দুই বছর আগেও ক্লায়েন্ট মিটিংয়ে প্রশ্ন আসত, "AI দিয়ে আদৌ কাজে লাগার মতো ছবি বানানো যায়?" এখন প্রশ্নটা পাল্টে গেছে — "মাসে কোনটার পেছনে টাকা ঢালব?" ধানমন্ডির একটা বুটিক পোশাকের ব্র্যান্ড, উত্তরার একটা রেস্টুরেন্ট আর ফাইভারে থাম্বনেইল বানানো একজন ডিজাইনার — এই তিনজনের উত্তর তিন রকম হওয়ার কথা। অথচ বাস্তবে তিনজনই একটা ইউটিউব রিভিউ দেখে একই টুলে সাবস্ক্রাইব করেন, তিন মাস পর বিরক্ত হয়ে ছেড়ে দেন, আর সিদ্ধান্তে আসেন যে "AI দিয়ে আসলে কিছু হয় না"। সমস্যাটা টুলের ছিল না, সমস্যাটা ছিল বাছাইয়ের।
ai image generation-এর বাজারে এখন অন্তত ছয়টা ইঞ্জিন গুরুত্বপূর্ণ, আর তাদের মধ্যে পার্থক্যটা "কোনটা সুন্দর ছবি বানায়" দিয়ে ধরা যায় না — সবগুলোই সুন্দর ছবি বানায়। পার্থক্যটা বেরিয়ে আসে যখন আপনি একই সোফার আটটা অ্যাঙ্গেল চান, বা ছবির ভেতরে ক্লায়েন্টের ব্র্যান্ড নাম নির্ভুলভাবে বসাতে চান, বা যখন কোনো ব্যাংকের মার্কেটিং টিম জিজ্ঞেস করে বসে — "এই ছবিটার কপিরাইট কার, ভাই?" নিচের তুলনাটা ঠিক সেই বাস্তব প্রশ্নগুলোর ওপর দাঁড় করানো।
যে চারটি প্রশ্নে আসল পার্থক্য ধরা পড়ে
টুল বাছাইয়ের আগে নিজের কাজটাকে এই চারটি মাপকাঠিতে ফেলে দেখুন। এগুলোর বাইরে বাকি সব ফিচার-আলোচনা মোটামুটি বিলাসিতা।
- নিয়ন্ত্রণ — ছবির ঠিক কোন জায়গায় কী থাকবে সেটা আপনাকে নির্দিষ্ট করতে হবে, নাকি "দেখতে ভালো কিছু একটা" হলেই কাজ চলে যাবে?
- পুনরাবৃত্তি — একই মডেল, একই প্রোডাক্ট, একই ব্র্যান্ড-লুক কি সপ্তাহের পর সপ্তাহ হুবহু ফিরিয়ে আনতে হবে?
- লেখা — ছবির ভেতরেই টেক্সট বসবে? ইংরেজি, নাকি বাংলা? (এই একটা প্রশ্ন অর্ধেক টুলকে বাদ দিয়ে দেয়।)
- লাইসেন্স — ছবিটা পেইড বিজ্ঞাপনে যাবে? ক্লায়েন্ট বড় প্রতিষ্ঠান হলে কপিরাইট আর ইনডেমনিটির প্রশ্ন উঠবেই।
Midjourney — চোখ ভালো, রাশ টানা কঠিন
Midjourney-র ডিফল্ট আউটপুট এখনও সবচেয়ে "দেখতে দামি"। মুড বোর্ড, ব্র্যান্ডের কী-ভিজ্যুয়াল, ম্যাগাজিন-ধাঁচের এডিটোরিয়াল ইমেজ — এসবে ওর সামনে কেউ নেই। বেসিক প্ল্যান মাসে ১০ ডলার (কার্ডে মোটামুটি ১,২০০–১,৩০০ টাকা), স্ট্যান্ডার্ড ৩০ ডলারে রিল্যাক্স মোডে কার্যত আনলিমিটেড জেনারেশন — যেটা ভলিউমে কাজ করা এজেন্সির জন্য আসল ভ্যালু। স্টাইল রেফারেন্স (--sref) দিয়ে একটা ভিজ্যুয়াল ভাষা লক করে ফেলা যায়, আর ওমনি/ক্যারেক্টার রেফারেন্স দিয়ে একই মুখ কয়েকটা ছবিতে ধরে রাখা যায়।
