.5-এর তুলনায় একটি উল্লেখযোগ্য অগ্রগতি নিয়ে এসেছে, যেখানে সর্বোচ্চ ভিডিওর সময়সীমা দ্বিগুণ করে ৩০ সেকেন্ড করা হয়েছে। এই মডেলটিকে যা সত্যিই আলাদা করে তোলে তা হলো এর অত্যাধুনিক মাল্টিমোডাল প্রসেসিং ইঞ্জিন। প্রথাগত text-to-video টুলগুলোর মতো না হয়ে, Wan3.0 একই সাথে টেক্সট, ইমেজ, ভিডিও এবং অডিও প্রসেস করতে পারে।

মডেলটি অত্যন্ত জটিল প্রম্পটিং সমর্থন করে, যা ব্যবহারকারীদের একটি মাত্র রিকোয়েস্টে দশটি ইমেজ, পাঁচটি ভিডিও এবং পাঁচটি অডিও ক্লিপ অন্তর্ভুক্ত করার সুযোগ দেয়। সম্ভবত সবচেয়ে চিত্তাকর্ষক বিষয় হলো, Wan3.0 PDF, ওয়েব পেজ এবং PowerPoint প্রেজেন্টেশনের মতো অ-প্রথাগত মিডিয়া গ্রহণ করতে পারে, যা স্থির পেশাদার ডকুমেন্টগুলোকে কার্যকরভাবে গতিশীল ভিডিও কন্টেন্টে রূপান্তরিত করে। এমনকি এই সিস্টেমে একটি বুদ্ধিমান ফিচার রয়েছে যা ব্যবহারকারীর নির্দিষ্ট প্রম্পটের ওপর ভিত্তি করে সর্বোত্তম ভিডিও দৈর্ঘ্যের পরামর্শ দেয়।

'Visual Drift'-এর চ্যালেঞ্জ মোকাবিলা

AI ভিডিও জেনারেশনের ক্ষেত্রে অন্যতম একটি দীর্ঘস্থায়ী বাধা হলো "visual drift"—যেখানে সময়ের সাথে সাথে চরিত্র, মুখের বৈশিষ্ট্য এবং স্থানিক বিন্যাস (spatial layouts) বিকৃত বা অস্বাভাবিকভাবে পরিবর্তিত হয়ে যায়। Alibaba বিশেষভাবে এই অসামঞ্জস্যতা দূর করার জন্য Wan3.0 তৈরি করেছে।

রেফারেন্স ম্যাটেরিয়াল থেকে ডিটেইলস বা খুঁটিনাটি বজায় রাখাকে অগ্রাধিকার দিয়ে, এই মডেলটি চরিত্র, প্রপস এবং জটিল ইউজার ইন্টারফেসের ক্ষেত্রে অনেক বেশি নির্ভুলতা বজায় রাখে। সময়ের সাথে সামঞ্জস্য বজায় রাখার (temporal consistency) এই বিশেষত্বের কারণে মডেলটি পেশাদার কাজের ক্ষেত্রে অনেক বেশি কার্যকর, যেখানে ব্র্যান্ডের পরিচয় এবং চরিত্রের ধারাবাহিকতা বজায় রাখা অপরিহার্য।

স্কেলেবল প্রাইসিং এবং শিল্পক্ষেত্রে প্রয়োগ

Wan3.0 ব্যবহার করা যাবে wan.video ওয়েবসাইট, Alibaba Cloud Model Studio অথবা Qwen Cloud-এর API-এর মাধ্যমে। Alibaba দুটি ভিন্ন টায়ার অফার করে: একটি Standard ভার্সন (বর্তমানে ৩০% ডিসকাউন্টে) এবং একটি হাই-স্পিড Prime ভার্সন। রেজোলিউশনের ওপর ভিত্তি করে এর দাম নির্ধারিত হয়, যা Standard টায়ারে 480p-এর ৩০ সেকেন্ডের ক্লিপের জন্য $1.50 থেকে শুরু করে Prime টায়ারে 1080p ক্লিপের জন্য $8.40 পর্যন্ত হতে পারে।

এর ব্যবহারের কৌশল তিনটি ভিন্ন খাতকে লক্ষ্য করে তৈরি করা হয়েছে:

  • বিনোদন (Entertainment): চলচ্চিত্র নির্মাণ দ্রুত করা এবং ছোট নাটক বা সোশ্যাল মিডিয়া ক্লিপ তৈরি করা।
  • এন্টারপ্রাইজ (Enterprise): মার্কেটিং কপি এবং ট্রেনিং ম্যানুয়ালগুলোকে আকর্ষণীয় ভিডিও অ্যাসেটে রূপান্তর করা।
  • ডিপ টেক (Deep Tech): স্বয়ংক্রিয় যানবাহন এবং রোবোটিক্স সিস্টেম প্রশিক্ষণের জন্য বাস্তবসম্মত সিমুলেশন ফুটেজ প্রদান করা।

এই লঞ্চটি Alibaba-র একটি বিশাল মূলধন বিনিয়োগের পর এলো, যা সম্প্রতি তাদের আগ্রাসী AI সম্প্রসারণের জন্য একটি বড় শেয়ার বিক্রয় সম্পন্ন করেছে, যদিও উচ্চ বিনিয়োগ খরচ তাদের ত্রৈমাসিক মুনাফায় প্রভাব ফেলেছে।

মূল বিষয়সমূহ

  • উন্নত মাল্টিমোডালিটি: Wan3.0 PDF, PowerPoint এবং ওয়েব পেজকে ভিডিওতে রূপান্তর করতে পারে এবং ২০টি পর্যন্ত সম্মিলিত মিডিয়া অ্যাসেটসহ জটিল প্রম্পট সমর্থন করে।
  • উন্নত সামঞ্জস্যতা: মডেলটি বিশেষভাবে 'visual drift' সমস্যার সমাধান করে, যা ৩০ সেকেন্ডের ভিডিওতে চরিত্র, প্রপস এবং পরিবেশের উন্নত স্থিতিশীলতা নিশ্চিত করে।
  • ব্যাপক উপযোগিতা: এটি কন্টেন্ট ক্রিয়েটরদের (যাদের সোশ্যাল মিডিয়া ক্লিপ প্রয়োজন) থেকে শুরু করে ইঞ্জিনিয়ারদের (যাদের রোবোটিক্স প্রশিক্ষণের জন্য সিমুলেশন ডেটা প্রয়োজন) মতো বিভিন্ন ধরণের ব্যবহারকারীর কথা মাথায় রেখে ডিজাইন করা হয়েছে।