AI ইমেজ জেনারেশন-এ যে ভুলগুলো সবাই করে — আপনি করবেন না

প্রায় প্রতি সপ্তাহেই আমাদের ইনবক্সে এই ধরনের একটা মেসেজ আসে: “ভাই, ক্লায়েন্ট চল্লিশটা ছবির মধ্যে আটত্রিশটাই ফেরত পাঠিয়েছে, বলছে এগুলো নাকি AI-এর মতো দেখাচ্ছে — কিন্তু ঠিক কেন দেখাচ্ছে সেটা তো বলছে না।” গত মাসে ঢাকার এক ফ্রিল্যান্সারের ক্ষেত্রে ঠিক এটাই ঘটেছিল। কাজটা ছিল একটা রেস্টুরেন্ট চেইনের ফেসবুক ক্যাম্পেইনের ভিজ্যুয়াল। ছবিগুলো দেখতে চোখজুড়ানো ছিল, প্রম্পটগুলোও যত্ন করে লেখা। সমস্যা ছিল একেবারে অন্য জায়গায় — আর সেই সমস্যাগুলো এতটাই সাধারণ যে ai image generation নিয়ে কাজ করা প্রায় সবাই কোনো না কোনো পর্যায়ে একই গর্তে পড়েন। তাই এই লেখাটা টিপসের কোনো তালিকা নয়; এটা সাজানো হয়েছে ঠিক সেই প্রশ্নগুলো ঘিরে, যেগুলো মানুষ সত্যিই করে।

“দেখলেই সবাই বুঝে ফেলে ছবিটা AI — সমস্যাটা ঠিক কোথায়?”

উত্তরটা আপনার প্রম্পটে নয়, মডেলের ডিফল্ট অভ্যাসে। বেশিরভাগ মডেল এমনভাবে ট্রেন করা যাতে সে “সুন্দর” ছবি বানায় — “বিশ্বাসযোগ্য” ছবি নয়। ফলে না চাইতেই আপনি পেয়ে যান নিখুঁত সিমেট্রি, প্লাস্টিকের মতো মসৃণ ত্বক, সোনালি রিম-লাইট আর এত বেশি ব্যাকগ্রাউন্ড ব্লার যে ছবিটাকে পৃথিবীর কোনো বাস্তব ঘরের মনে হয় না। দর্শকের চোখ এই অতিরিক্ত পারফেকশনটাই ধরে ফেলে, যদিও ভাষায় বলতে পারে না কোথায় গোলমাল।

যে জিনিসগুলো সবচেয়ে আগে ধরা পড়ে, সেগুলো চিনে রাখুন:

• আলো একদম নিখুঁত — বাস্তব ঘরে তিন দিক থেকে সমান আলো কখনো পড়ে না। জানালার আলো একদিকে পড়ে, বাকি অংশটা ছায়ায় ডুবে থাকে।
• স্কেল সামান্য গোলমেলে — চায়ের কাপটা প্লেটের তুলনায় একটু বড়, চামচটা একটু ছোট। আলাদা করে চোখে পড়ে না, কিন্তু পুরো ছবিটা মিলিয়ে “ভুয়া” লাগে।
• কোনো পৃষ্ঠেই টেক্সচার নেই — কাঠের টেবিলে দাগ নেই, দেয়ালে ফাটল নেই, গ্লাসে আঙুলের ছাপ নেই।
• আলোর উৎস আর ছায়া মেলে না — আলো আসছে বাঁ দিক থেকে, অথচ ছায়া পড়েছে ঠিক পেছনে।

সমাধানটা শুনতে উল্টো লাগবে: মডেলকে অসম্পূর্ণতা চাইতে বলুন। প্রম্পটে ক্যামেরার ভাষা ঢোকান — 35mm লেন্স, f/2.8, বাঁ পাশের একটামাত্র জানালার আলো, হালকা গ্রেইন, অসমান ছায়া। তারপর দৃশ্যে ছোট ছোট বাস্তবতা যোগ করুন: টেবিলে এলোমেলো একটা ন্যাপকিন, গ্লাসের গায়ে পানির দাগ, কাপের কিনারায় সামান্য চা লেগে থাকা। এই তুচ্ছ নির্দেশগুলোই ছবিটাকে স্টক-ফটোর কৃত্রিম জগৎ থেকে টেনে একটা সত্যিকারের ঘরে নামিয়ে আনে।

“কোন টুল বেছে নেব, আর কোনটায় টাকা নষ্ট হবে?”