সমস্যা হলো, Midjourney-কে আপনার কথা শোনানো কঠিন। "বাঁ পাশে বোতল, ডান পাশে ফাঁকা জায়গা, উপরে ২০% মার্জিন" — এই ধরনের নির্দেশ ও অর্ধেক শোনে, বাকি অর্ধেক নিজের রুচিমতো করে। Vary Region দিয়ে ইন-পেইন্টিং আছে, কিন্তু ফটোশপের নিখুঁত নিয়ন্ত্রণ আশা করবেন না। আর পেমেন্ট: আন্তর্জাতিক কার্ড লাগবেই — বিকাশে হবে না। ডলার-এনডোর্স করা কার্ড, Payoneer, বা কোনো বিশ্বস্ত রিসেলার ছাড়া উপায় নেই, আর রিসেলার মানেই অ্যাকাউন্ট হারানোর ঝুঁকি।
ChatGPT-র ইমেজ মডেল — নির্দেশ বোঝে সবচেয়ে ভালো
লম্বা, প্যাঁচানো ব্রিফ ধরিয়ে দিলে সবচেয়ে বিশ্বস্তভাবে সেটা মেনে চলে OpenAI-র ইমেজ মডেল। "তিনটা প্রোডাক্ট পাশাপাশি, মাঝেরটা সামান্য বড়, নিচে ৩০% ফাঁকা জায়গা, ঠান্ডা নীল আলো" — এমন নির্দেশ ও বেশ ভালোভাবেই ধরে। কথোপকথনের মধ্যেই এডিট করা যায় ("লালটা মেরুন করো, ছায়া নরম করো"), ফলে ক্লায়েন্টের সঙ্গে বসে লাইভ রিভিশন দেওয়া যায় — এটা কম বড় সুবিধা নয়। ইংরেজি টেক্সটও মোটামুটি নির্ভুল আসে।
দুর্বলতা দুটো। এক, আউটপুটে একটা চেনা "AI-ঘরানার" মসৃণতা থেকে যায়; পঞ্চাশটা ছবি বানালে সবগুলোয় একই আলো, একই গ্লো। দুই, কনটেন্ট ফিল্টার কড়া — চেনা ব্র্যান্ডের লোগো, বাস্তব মানুষের চেহারা, এমনকি নিরীহ কিছু ফ্যাশন ব্রিফও আটকে যায়। ChatGPT Plus মাসে ২০ ডলার, আর API-তে ছবিপ্রতি খরচ কোয়ালিটি ও সাইজভেদে সেন্টের ঘরে — কম ভলিউমে API-ই সস্তা।
Flux — ফটোরিয়েলিজম আর টেক্সটের ভারসাম্য
Black Forest Labs-এর FLUX পরিবার গত দেড় বছরে পেশাদার কাজের ডিফল্ট হয়ে দাঁড়িয়েছে, বিশেষ করে ফটোরিয়েলিস্টিক প্রোডাক্ট আর লাইফস্টাইল শটে — ত্বকের টেক্সচার, কাপড়ের ভাঁজ, ধাতুর প্রতিফলন এসবে ও বাকিদের চেয়ে বিশ্বাসযোগ্য। FLUX.1 [schnell] অ্যাপাচি-২.০ লাইসেন্সে, অর্থাৎ বাণিজ্যিক ব্যবহারে ঝামেলা নেই। কিন্তু সাবধান: বেশি জনপ্রিয় FLUX.1 [dev] ওজন খোলা হলেও লাইসেন্স নন-কমার্শিয়াল — ক্লায়েন্টের কাজে ব্যবহার করতে চাইলে আলাদা কমার্শিয়াল লাইসেন্স বা হোস্টেড API লাগবে। এই একটা লাইন না পড়ে অনেক এজেন্সি ঝুঁকিতে বসে আছে।
Replicate বা fal.ai-এর মতো সেবার মাধ্যমে FLUX-এর প্রো ভার্সন ছবিপ্রতি কয়েক সেন্টে চালানো যায়, ফলে খরচ ঠিক কতটা হচ্ছে সেটা প্রতি ক্লায়েন্টের হিসাবের খাতায় বসানো যায় — সাবস্ক্রিপশনে যেটা কখনও পরিষ্কার হয় না। আর Kontext দিয়ে বিদ্যমান ছবি ধরে ধরে এডিট করা যায়, যেটা বাস্তব ক্লায়েন্ট-কাজের সিংহভাগ।
Stable Diffusion আর ComfyUI — খরচ শূন্য, সময় ব্যয়বহুল
