গুগলের Project Genie টেক্সট প্রম্পটকে রূপ দিচ্ছে ইন্টারঅ্যাকটিভ জগতে, তবে সম্পূর্ণ গেমে নয়

পড়তে 8 মিনিট
Google's Project Genie Turns Text Prompts Into Interactive Worlds, but Not Finished Games

অন্বেষণের পাশাপাশি বদলে ফেলা যায় এমন এক জগৎ

Google-এর Project Genie-তে মানুষ প্রাত্যহিক ভাষায় একটি ইন্টারঅ্যাকটিভ জগতের বর্ণনা দিতে পারেন, তারপর সিস্টেমের তৈরি জগৎটি ঘুরে দেখতে ও সম্পাদনা করতে পারেন। 2026 সালের 18 নভেম্বর Google 18 বছর বা তার বেশি বয়সী যোগ্য Google AI Ultra গ্রাহকদের জন্য হালনাগাদ সংস্করণটি চালু করতে শুরু করে। পরের দিন, ডেভেলপাররা Gemini API এবং Google AI Studio-এর মাধ্যমে এর Genie 4 মডেল ব্যবহারের সুযোগ পান।

সূচিপত্র
  1. অন্বেষণের পাশাপাশি বদলে ফেলা যায় এমন এক জগৎ
  2. 18 ও 19 নভেম্বর কী পরিবর্তন হয়েছে?
  3. ওয়ার্ল্ড মডেল কীভাবে ভিডিও থেকে আলাদা
  4. গেম তৈরিতে এটি কীভাবে কাজে লাগতে পারে?
  5. Mahjong Ways-এর ক্ষেত্রে এর অর্থ কী
  6. প্রযুক্তিটির সীমাবদ্ধতা এখনো কোথায়
  7. গুরুত্বপূর্ণ তারিখ
  8. যা জানা দরকার

এই সংস্করণে এক পরীক্ষামূলক উদ্যোগে টেক্সট প্রম্পট, ছবি, চলমান দৃশ্য ও শব্দ একত্র করা হয়েছে। ব্যবহারকারী কোনো পরিবেশ তৈরির অনুরোধ করতে পারেন, সেটির মধ্যে দিয়ে চলতে পারেন, তারপর আবহাওয়া বদলানো, কোনো চরিত্র যোগ করা বা কোনো ঘটনা পরিবর্তনের নির্দেশ লিখতে পারেন। Google বলেছে, Genie 4 সিঙ্ক্রোনাইজড অডিওসহ 24 ফ্রেম প্রতি সেকেন্ডে 720p দৃশ্য তৈরি করতে পারে, যার মধ্যে পটভূমির শব্দ ও চরিত্রের কথাবার্তাও রয়েছে।

পণ্যটির নাম Project Genie, Playground নয়। Google এটিকে Google DeepMind-এর Genie 4-চালিত একটি পরীক্ষামূলক গবেষণা প্রোটোটাইপ হিসেবে বর্ণনা করেছে। AI Pro সদস্যরা অপেক্ষমাণ তালিকায় নাম লেখাতে পারেন, আর যোগ্য Ultra গ্রাহকদের জন্য ধাপে ধাপে ব্যবহার-সুবিধা চালু করা হচ্ছে। আরও বেশি মানুষের জন্য কবে এটি উন্মুক্ত হবে, কিংবা গ্রাহক সংস্করণে Genie 4-এর সেশনের কোনো সীমা আছে কি না—Google তা জানায়নি।

Google-এর Project Genie পৃষ্ঠাতে পিঁপড়ে হয়ে কোনো জগৎ ঘুরে দেখা থেকে শুরু করে ভুতুড়ে ভিলায় সূত্র খোঁজা পর্যন্ত নানা উদাহরণ রয়েছে। ব্যবহারকারীরা ছবিকেও ঘুরে দেখার উপযোগী জায়গায় রূপ দিতে পারেন এবং কমিউনিটি গ্যালারিতে শেয়ার করা জগৎ নতুনভাবে সাজাতে পারেন। এসব উদাহরণে পণ্যটি কল্পনা করা সহজ হয়: এটি তৈরি হয়ে যাওয়া ভিডিও দেখার বদলে পরিবর্তনশীল দৃশ্য তৈরি ও ঘুরে দেখার একটি উপায়।

Google DeepMind 2025 সালের আগস্টে আগের একটি ওয়ার্ল্ড মডেল Genie 3 উন্মোচন করে। তাদের Genie 3 ঘোষণায় টেক্সট থেকে তৈরি এমন পরিবেশের কথা বলা হয়েছিল, যেগুলোতে চলাফেরা করা যায় এবং কয়েক মিনিট ধরে ধারাবাহিকতা বজায় থাকে। Project Genie-তে নতুন মডেলটি হলো Genie 4। একই সঙ্গে Google Genie 3-ও হালনাগাদ করেছে, যাতে দীর্ঘ সেশনসহ অন্যান্য সুবিধা রয়েছে।

18 ও 19 নভেম্বর কী পরিবর্তন হয়েছে?

