একটি সংক্ষিপ্ত নির্দেশনা থেকেই এখন সমন্বিত ছবির সিরিজ তৈরি করা যায়
Kuaishou চালু করেছে Kling Image 4.0। এতে রয়েছে নেটিভ 8K ছবি তৈরি, একটি ছবির মধ্যে সর্বোচ্চ ২,০০০ অক্ষর ব্যবহারের সুবিধা এবং একটিমাত্র প্রম্পট থেকে সর্বোচ্চ ১০টি সম্পর্কিত ছবি তৈরির মোড। Kling Creative Studio এবং অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেসের (API) মাধ্যমে পাওয়া এই সংস্করণটি বিজ্ঞাপন, স্টোরিবোর্ড, পণ্যের প্রদর্শনী এবং অনলাইন শপিং পেজের জন্য তৈরি করা হয়েছে।
সূচিপত্র
- একটি সংক্ষিপ্ত নির্দেশনা থেকেই এখন সমন্বিত ছবির সিরিজ তৈরি করা যায়
- কী চালু হয়েছে, এবং কবে?
- নেটিভ 8K কী সুবিধা দেয়?
- টেক্সট ধারণক্ষমতার পরীক্ষা হলো জটিল পোস্টারে
- ১০টি ছবির সেট কীভাবে কাজ করে?
- দীর্ঘ পণ্যের পেজে সম্পাদনাযোগ্য স্তর যুক্ত হয়েছে
- রেফারেন্সের সাহায্যে বিষয়বস্তু, আলো ও রং নির্ধারণ
- একই আর্কিটেকচারে বিষয়বস্তু বোঝা ও ছবি তৈরি
- মূল কথা
মডেলটি চালু হয় ২০২৬ সালের ১৭ নভেম্বর, মঙ্গলবার রাতে। Kling AI ১৮ নভেম্বর তাদের Image 4.0 ব্যবহারকারী নির্দেশিকা প্রকাশ করে। এতে নেটিভ 2K, 4K ও 8K আউটপুট, প্রতি ইনপুটে সর্বোচ্চ ১০টি রেফারেন্স ছবি এবং দীর্ঘ ছবিকে সম্পাদনাযোগ্য স্তরে ভাগ করার সরঞ্জামের কথা উল্লেখ করা হয়েছে।
Kling AI শুধু ছবি তৈরির ব্যবস্থা নয়, একটি পূর্ণাঙ্গ কর্মপ্রক্রিয়াও বিক্রি করছে: প্রকল্পের বর্ণনা দিন, ভিজ্যুয়াল রেফারেন্স দিন, সমন্বিত একটি সেট তৈরি করুন, তারপর আলাদা উপাদান সংশোধন করুন। প্রতিষ্ঠানটির প্রচারিত সক্ষমতাগুলো একই প্ল্যাটফর্মে কয়েকটি কাজ একত্র করেছে—ফটোগ্রাফির অনুকরণ, টেক্সট বিন্যাস, ছবি সম্পাদনা এবং দৃশ্যের ধারাবাহিকতা পরিকল্পনা।
প্রকাশিত প্রাথমিক পরীক্ষাগুলো দেখায়, এসব সক্ষমতা কেন কাজে লাগতে পারে; একই সঙ্গে ব্যবহারিক দুর্বলতাও চিহ্নিত হয়েছে। প্রায় ৪০০টি চীনা অক্ষরসহ একটি পোস্টারে টেক্সটে ভুল ছিল, আর কিছু সম্পাদিত ছবিতে খসখসে খুঁটিনাটি বা অনুরোধের সীমার বাইরেও পরিবর্তন দেখা গেছে। ফলে এই উদ্বোধনে উৎপাদন সক্ষমতার পাশাপাশি কতটা সংশোধনের প্রয়োজন, সেটিও স্পষ্ট হয়ে উঠেছে।
কী চালু হয়েছে, এবং কবে?