খোলা ওজনের মডেল নিজের মেশিনে চালানোর আসল সুপারপাওয়ার সৌন্দর্য নয়, পুনরাবৃত্তি। আপনার ক্লায়েন্টের নির্দিষ্ট শাড়িটার ২৫-৩০টা ছবি দিয়ে একটা LoRA ট্রেইন করে ফেলুন — এরপর সেই একই শাড়ি যেকোনো প্রেক্ষাপটে, যেকোনো আলোয়, যতবার খুশি ফিরিয়ে আনতে পারবেন। ControlNet দিয়ে পোজ বা লেআউট হুবহু চাপিয়ে দেওয়া যায়। কোনো ক্লাউড টুল এই মাত্রার নিয়ন্ত্রণ দেয় না।
দাম দিতে হয় সময়ে। ComfyUI-র নোড-গ্রাফ শিখতে আন্তরিকভাবে ৪০–৫০ ঘণ্টা যাবে। GPU লাগবে — ঢাকার মার্কেটে সেকেন্ডহ্যান্ড RTX 3060 12GB এখনও ৩০–৩৫ হাজার টাকার আশেপাশে, আর সেটাই এই কাজের বাস্তব প্রবেশদ্বার। এরপর বিদ্যুৎ, গরমে থার্মাল থ্রটলিং, লোডশেডিংয়ের সময় হঠাৎ বন্ধ হয়ে যাওয়া রেন্ডার — এগুলো হিসাবের বাইরে রাখবেন না।
Ideogram আর Recraft — যখন ছবির চেয়ে লেখাটা জরুরি
একটা "ঈদ অফার: ৩০% ছাড়" পোস্টার যদি বানাতে হয়, যেখানে ইংরেজি লেখাটা নিখুঁত আসতে হবে, তাহলে Ideogram-এর ধারেকাছে কেউ নেই — টাইপোগ্রাফিকে ও ছবির অংশ হিসেবেই ভাবে। আর Recraft-এর বিশেষত্ব হলো ও ভেক্টর (SVG) আউটপুট দেয়, ফলে আইকন সেট, লোগোর প্রাথমিক খসড়া বা ইলাস্ট্রেশন সিস্টেম বানিয়ে সরাসরি Figma-তে টেনে এনে এডিট করা যায়। র্যাস্টার ছবি আপস্কেল করার ঝামেলাই থাকে না।
Adobe Firefly — যখন ক্লায়েন্টের লিগ্যাল টিম প্রশ্ন করে
Firefly-র আউটপুটের সিলিং বাকিদের চেয়ে নিচু, এটা অস্বীকার করে লাভ নেই। কিন্তু ওর বিক্রির যুক্তিটা শিল্পসম্মত নয়, আইনি — লাইসেন্সপ্রাপ্ত কনটেন্টে ট্রেইন করা, আর এন্টারপ্রাইজ প্ল্যানে অ্যাডোবি কপিরাইট ইনডেমনিফিকেশন দেয়। যখন ক্লায়েন্ট কোনো ব্যাংক, টেলকো বা মাল্টিন্যাশনাল, আর তাদের কমপ্লায়েন্স টিম লিখিত নিশ্চয়তা চায়, তখন "Midjourney দিয়ে বানিয়েছি" বলে পার পাওয়া যায় না। তার ওপর Photoshop-এর Generative Fill-এ এটা সরাসরি বসানো, ফলে ডিজাইনারের হাতের কাছেই থাকে।
টাকার অঙ্কে এক বছরের হিসাব
বছরে খরচটা টাকায় দাঁড় করালে সিদ্ধান্ত সহজ হয়। Midjourney বেসিক: বছরে প্রায় ১৫,০০০ টাকা। ChatGPT Plus: প্রায় ৩০,০০০ টাকা। FLUX API-তে ছবিপ্রতি গড়ে ৪ সেন্ট ধরলে মাসে ৩০০ ছবি মানে ১২ ডলার — বছরে ১৮,০০০ টাকার কম, আর ব্যবহার না করলে খরচও নেই। বিপরীতে একটা RTX 3060: এককালীন ৩২,০০০ টাকা, তারপর কার্যত অসীম ছবি। ভলিউম যদি মাসে ৫০০ ছবি ছাড়ায়, GPU আট-দশ মাসেই নিজের দাম তুলে ফেলে।