18 নভেম্বরের হালনাগাদে Project Genie-তে Genie 4 যুক্ত করা হয়; সেই সঙ্গে যোগ হয় কথোপকথনভিত্তিক সৃজনশীল এজেন্ট এবং জগৎ শেয়ার ও নতুনভাবে সাজানোর গ্যালারি। কথোপকথনের মাধ্যমে কোনো বর্ণনাকে আরও বিকশিত পরিবেশে রূপ দিতে এজেন্টটি সাহায্য করে। গ্যালারিতে ব্যবহারকারীরা সৃষ্টিগুলো ঘুরে দেখতে পারেন এবং পরিবেশ, চরিত্র বা অডিও নিজেদের মতো করে বদলে নিতে পারেন।

Google জানিয়েছে, প্রাথমিক পরীক্ষকেরা তৈরি করা জগতের ভেতরে কী ঘটবে, সে বিষয়ে আরও নিয়ন্ত্রণ এবং সেগুলো তৈরি ও শেয়ার করার সহজ উপায় চেয়েছিলেন। Google DeepMind-এর গ্রুপ প্রোডাক্ট ম্যানেজার Diego Rivas এবং Google Labs-এর গ্রুপ প্রোডাক্ট ম্যানেজার Pavan Kumar কোম্পানির 18 নভেম্বরের ঘোষণায় লিখেছেন:

প্রাথমিক পরীক্ষকেরা আমাদের জানিয়েছেন, ওই জগৎগুলোর ভেতরে কী ঘটে সে বিষয়ে তাঁরা আরও বেশি নিয়ন্ত্রণ এবং সেগুলো তৈরি ও শেয়ার করার সহজ উপায় চান।

19 নভেম্বর Google Gemini API এবং Google AI Studio-এর মাধ্যমে ডেভেলপারদের জন্য Genie 4 উন্মুক্ত করে। তাঁরা টেক্সট বর্ণনা, রেফারেন্স ছবি অথবা দুটোই দিয়ে শুরু করতে পারেন, তারপর কিবোর্ডের নিয়ন্ত্রণ ও তাৎক্ষণিক প্রম্পট ব্যবহার করে দৃশ্য বদলাতে পারেন। ইন্টারঅ্যাকটিভ অভিজ্ঞতার প্রোটোটাইপ তৈরি, স্থানিক নকশার দৃশ্যায়ন এবং রোবোটিকস ও AI এজেন্টকে প্রশিক্ষণ দেওয়াকে Google সম্ভাব্য ব্যবহার হিসেবে উল্লেখ করেছে। তাদের ডেভেলপারদের জন্য ঘোষণায় বলা হয়েছে, প্রতিটি আউটপুটে চোখে না পড়ার মতো SynthID ওয়াটারমার্ক থাকে।

ডেভেলপারদের পরিষেবার বিষয়ে প্রকাশিত প্রযুক্তিগত তথ্যে বলা হয়েছে, স্ট্রিম করা আউটপুটের প্রতি সেকেন্ডের খরচ প্রায় 10 সেন্ট এবং সেশনের সীমা 120 সেকেন্ড। এই হিসাবে পূর্ণ দুই মিনিটের একটি সেশনে খরচ হবে প্রায় $12। এই সীমা ও খরচ ডেভেলপার API-এর ক্ষেত্রে প্রযোজ্য; Project Genie-তে Genie 4-এর জন্য একই ধরনের কোনো সেশন-সীমা Google প্রকাশ করেনি।

বিজ্ঞাপন

ওয়ার্ল্ড মডেল কীভাবে ভিডিও থেকে আলাদা

ভিডিও জেনারেটর সাধারণত দর্শকের দেখার জন্য একটি ধারাবাহিক দৃশ্য তৈরি করে। অন্যদিকে, কোনো ব্যক্তি চলাফেরা করলে বা দৃশ্য বদলালে ওয়ার্ল্ড মডেল পরবর্তী অংশ তৈরি করে। ব্যবহারকারী দরজার দিকে ঘুরলে বা বৃষ্টির অনুরোধ করলে, সেই কাজের প্রতিক্রিয়ায় এবং পরিবেশের সঙ্গে মানানসই নতুন ছবি সিস্টেমকে তৈরি করতে হয়।