Kling Image 4.0 একটি স্থিরচিত্রের মডেল, যা Kling 4.0 ভিডিও মডেল থেকে আলাদা। এর তাৎক্ষণিক আউটপুট হলো ছবি; এর মধ্যে সম্পর্কিত দৃশ্যও রয়েছে, যা নির্মাতারা গল্প পরিকল্পনা বা পরবর্তী ভিডিও প্রযোজনার উপকরণ হিসেবে ব্যবহার করতে পারেন।
দুই তারিখে এই উন্মোচন সম্পন্ন হয়েছে:
- ১৭ নভেম্বর, ২০২৬: Kuaishou মঙ্গলবার রাতে Kling Image 4.0 চালু করে। তাদের ক্রিয়েটিভ প্ল্যাটফর্ম ও API-এর মাধ্যমে এটি ব্যবহারের সুযোগ রয়েছে।
- ১৮ নভেম্বর, ২০২৬: Kling AI তাদের ব্যবহারকারী নির্দেশিকার তারিখ নির্ধারণ করে; একই দিন প্রকাশিত পরীক্ষায় ফটোগ্রাফি, সম্পাদনা, বাণিজ্যিক বিন্যাস এবং ছবির ধারাবাহিকতা পর্যালোচনা করা হয়।
API-এর মাধ্যমে ডেভেলপার ও এন্টারপ্রাইজ গ্রাহকেরা নিজেদের সফটওয়্যারের সঙ্গে মডেলটি যুক্ত করতে পারেন। উদ্বোধনী তথ্যে মূল্য, ছবি তৈরির সময় এবং সাবস্ক্রিপশনের বিভিন্ন স্তরে প্রবেশাধিকারের কোনো পার্থক্য উল্লেখ করা হয়নি।
নেটিভ 8K কী সুবিধা দেয়?
Kling AI তিনটি নেটিভ আউটপুট রেজল্যুশনের কথা জানিয়েছে: 2K, 4K এবং 8K। নেটিভ জেনারেশনের অর্থ, পরে ছোট ছবিকে বড় করার প্রক্রিয়ার ওপর পুরোপুরি নির্ভর না করে মডেলটি নির্বাচিত রেজল্যুশনেই ছবি তৈরি করে। প্রতিষ্ঠানটির দাবি, 8K বড় ডিসপ্লেতে দেখানো এবং ছবি ক্রপ করার ক্ষেত্রে ব্যবহারকারীদের বেশি সুযোগ দেয়।
ক্রপ করার সময় ছবির একটি অংশ বাদ দিয়ে মুখ, পণ্য বা অন্য কোনো খুঁটিনাটির ওপর জোর দেওয়া হয়। শুরুতেই বেশি পিক্সেল থাকলে ক্রপের পর ছবির আরও বেশি তথ্য অক্ষত থাকতে পারে। Kling AI-এর দাবি, মডেলটি আলো বদলের মসৃণতা, ত্বকের গঠন, কাপড় ও অন্যান্য উপকরণের খুঁটিনাটিও উন্নত করে।
প্রকাশিত পোর্ট্রেট পরীক্ষায় মানুষ ও তাদের আশপাশের মধ্যে আলোর মেলবন্ধনকে বেশ স্বাভাবিক বলে বর্ণনা করা হয়েছে। বড় করে দেখানো অংশে চুল ও পোশাকের গঠন দৃশ্যমান থাকলেও, ব্যক্তি ও পরিবেশের বাস্তবসম্মত উপস্থাপনায় কিছু ত্রুটি ছিল। ল্যান্ডস্কেপ পরীক্ষায় উপত্যকার সকালের কুয়াশা, বরফঢাকা পাহাড়ের ওপর সূর্যোদয় এবং মরুভূমির সূর্যাস্ত দেখানো হয়েছে; দৃশ্যগুলোতে আলো ও গভীরতার ধরন ছিল ভিন্ন।
নির্দেশিকায় বিভিন্ন ব্যবহারের জন্য ছবির অনুপাতও উল্লেখ করা হয়েছে—বর্গাকার 1:1 ছবি, উল্লম্ব 3:4 ছবি, ওয়াইডস্ক্রিন 16:9 এবং আরও প্রশস্ত 21:9 বিন্যাস। এতে নির্মাতারা ছবি তৈরির আগেই পণ্যের তালিকা, উপস্থাপনা বা সিনেমাটিক ফ্রেমের সঙ্গে মানানসই অনুপাত বেছে নিতে পারেন।