টুলের অভাব নেই — অভাব সিদ্ধান্তের। নতুনরা সবচেয়ে বেশি যে ভুলটা করেন সেটা হলো একসাথে চার-পাঁচটা সাবস্ক্রিপশন কিনে ফেলা। মাস শেষে সাড়ে তিন থেকে সাড়ে চার হাজার টাকা বেরিয়ে যায়, অথচ কোনো একটা টুলেও হাত পাকে না। বাস্তবতা হলো, কাজের ধরন অনুযায়ী টুল আলাদা, আর একজন মানুষের সব ধরনের কাজ থাকে না:

• Midjourney — মুড, এডিটোরিয়াল আর কনসেপ্ট ভিজ্যুয়ালে এখনো সবচেয়ে কম পরিশ্রমে সবচেয়ে ভালো ফল দেয়। বেসিক প্ল্যান মাসে ১০ ডলারের আশপাশে।
• Flux (Replicate বা Fal-এর মাধ্যমে) — প্রতি ছবির খরচ পয়সার হিসাবে, তাই বাল্ক কাজ বা অটোমেশনের জন্য আদর্শ। রিয়ালিস্টিক মানুষ আর প্রোডাক্ট শটে বেশ শক্তিশালী।
• Ideogram — ছবির ভেতরে ইংরেজি লেখা বসাতে হলে (পোস্টার, প্যাকেজিং মকআপ, সাইনবোর্ড) এটার বিকল্প এখনো কম।
• Adobe Firefly — মানের দিক থেকে সবার ওপরে নয়, কিন্তু ক্লায়েন্ট লাইসেন্সিং নিয়ে প্রশ্ন তুললে উত্তরটা সহজে দেওয়া যায়।

একটা টুলে দুইশো ছবি বানিয়ে আপনি যা শিখবেন, পাঁচটা টুলে চল্লিশটা করে বানিয়ে তার অর্ধেকও শিখবেন না। প্রথম তিন মাস একটাতেই লেগে থাকুন।

“ছবির ভেতরে বাংলা লেখা এত বাজে আসে কেন?”

বাংলাদেশি কাজের ক্ষেত্রে এটাই সবচেয়ে বড় প্র্যাকটিক্যাল দেয়াল, আর সৎ উত্তর হলো — এর কোনো ভালো প্রম্পট-সমাধান নেই। ইংরেজি টেক্সট আজকাল অনেক মডেল মোটামুটি ঠিকঠাক লিখে ফেলে, কিন্তু বাংলার যুক্তাক্ষর, রেফ, হসন্ত — এগুলো মডেল ভাষা হিসেবে লেখে না, অক্ষরের আকৃতি হিসেবে “আঁকে”। ফলে “স্বাগতম” হয়ে দাঁড়ায় এমন কিছু, যা দেখতে বাংলার মতো অথচ পড়া যায় না। ঈদের ব্যানারে এই ভুল একবার ছাপা হয়ে গেলে সেই ক্লায়েন্ট আপনাকে দ্বিতীয়বার ডাকবেন না।

কাজের নিয়ম একটাই: লেখা কখনো জেনারেট করাবেন না, কম্পোজ করবেন। প্রম্পটে বলে দিন যেন ছবির ওপরে বা এক পাশে ফাঁকা জায়গা থাকে, তারপর সেই ছবিটা Canva বা Figma-তে নিয়ে আসল বাংলা ফন্টে — Li Ador Noirrit বা SolaimanLipi — লেখাটা বসান। বাড়তি লাভ: তিন দিন পর ক্লায়েন্ট যখন বানান বা অফারের শতাংশ বদলাতে বলবেন, তখন পুরো ছবি নতুন করে বানাতে হবে না, শুধু টেক্সট লেয়ারটা এডিট করলেই চলবে।

“আমি যে পণ্যটা বিক্রি করছি, তার AI ছবি ব্যবহার করা যাবে?”