তাই ধারাবাহিকতা বজায় রাখা একটি বড় চ্যালেঞ্জ। বিশ্বাসযোগ্য কোনো জগতে বস্তু ও চরিত্রের অবস্থান এবং পরিবেশের পরিবর্তন সম্পর্কে হিসাব রাখতে হয়। Google বলেছে, Genie 4 তাৎক্ষণিক সম্পাদনা ও পরিস্থিতির সঙ্গে মানিয়ে নেওয়া অডিও সমর্থন করে। একই সঙ্গে ক্যামেরার বিলম্ব, জটিল ভৌত মিথস্ক্রিয়া, নির্ভুল রিয়েল-টাইম অডিও এবং দীর্ঘ সময় ধরে দৃশ্য স্থিতিশীল রাখাকে Google এখনো যেসব ক্ষেত্রে কাজ করছে তার তালিকায় রেখেছে।

এই প্রযুক্তি কতটা এগিয়েছে, তা বুঝতে Genie 3 সহায়ক প্রেক্ষাপট দেয়। 2025 সালে Google DeepMind যখন এটি ঘোষণা করে, তখন মডেলটি 24 ফ্রেম প্রতি সেকেন্ডে এবং 720p-তে কয়েক মিনিট ধরে ধারাবাহিকতা বজায় রেখে জগৎ তৈরি করতে পারত। ঘোষিত সীমাবদ্ধতার মধ্যে ছিল ভৌগোলিক নির্ভুলতার ঘাটতি, স্পষ্ট লেখা দেখানোর অসুবিধা, সরাসরি নিয়ন্ত্রণের সীমিত পরিসর এবং স্বল্প সময়ের মিথস্ক্রিয়া। শুরুতে Google অল্পসংখ্যক শিক্ষাবিদ ও নির্মাতার কাছে সীমিত গবেষণা প্রিভিউ হিসেবে Genie 3 দিয়েছিল।

Google-এর বর্তমান হালনাগাদে Genie 3-এর সেশনের সময়সীমা 60 সেকেন্ড থেকে বাড়িয়ে প্রতিটি জেনারেশনে সর্বোচ্চ তিন মিনিট করা হয়েছে। ব্যবহারকারীরা জগৎগুলো যুক্ত করতে পারেন অথবা 360 ডিগ্রি প্যানোরামা দিয়ে শুরু করতে পারেন। এসব তথ্য Genie 3-এর ক্ষেত্রে প্রযোজ্য। ভোক্তাদের জন্য Genie 4-এর সেশনের সময়সীমা প্রকাশ করা হয়েছে—এমনটা ধরে নেওয়া উচিত নয়।

গেম তৈরিতে এটি কীভাবে কাজে লাগতে পারে?

গেম ডেভেলপারদের জন্য, প্রচলিত গেম ইঞ্জিনে সম্পূর্ণ পরিবেশ তৈরির আগে কোনো ধারণা পরীক্ষা করতে জেনারেট করা জগৎ সহায়ক হতে পারে। কোনো ডিজাইনার বিভিন্ন আলোর বিন্যাস, পটভূমি বা চরিত্রের চেহারা ঘুরে দেখতে পারেন, অথবা সহকর্মীদের একটি প্রাথমিক ধারণা দেখাতে পারেন। ডেভেলপার API দলগুলোকে প্রতিটি দৃশ্যমান উপাদান হাতে তৈরি না করেই ইন্টারঅ্যাকটিভ দৃশ্য নিয়ে পরীক্ষা করার সুযোগ দেয়।

এটি সম্পূর্ণ বাণিজ্যিক গেম তৈরির মতো নয়। গেম ইঞ্জিন হলো নির্ধারিত উপকরণ, নিয়ম ও নিয়ন্ত্রণসহ গেম তৈরি ও চালানোর সফটওয়্যার। ওয়ার্ল্ড মডেল প্রম্পট ও কাজের প্রতিক্রিয়ায় পরিবর্তনশীল দৃশ্য তৈরি করে। দুটি প্রযুক্তি একে অপরকে সহায়তা করতে পারে, তবে জেনারেট করা সিমুলেশন মানেই গেমের জন্য দরকারি পরীক্ষিত ব্যবস্থা, স্থিতিশীল পারফরম্যান্স বা সম্পূর্ণ নির্মাণ-সরঞ্জাম পাওয়া নয়।