টেক্সট ধারণক্ষমতার পরীক্ষা হলো জটিল পোস্টারে
Kling AI-এর দাবি, Image 4.0 একটি ছবিতে সর্বোচ্চ ২,০০০ অক্ষর বসাতে পারে এবং সর্বোচ্চ ১৫,০০০ টোকেনের নির্দেশনা গ্রহণ করতে পারে। টোকেন হলো তথ্য প্রক্রিয়াকরণের জন্য মডেলের ব্যবহৃত একক, যা প্রায়ই একটি শব্দ বা শব্দের অংশ হয়ে থাকে। নির্দেশনার সীমা প্রযোজ্য ব্রিফের ক্ষেত্রে; আর অক্ষরের সীমা প্রযোজ্য চূড়ান্ত ছবিতে থাকা টেক্সটের ক্ষেত্রে।
জটিল বিজ্ঞাপনের ক্ষেত্রে এই পার্থক্য গুরুত্বপূর্ণ। একজন নির্মাতা পণ্য, পটভূমি, আলো, শব্দচয়ন ও বিন্যাস নির্দিষ্ট করতে দীর্ঘ ব্রিফ ব্যবহার করতে পারেন, অথচ ছবিতে শুধু একটি ছোট শিরোনাম রাখতে বলতে পারেন।
অফিশিয়াল নির্দেশিকায় ছয়টি ভাষার নাম রয়েছে: চীনা, ইংরেজি, জাপানি, কোরীয়, স্প্যানিশ ও পর্তুগিজ। উদ্বোধনসংক্রান্ত প্রতিবেদনে সাতটি ভাষা সমর্থনের কথা বলা হয়েছে; পাশাপাশি বিস্তৃত পরিচিতিতে সরলীকৃত ও প্রথাগত চীনা লিপির কথা আলাদাভাবে উল্লেখ করা হয়েছে। বিভিন্ন বাজারে কাজ করা ব্যবহারকারীদের নিজেদের উপকরণের জন্য উপযুক্ত ভাষা ও লিপি বেছে নিতে হবে।
Kling AI বাণিজ্যিক ব্যবহারের লাইসেন্সসহ ৭০টির বেশি ফন্ট এবং টাইপোগ্রাফির নির্দেশনা দিতে আপলোড করা ছবি ব্যবহারের সুবিধার কথাও জানিয়েছে। অফিসিয়াল পরিচিতি অনুযায়ী, তৈরি করা ছবির মধ্যে টেক্সট ও ফন্টের ধরন সম্পাদনা করা যায়।
প্রকাশিত একটি বাণিজ্যিক নকশা পরীক্ষায় প্রায় ৪০০টি চীনা অক্ষর, বড় শিরোনাম, অফিসের চিত্র এবং ক্রিম, নীল ও কমলা রঙের সমন্বয়ে একটি প্রযুক্তি সাময়িকীর পোস্টার তৈরির অনুরোধ করা হয়। ফলাফলে শিরোনাম, মূল লেখা ও চিত্রের জন্য পড়ার উপযোগী আলাদা জায়গা ছিল, তবে ঘন বিন্যাসে টেক্সটের ভুল এবং নকশায় তুলনামূলকভাবে কম সৃজনশীলতা দেখা গেছে।
পরবর্তী প্রচেষ্টায় ফন্ট বদলানো এবং নির্বাচিত শব্দ প্রতিস্থাপনকে নির্ভুল বলে বর্ণনা করা হয়েছে। ডিজাইনারদের জন্য এ থেকে বোঝা যায়, সংশোধন এই কর্মপ্রক্রিয়ার গুরুত্বপূর্ণ অংশ: সিস্টেমটি একটি পৃষ্ঠা সাজাতে পারে এবং পরে নির্দিষ্ট সংশোধন গ্রহণ করতে পারে, তবে চূড়ান্ত লেখার যথার্থতা পরীক্ষা করতেই হবে।
১০টি ছবির সেট কীভাবে কাজ করে?