কিন্তু হিসাবের মধ্যে একটা খরচ প্রায় সবাই বাদ দেয় — শেখার সময়। ৪৫ ঘণ্টা শেখা মানে, আপনার ঘণ্টা যদি ৫০০ টাকাও হয়, তাহলে ২২,৫০০ টাকার সুযোগ-ব্যয়। সেই কারণেই কম ভলিউমের ফ্রিল্যান্সারের জন্য লোকাল সেটআপ প্রায়ই খারাপ সিদ্ধান্ত, যদিও কাগজে-কলমে "ফ্রি"।
বাংলা লেখা: এখনও কোনো মডেল পারে না
এটা সোজাসুজি বলে রাখা ভালো, কারণ এখানে কেউ সৎ থাকে না। ২০২৬-এ এসেও কোনো মেইনস্ট্রিম ইমেজ মডেল বাংলা যুক্তাক্ষর ঠিকমতো লিখতে পারে না — "ক্ষ", "ঙ্গ", "ত্র" ভেঙেচুরে এমন কিছু আসে যা দেখতে বাংলার মতো, পড়া যায় না। কেউ যদি দাবি করে তার প্রম্পট দিয়ে বাংলা টেক্সট নিখুঁত আসছে, ছবিটা জুম করে দেখুন।
পেশাদার সমাধানটা সহজ: ছবি জেনারেট করুন লেখা ছাড়া, কিন্তু ইচ্ছাকৃতভাবে ফাঁকা জায়গা (নেগেটিভ স্পেস) রেখে। তারপর Canva, Figma বা Photoshop-এ Li Ador Noirrit, Kalpurush বা Hind Siliguri দিয়ে বাংলা টাইপ বসান। প্রতিটি এজেন্সি ঠিক এটাই করে — শুধু বলে না।
কোন কাজে কোন ইঞ্জিন
- Midjourney বেছে নিন — যদি আপনি ব্র্যান্ড ভিজ্যুয়াল, মুড বোর্ড বা ক্যাম্পেইনের "লুক" বিক্রি করেন এবং প্রতিটি ছবিতে পিক্সেল-লেভেল নিয়ন্ত্রণ আপনার দরকার নেই।
- ChatGPT-র ইমেজ মডেল বেছে নিন — যদি আপনার ব্রিফ লম্বা ও নির্দিষ্ট হয়, ক্লায়েন্টের সামনে বসে রিভিশন দিতে হয়, আর আপনি একই সাবস্ক্রিপশনে লেখা-গবেষণাও সারতে চান।
- Flux (হোস্টেড API) বেছে নিন — যদি ফটোরিয়েলিস্টিক প্রোডাক্ট বা লাইফস্টাইল শট লাগে এবং আপনি প্রতি ক্লায়েন্টের বিলে ছবিপ্রতি খরচ বসাতে চান।
- Stable Diffusion লোকালি বেছে নিন — যদি মাসে ৫০০+ ছবি লাগে, একই প্রোডাক্ট বা মুখ বারবার ফেরাতে হয়, অথবা ক্লায়েন্টের ছবি বাইরের সার্ভারে পাঠানো নিষেধ।
- Ideogram বা Recraft বেছে নিন — যদি আসল কাজটা টাইপোগ্রাফি-নির্ভর পোস্টার, আইকন সেট বা ভেক্টর ইলাস্ট্রেশন হয়।
- Firefly বেছে নিন — যদি ক্লায়েন্ট নিয়ন্ত্রিত খাতের (ব্যাংক, বিমা, টেলকো) হয় এবং লিখিত আইনি সুরক্ষা চুক্তির শর্ত হয়।
আমাদের চূড়ান্ত সুপারিশ
বাংলাদেশের বেশিরভাগ ফ্রিল্যান্সার আর ছোট এজেন্সির জন্য সবচেয়ে যুক্তিসঙ্গত কম্বিনেশন হলো: একটা ChatGPT Plus সাবস্ক্রিপশন (২০ ডলার, যা ছবি ছাড়াও দশটা কাজে লাগে) + প্রয়োজনমতো FLUX API — মাসে সব মিলিয়ে ৩,৫০০ টাকার নিচে থেকেও পেশাদার মানের ডেলিভারি সম্ভব। এরপর যখন আপনার কাজের ভলিউম মাসে ৫০০ ছবি ছাড়াবে বা ক্লায়েন্ট "একই মডেল, নতুন কালেকশন" চাইতে শুরু করবে — তখন GPU কিনে ComfyUI-তে নামুন। আর Midjourney যোগ করুন তৃতীয় ধাপে, যখন ক্লায়েন্ট আসলে ছবি নয়, একটা "লুক" কিনছে। উল্টো ক্রমে গেলে টাকা আর সময় দুটোই নষ্ট হয়।