এখানে একটা স্পষ্ট লাইন টানা দরকার, কারণ এটা শুধু রুচির প্রশ্ন নয় — ব্যবসার প্রশ্ন। Daraz বা ফেসবুক পেজে যদি এমন একটা কুর্তির ছবি দেন যেটা পুরোটাই AI-এর বানানো, আর কাস্টমারের হাতে পৌঁছানো পণ্যের রং, কাট বা কাপড় সেটার সাথে না মেলে, তাহলে যা হবে: রিটার্ন রেট বাড়বে, রিভিউতে “ছবির সাথে মিল নেই” জমতে থাকবে, আর কিছু ক্ষেত্রে পেজ রিপোর্ট পর্যন্ত গড়াবে। একটা রিটার্নের কুরিয়ার খরচ আর কাস্টমার কেয়ারে কাটানো সময় মিলিয়ে যা ক্ষতি হয়, ফটোশুটে সেটুকু বাঁচানোর চেষ্টাটা তার চেয়ে অনেক সস্তা হয়ে যায়।

ভাগটা এভাবে মনে রাখুন — নিরাপদ: ব্যাকগ্রাউন্ড, লাইফস্টাইল সিন, ব্যানার আর্ট, সোশ্যাল ক্যাম্পেইনের মুড ইমেজ, ব্লগ হেডার, আর ক্লায়েন্টকে দেখানোর কনসেপ্ট মকআপ। ঝুঁকিপূর্ণ: কাস্টমার হাতে যে পণ্যটা পাবে তার আসল চেহারা, রেস্টুরেন্টের প্রকৃত পরিবেশন, রিয়েল এস্টেটের বাস্তব রুম, আর মানুষের টেস্টিমোনিয়াল ছবি। শেষেরটা শুধু ঝুঁকিপূর্ণ নয়, সরাসরি প্রতারণা।

“ক্লায়েন্টকে কি বলা উচিত ছবিটা AI দিয়ে বানানো?”

হ্যাঁ, এবং লিখিতভাবে। এ পর্যন্ত যত ঝামেলা দেখেছি তার প্রায় সবই তথ্য গোপন করা থেকে এসেছে — ক্লায়েন্ট ছয় মাস পর কোনোভাবে জেনে ফেলেছেন এবং টাকা ফেরত চেয়েছেন। প্রপোজালে একটা লাইনই যথেষ্ট: এই ভিজ্যুয়ালগুলো জেনারেটিভ AI দিয়ে তৈরি এবং কমার্শিয়াল লাইসেন্সের আওতায় সরবরাহ করা হচ্ছে। সাথে নিজেও তিনটা জিনিস জেনে নিন — কোন টুল কী লাইসেন্স দেয়, ফ্রি টায়ারে বানানো ছবি কমার্শিয়ালি ব্যবহার করা যায় কি না (Midjourney-র ট্রায়ালে যায় না), আর ক্লায়েন্ট বড় ব্র্যান্ড হলে তাদের নিজস্ব AI-পলিসি আছে কি না। এই তিনটা প্রশ্নের উত্তর জানা থাকলে আপনি পেশাদার; না জানলে আপনি ঝুঁকি।

“একই লুক দশটা ছবিতে ধরে রাখব কীভাবে?”

প্রতিবার নতুন করে প্রম্পট লিখে দশটা আলাদা ছবি বানানো — এটাই সবচেয়ে বড় সময়নষ্টের ভুল। ধারাবাহিকতা প্রম্পটের জোরে আসে না, রেফারেন্সের জোরে আসে। প্রথম ছবিটা পছন্দ হলে তার seed নম্বরটা টুকে রাখুন। Midjourney-তে স্টাইল রেফারেন্স দিয়ে লুকটা আটকে দিন। একই ক্যারেক্টার বারবার দরকার হলে ক্যারেক্টার রেফারেন্স ব্যবহার করুন, নয়তো ছোট একটা LoRA ট্রেন করে নিন। ব্র্যান্ডের কাজে আমরা একটা “স্টাইল কার্ড” বানিয়ে রাখি — লেন্স, লাইট, কালার প্যালেট, মুড — আর প্রতিটা প্রম্পটে হুবহু সেই ব্লকটা কপি করি। ফল হলো, ক্যাম্পেইনের বিশটা ছবিকে একই ফটোশুটের তোলা মনে হয়।

“৪ মেগাপিক্সেলের ছবি বিলবোর্ডে দিলে কী হয়?”