Kling Image 4.0-এ রয়েছে Default Mode ও Series Mode। Default Mode একটি প্রম্পট থেকে এক বা একাধিক ছবি তৈরি করে। Series Mode একসঙ্গে সম্পর্কিত ছবি তৈরির জন্য; একবারে সর্বোচ্চ ১০টি ছবি তৈরি করা যায়।
Kling AI-এর দাবি, প্রতিটি ছবিতে কী দেখানো হবে তা তাদের পরিকল্পনা-সক্ষমতা নির্ধারণ করে এবং একই সঙ্গে বিষয়বস্তু ও ভিজ্যুয়াল নির্দেশনার ধারাবাহিকতা বজায় রাখে। স্টোরিবোর্ডের ক্ষেত্রে এর অর্থ, একই দৃশ্যের বারবার ভিন্ন রূপ তৈরি না করে গল্পকে আলাদা শটে ভাগ করা।
প্রকাশিত একটি পরীক্ষায় গভীর রাতে পাতাল রেল স্টেশনে অপেক্ষারত এক তরুণীকে নিয়ে রহস্যময় গল্প ব্যবহার করা হয়। তিনি একটি লাল টিকিট খুঁজে পান এবং শেষ ট্রেন এলে ১০ বছর পরের নিজের একটি রূপ দেখতে পান। তৈরি করা ছবির ধারাবাহিকতায় ওয়াইড শট, কাছের শট ও মুখের খুঁটিনাটির দৃশ্য ছিল; প্রধান চরিত্রের চেহারা ও পোশাকও মোটামুটি একই রকম ছিল।
অন্য একটি ধারাবাহিকতায় অফিসের এক প্রোগ্রামারকে দেখানো হয়, যিনি কাজের একটি বার্তা তার কল্পনার অবকাশ ভেঙে দেওয়ার আগে সমুদ্রসৈকত, পাহাড়, মরুভূমি ও মহাকাশে ভ্রমণের কথা ভাবছিলেন। ছবিগুলোর মধ্য দিয়ে গল্প এগিয়েছে, যদিও কিছু শটে কৃত্রিম, প্লাস্টিকের মতো চেহারা ছিল।
তৃতীয় একটি পরীক্ষায় জিনজিয়াংয়ের একই উপত্যকার সকাল থেকে সূর্যাস্ত পর্যন্ত ১০টি দৃশ্য চাওয়া হয়। ভিন্ন কোণ ও বদলে যাওয়া আলো ছবিগুলোতে একটি অভিন্ন প্রামাণ্যচিত্রধর্মী রীতি তৈরি করে। সব মিলিয়ে, এই পরীক্ষাগুলো দেখায় ফিচারটি কী ধরনের ধারাবাহিকতা সামলানোর চেষ্টা করে: বিভিন্ন দৃশ্যে একজন ব্যক্তি, বিভিন্ন স্থানে একটি কাহিনি এবং একটি দিনজুড়ে একটি ভূদৃশ্য।
দীর্ঘ পণ্যের পেজে সম্পাদনাযোগ্য স্তর যুক্ত হয়েছে
Kling AI অনলাইন শপিংয়ের বিস্তারিত পেজ ও ওয়েবসাইট নকশার জন্য দীর্ঘ ছবি তৈরির সুবিধাও দেয়। এসব ছবিতে পণ্যের ছবি, ব্যাখ্যামূলক লেখা এবং আলাদা ভিজ্যুয়াল অংশ এক দীর্ঘ বিন্যাসে সাজানো হয়।
প্রকাশিত একটি পরীক্ষায় ল্যাপটপের ছবি দিয়ে প্রধান পণ্যচিত্র, বিক্রয়-উপযোগী বৈশিষ্ট্য, বাহ্যিক বিবরণ, ব্যবহারের দৃশ্য এবং স্পেসিফিকেশনসহ একটি পূর্ণাঙ্গ পণ্য পেজ তৈরির অনুরোধ করা হয়। তৈরি করা পেজে এসব উপাদানকে মোটামুটি একই রীতি বজায় রেখে আলাদা অংশে সাজানো হয়।