কপিরাইট, খরচ আর দারাজ — যা সবাই জানতে চান
AI দিয়ে বানানো ছবি কি বাণিজ্যিকভাবে ব্যবহার করা যায়? ব্যবহার করা যায়, কিন্তু "আমার একচেটিয়া কপিরাইট" দাবি করাটা আলাদা ব্যাপার। যুক্তরাষ্ট্রের কপিরাইট অফিসের অবস্থান হলো — শুধুমাত্র মেশিনের বানানো ছবিতে মানবিক লেখকত্ব নেই, তাই সেটা কপিরাইটযোগ্য নয়; তবে আপনি যদি উল্লেখযোগ্য সম্পাদনা, বিন্যাস ও নির্বাচন করেন, সেই অংশটুকু সুরক্ষা পেতে পারে। ব্যবহারিক অর্থে: আপনার নিজের বা ক্লায়েন্টের মার্কেটিংয়ে নির্দ্বিধায় ব্যবহার করুন, কিন্তু লোগো বা এমন কিছু বানাবেন না যেটার একচেটিয়া মালিকানা ভবিষ্যতে আদালতে দাঁড় করাতে হতে পারে।
ক্লায়েন্টকে জানানো উচিত যে ছবিটা AI দিয়ে বানানো? হ্যাঁ, এবং সেটা চুক্তিতেই লিখে রাখুন। লুকিয়ে রাখলে যেদিন ধরা পড়বে সেদিন প্রশ্নটা ছবির মান নিয়ে থাকবে না, আপনার সততা নিয়ে থাকবে। বেশিরভাগ ক্লায়েন্ট আপত্তি করেন না — তাঁরা শুধু আগে জানতে চান।
দারাজে প্রোডাক্ট লিস্টিংয়ের ছবি AI দিয়ে বানানো যাবে? মূল প্রোডাক্ট ছবি নয়। যে ছবিটা দেখে ক্রেতা কিনছেন সেটা যদি বাস্তব প্রোডাক্টের সঙ্গে না মেলে, রিটার্ন আর এক-তারা রিভিউতে আপনার স্টোর ডুববে — কোনো মার্কেটপ্লেস পলিসিও এটা সহ্য করে না। তবে লাইফস্টাইল ব্যানার, ক্যাটাগরি কভার, ফেসবুক অ্যাডের ক্রিয়েটিভ — এসবে AI ব্যবহারে কোনো সমস্যা নেই। আসল প্রোডাক্টটা ফোনে শুট করে AI দিয়ে ব্যাকগ্রাউন্ড ও আলো ঠিক করে নেওয়াটাই সবচেয়ে কার্যকর মধ্যপথ।
ফ্রি টুল দিয়ে কি পেশাদার কাজ চালানো যায়? শেখার জন্য অবশ্যই — Google AI Studio, Krea বা Leonardo-র দৈনিক ফ্রি ক্রেডিটে হাত পাকানো যায়, আর নিজের GPU থাকলে ComfyUI পুরোপুরি বিনামূল্যে। কিন্তু ক্লায়েন্ট ডেলিভারিতে তিনটে জায়গায় আটকাবেন: ওয়াটারমার্ক, কম রেজোলিউশন, আর ফ্রি টায়ারের নন-কমার্শিয়াল শর্ত। মাসে ১,২০০ টাকার একটা প্ল্যান এই তিনটে সমস্যাই মিটিয়ে দেয়।
স্ট্যাক অ্যালিক্সে আমরা প্রতিদিন এই ইঞ্জিনগুলো দিয়েই ক্লায়েন্টের ক্যাম্পেইন ভিজ্যুয়াল, প্রোডাক্ট শট আর ওয়েবসাইটের ইমেজারি বানাই — তাই কোন কাজে কোনটা ভেঙে পড়ে সেটা আমরা হাতে-কলমে জানি। আপনার ব্র্যান্ডের জন্য কোন সেটআপটা যুক্তিসঙ্গত, সেটা নিয়ে দুই মিনিট কথা বলতে চাইলে নির্দ্বিধায় নক করুন।