Google-এর আগের অক্টোবরের প্রিভিউতে Genie 4-কে চলাফেরা, শব্দ ও পরিবর্তনশীল ঘটনাসহ ইন্টারঅ্যাকটিভ পরিবেশ তৈরির মডেল হিসেবে বর্ণনা করা হয়েছিল। পরবর্তী সংস্করণগুলোতে গ্রাহক ও ডেভেলপারদের জন্য ব্যবহার-সুবিধার পাশাপাশি জগৎ তৈরি ও শেয়ার করার সরঞ্জাম যোগ হয়েছে। ঘোষণাগুলো একসঙ্গে দেখায়, সীমিত গবেষণা প্রিভিউ থেকে ব্যবহারিক পরীক্ষার দিকে অগ্রসর হওয়া হচ্ছে—Google সম্পূর্ণ গেম ডেভেলপমেন্ট ব্যবস্থা উন্মোচন করেছে, এমন দাবি নয়।

বিজ্ঞাপন

Mahjong Ways-এর ক্ষেত্রে এর অর্থ কী

PG Soft-এর গেম Mahjong Ways-এর কাঠামো এমন কোনো উন্মুক্ত জগতের চেয়ে আলাদা, যা খেলোয়াড় ঘুরে দেখার সঙ্গে সঙ্গে বদলে যায়। এতে আছে ঘূর্ণায়মান রিল, মাহজং-থিমের প্রতীক, অ্যানিমেশন এবং Wild Transformation ও Free Spins-এর মতো নির্ধারিত ফিচার। এর গেমপ্লে ওই নির্দিষ্ট গেমের জন্য নকশা করা নিয়ম ও ফলাফলের ওপর নির্ভর করে।

তাত্ত্বিকভাবে, কোনো স্টুডিও দৃশ্যের ধারণা খতিয়ে দেখতে, প্রাথমিক অ্যানিমেশন পরীক্ষা তৈরি করতে বা বিভিন্ন পর্দার আকারে নকশাটি কেমন দেখায় তা যাচাই করতে জেনারেটিভ AI ব্যবহার করতে পারে। এগুলো গেম নির্মাণে AI-এর সম্ভাব্য ব্যবহার, PG Soft-এর নিশ্চিতভাবে করা ব্যবহার নয়। Mahjong Ways তৈরিতে কোম্পানিটি Project Genie বা Genie 4 ব্যবহার করে—এমন কোনো প্রমাণ নেই।

নির্ধারিত নিয়ম থাকা যেকোনো গেমের ক্ষেত্রেও সতর্ক প্রযুক্তিগত যাচাই দরকার। ফিচারগুলো পরিকল্পনামতো কাজ করছে কি না, ইন্টারফেস পড়তে সুবিধা হচ্ছে কি না এবং গেম নির্ভরযোগ্যভাবে চলছে কি না, তা ডিজাইনার ও প্রকৌশলীদের নিশ্চিত করতে হয়। ফলাফল যেখানে দৈবের ওপর নির্ভরশীল, সেখানে সিস্টেমের নিয়ম ও গাণিতিক আচরণ আলাদাভাবে পরীক্ষা করা দরকার। বিশ্বাসযোগ্য কোনো দৃশ্য তৈরি করতে পারা মডেল নিজে থেকেই গেমের এসব দিক যাচাই করে না।

পার্থক্যটা সহজ: Genie নির্দেশনা থেকে ইন্টারঅ্যাকটিভ পরিবেশ তৈরি করতে পারে, অন্যদিকে নির্দিষ্ট নকশা অনুসরণ করার জন্য একটি স্থির গেম তৈরি করা হয়। প্রাথমিক পর্যায়ের দৃশ্যগত পরীক্ষা দ্রুত করতে কোনো স্টুডিও AI ব্যবহার করতে পারে, তারপর গেমটি সম্পূর্ণ করতে নিজেদের নির্মাণ ও পরীক্ষার প্রক্রিয়ার ওপর নির্ভর করতে পারে।

প্রযুক্তিটির সীমাবদ্ধতা এখনো কোথায়

সময় গড়ানোর সঙ্গে সঙ্গে জেনারেট করা দৃশ্যের ধারাবাহিকতা নষ্ট হতে পারে। ক্যামেরা সরলে বস্তুর অবস্থান বদলে যেতে পারে বা সেগুলো দেখতে অন্য রকম লাগতে পারে, আর জটিল ভৌত মিথস্ক্রিয়া নির্ভরযোগ্যভাবে তৈরি করা এখনো কঠিন। কথাবার্তা ও লেখাও ভুল হতে পারে। গেমের ক্ষেত্রে এসব সমস্যা গুরুত্বপূর্ণ, কারণ খেলোয়াড়েরা আশা করেন, একটি বস্তু, চরিত্র বা নিয়ম এক মুহূর্ত থেকে আরেক মুহূর্তে একই রকম থাকবে।