অফিশিয়াল নির্দেশিকায় একটি ব্যবহারিক সম্পাদনা-সুবিধার কথাও বলা হয়েছে: দীর্ঘ ছবিকে স্তরে ভাগ করা যায়, ফলে আলাদা উপাদান সম্পাদনা ও নতুন করে তৈরি করা সম্ভব। স্তর হলো কম্পোজিশনের একটি স্বতন্ত্র অংশ, যা অন্য অংশগুলো নতুন করে তৈরি না করেই বদলানো যায়। পণ্যের পেজের ক্ষেত্রে, প্রাথমিকভাবে তৈরি করার পর কোনো ভিজ্যুয়াল অংশ সংশোধন করা এতে সহজ হতে পারে।
পণ্যবিজ্ঞাপনের পরীক্ষায় স্নিকার, ঘড়ি ও ল্যাপটপের ছবিও ব্যবহার করা হয়। তৈরি পোস্টারগুলোতে পণ্যের সঙ্গে মানানসই রং, বিন্যাস ও টাইপোগ্রাফি বেছে নেওয়া হয়েছে। আকর্ষণীয় একটি স্বতন্ত্র ছবি তৈরির চেয়ে এটি আরও নির্দিষ্ট বাণিজ্যিক কাজ: আগে থেকেই থাকা একটি বস্তুকে ঘিরে তথ্য সাজাতে হয় জেনারেটরকে।
রেফারেন্সের সাহায্যে বিষয়বস্তু, আলো ও রং নির্ধারণ
Kling Image 4.0 প্রতি ইনপুটে সর্বোচ্চ ১০টি রেফারেন্স ছবি গ্রহণ করে। সম্পাদনার উপকরণ হিসেবে বা টাইপোগ্রাফি, রং ও আলোর মতো বিষয় নির্ধারণে এসব রেফারেন্স ব্যবহার করা যায়। ছবির রং ও আবহ বদলে দেয়—এমন ১১০টির বেশি প্রিসেট কালার গ্রেডিং স্টাইলের কথাও জানিয়েছে প্রতিষ্ঠানটি।
সম্পাদনার পরীক্ষায় বর-কনে এবং পাঁচজন আত্মীয় বা বন্ধুকে নিয়ে একটি বিয়ের ছবি ব্যবহার করা হয়। অনুরোধ অনুযায়ী মূল বিন্যাস ও মানুষগুলোর পারস্পরিক সম্পর্ক বজায় রেখে শৈল্পিক ধরন ও আলো বদলানো হয়।
আরেকটি পরীক্ষায় Phantom Blade Zero-এর নায়কের পোশাক বদলে ব্রুস লির সঙ্গে সম্পর্কিত হলুদ-কালো কুংফু পোশাক পরানো হয় এবং তার অস্ত্র নানচাকুতে বদলে দেওয়া হয়। মূল অনুরোধ পূরণ হলেও কিছু খুঁটিনাটি ছিল খসখসে, আর কিছু পরিবর্তন চাওয়া সীমার চেয়ে বেশি হয়েছিল।
একটি সাধারণ বিয়ের স্কেচও আলোকচিত্রধর্মী দৃশ্য তৈরির নির্দেশনা হিসেবে ব্যবহার করা হয়। মডেলটি প্রধান ব্যক্তিদের ও তাদের অবস্থান বুঝে নিয়ে পরে চেয়ার, ফুল ও অতিথি যোগ করে। এই উদাহরণগুলো রেফারেন্স উপকরণের দুটি ভিন্ন ব্যবহার দেখায়: ছবিতে আগে থেকেই থাকা বিবরণ সংরক্ষণ করা এবং একটি সাধারণ ভিজ্যুয়াল পরিকল্পনা থেকে আরও পূর্ণাঙ্গ দৃশ্য তৈরি করা।
একই আর্কিটেকচারে বিষয়বস্তু বোঝা ও ছবি তৈরি
Kling AI-এর বর্ণনা অনুযায়ী, Image 4.0 একটি অটোরিগ্রেসিভ ফ্রেমওয়ার্কে ভিজ্যুয়াল বোঝাপড়া ও ছবি তৈরি—দুটিকে একত্র করেছে। সহজভাবে বললে, নির্দেশনা ও ভিজ্যুয়াল উপকরণ বুঝে নেওয়া এবং ধাপে ধাপে চাওয়া আউটপুট তৈরি করার জন্য সিস্টেমটি একটি অভিন্ন প্রক্রিয়া ব্যবহার করে।
প্রযুক্তিগত বর্ণনার কেন্দ্রে রয়েছে একটি Transformer—তথ্যের ভেতরের সম্পর্ক প্রক্রিয়াকরণে ব্যবহৃত এক ধরনের নিউরাল নেটওয়ার্ক। এতে বিষয়বস্তু, স্থানিক বিন্যাস, ক্যামেরার দৃশ্য এবং আলোর গঠনবদ্ধ ব্যবস্থাপনার কথাও রয়েছে। একাধিক চরিত্র, নির্দিষ্ট অবস্থান এবং অভিন্ন ভিজ্যুয়াল রীতি চাওয়া হলে বিস্তারিত ব্রিফে এসব উপাদানের সমন্বয় করতে হয়।
প্রতিষ্ঠানটি পরিকল্পনার এই উপাদানকে ‘এজেন্টিক’ বলে। এখানে এর অর্থ, জটিল অনুরোধকে ছোট ছোট কাজে ভাগ করে তা সম্পন্ন করার জন্য প্রয়োজনীয় ধাপগুলোর সমন্বয় করা। সিরিজ তৈরি এর সরাসরি উদাহরণ: ছবিগুলোর মধ্যে গল্প কীভাবে ভাগ হবে, তা মডেলকে নির্ধারণ করতে হয়; পাশাপাশি এক ছবি থেকে পরের ছবিতে অভিন্ন বিবরণ ধরে রাখতে হয়।
নির্মাতাদের জন্য ব্যবহারিক প্রশ্ন হলো, ছবি তৈরির পর কতটা কাজ বাকি থাকে। প্রকাশিত পরীক্ষাগুলোতে দৃশ্য পরিকল্পনা, বিন্যাস ও নির্দিষ্ট সম্পাদনার কার্যকারিতা দেখা গেছে; পাশাপাশি ছিল টেক্সটের ভুল ও ভিজ্যুয়াল খুঁটিনাটিতে অসংগতি। সঠিক পণ্যের লেখা-সহ কোনো প্রচারাভিযান বা নিখুঁত ধারাবাহিকতা দরকার এমন স্টোরিবোর্ডে এখনো পর্যালোচনা ও সংশোধনের প্রয়োজন হবে।
মূল কথা
- Kuaishou ১৭ নভেম্বর, ২০২৬-এ Kling Creative Studio ও API-এর মাধ্যমে Kling Image 4.0 চালু করেছে।
- অফিশিয়াল নির্দেশিকায় নেটিভ 2K, 4K ও 8K আউটপুট এবং প্রতি ইনপুটে সর্বোচ্চ ১০টি রেফারেন্স ছবির কথা বলা হয়েছে।
- Series Mode একটি প্রম্পট থেকে সর্বোচ্চ ১০টি সম্পর্কিত ছবি তৈরি করতে পারে।
- Kling AI-এর দাবি, প্রতি ছবিতে সর্বোচ্চ ২,০০০ অক্ষর, ১৫,০০০ টোকেন পর্যন্ত নির্দেশনা এবং বাণিজ্যিক ব্যবহারের লাইসেন্সসহ ৭০টির বেশি ফন্ট ব্যবহার করা যায়।
- দীর্ঘ ছবি তৈরি ও স্তর সম্পাদনার সুবিধা পণ্যের পেজ এবং অন্যান্য জটিল বিন্যাসের জন্য তৈরি।
- প্রকাশিত পরীক্ষায় কার্যকর সম্পাদনা ও ধারাবাহিকতার পাশাপাশি টেক্সটের ভুল, খসখসে খুঁটিনাটি এবং কিছু অনিচ্ছাকৃত পরিবর্তন দেখা গেছে।