Google বলেছে, Genie 3 কয়েক মিনিট ধরে মিথস্ক্রিয়া সমর্থন করে, ঘণ্টার পর ঘণ্টা নয়। Genie 4-এর ক্ষেত্রে দীর্ঘ সময় দৃশ্য স্থায়ী রাখা এবং নির্ভুল অডিওকে Google চলমান চ্যালেঞ্জ হিসেবে উল্লেখ করেছে, তবে ভোক্তা সংস্করণের সেশন-সীমা প্রকাশ করেনি। ডেভেলপারদেরও বিবেচনায় রাখতে হবে, ভালো দৃশ্যমান মান ও সুসংগত শব্দ থাকলেই সম্পূর্ণ গেমের যুক্তি বা মাননিয়ন্ত্রণ নিশ্চিত হয় না।

Google বলেছে, Project Genie নিরাপত্তার জন্য মডেলের ইনপুট ও আউটপুট যাচাই করে এবং তৈরি করা ভিডিও ও অডিওতে SynthID ওয়াটারমার্ক যোগ করে। Google-এর AI সরঞ্জামে তৈরি উপাদান শনাক্ত করার জন্য এই ওয়াটারমার্কের ব্যবস্থা। এসব ব্যবস্থা পণ্যের প্রযুক্তিগত সীমাবদ্ধতার পাশাপাশি রয়েছে; জেনারেট করা দৃশ্যে কী আছে, তা ব্যবহারকারী ও ডেভেলপারদের যাচাই করার প্রয়োজন এগুলো দূর করে না।

বিজ্ঞাপন

গুরুত্বপূর্ণ তারিখ

  • 5 আগস্ট, 2025: Google DeepMind Genie 3-কে একটি ইন্টারঅ্যাকটিভ ওয়ার্ল্ড মডেল হিসেবে ঘোষণা করে এবং সীমিত গবেষণা প্রিভিউ শুরু করে।

  • 27 অক্টোবর, 2026: Google DeepMind সীমিতসংখ্যক বিশ্বস্ত পরীক্ষকের কাছে Genie 4 উন্মোচন করে।

  • 18 নভেম্বর, 2026: যোগ্য Google AI Ultra গ্রাহকদের জন্য Project Genie-তে Genie 4 চালু হতে শুরু করে; AI Pro সদস্যরা অপেক্ষমাণ তালিকায় নাম লেখাতে পারেন।

  • 19 নভেম্বর, 2026: Google Gemini API এবং Google AI Studio-এর মাধ্যমে ডেভেলপারদের জন্য Genie 4 উন্মুক্ত করে।

যা জানা দরকার

  • Project Genie Google DeepMind-এর Genie 4 ব্যবহার করে টেক্সট প্রম্পট, ছবি ও ব্যবহারকারীর কাজ থেকে ইন্টারঅ্যাকটিভ জগৎ তৈরি করে।

  • 2026 সালের 18 নভেম্বর যোগ্য Google AI Ultra গ্রাহকদের জন্য Genie 4 ব্যবহারের সুযোগ দেওয়া হয়; পরের দিন ডেভেলপাররা API ব্যবহারের সুযোগ পান।

  • Google বলেছে, মডেলটি সিঙ্ক্রোনাইজড অডিওসহ 24 ফ্রেম প্রতি সেকেন্ডে 720p দৃশ্য তৈরি করতে পারে।

  • Genie 3-এর সেশন সর্বোচ্চ তিন মিনিট চলতে পারে, আর Genie 4-এর ভোক্তা সংস্করণের সেশন-সীমা Google প্রকাশ করেনি।

  • গেম তৈরির দলগুলোকে ধারণা পরীক্ষা করতে AI সহায়তা করতে পারে, তবে PG Soft Mahjong Ways-এর জন্য Genie 4 ব্যবহার করে—এমন কোনো প্রমাণ নেই।

  • দৃশ্যের স্থিতিশীলতা, জটিল মিথস্ক্রিয়া, অডিওর নির্ভুলতা এবং দীর্ঘ সেশন এখনো প্রযুক্তিগত চ্যালেঞ্জ।

এই নিবন্ধটি শেয়ার করুন

আপনার পছন্দ হতে পারে