ভেঙে যায়। জেনারেট হওয়া ছবি সাধারণত ১০২৪ থেকে ২০৪৮ পিক্সেলের ঘরে থাকে — ফেসবুক পোস্টে ঝকঝকে, কিন্তু তিন ফুট বাই ছয় ফুট ব্যানারে দানাদার। প্রিন্টের কাজ হাতে এলে ডেলিভারির আগেই আপস্কেল করে নিন (Topaz Gigapixel, Magnific, বা মডেলের নিজস্ব আপস্কেলার), আর ৩০০ DPI ধরে ফাইনাল সাইজটা আগে থেকেই হিসাব করে রাখুন। আর মনে রাখবেন, আপস্কেলার জাদুকর নয় — মুখের ডিটেইল, ছোট লেখা আর হাতের আঙুল আপস্কেলের পরে আরও একবার চোখ বুলিয়ে দেখুন, কারণ ওখানেই সে সবচেয়ে বেশি নতুন ভুল বানায়।

আরও কয়েকটা প্রশ্ন, ছোট উত্তরে

• ফ্রি টুল দিয়ে ক্লায়েন্টের কাজ করা যাবে? কারিগরিভাবে যাবে, আইনিভাবে সবসময় নয়। বেশিরভাগ ফ্রি টায়ারে কমার্শিয়াল ব্যবহারের অনুমতি থাকে না, অথবা আপনার বানানো ছবিটা পাবলিক গ্যালারিতে চলে যায় — ক্লায়েন্টের আনরিলিজড ক্যাম্পেইনের জন্য যা আত্মহত্যার সমান।
• বাংলাদেশ থেকে পেমেন্ট করব কীভাবে? সরাসরি bKash দিয়ে এই সাবস্ক্রিপশনগুলো হয় না। ব্যাংকের এন্ডোর্সমেন্ট করানো ডুয়াল-কারেন্সি কার্ড, অথবা Payoneer বা Wise-এর কার্ড — এই দুটোই সবচেয়ে নির্ভরযোগ্য পথ। ফ্রিল্যান্সিং ইনকাম থাকলে Payoneer কার্ড দিয়েই প্রায় সব টুল সাবস্ক্রাইব হয়ে যায়।
• AI ছবির কপিরাইট কার? টুলের লাইসেন্স আপনাকে ব্যবহারের অধিকার দেয়, কিন্তু বহু দেশে সম্পূর্ণ AI-জেনারেটেড ছবির ওপর কপিরাইট দাবি করা কঠিন। অর্থাৎ অন্য কেউ প্রায় একই ছবি বানিয়ে ফেললে আপনি তাকে আটকাতে পারবেন না। ব্র্যান্ডের লোগো বা মূল অ্যাসেট হলে AI-কে শুধু বেস হিসেবে ব্যবহার করে ওপরে নিজের ডিজাইনের কাজ যোগ করুন।
• ভালো হতে কত সময় লাগে? প্রম্পটের বেসিক দুই সপ্তাহেই চলে আসে। কিন্তু ক্লায়েন্টের ব্রিফ পড়ে সেটাকে সঠিক ভিজ্যুয়ালে নামিয়ে আনা — এই জিনিসটা তিন-চার মাসের নিয়মিত কাজ ছাড়া আসে না। রোজ দশটা ছবি, টানা তিন মাস: এটুকুই আসলে যথেষ্ট।

এই ভুলগুলোর একটাও শেখার অভাব থেকে হয় না — হয় তাড়াহুড়ো থেকে। মডেল সেকেন্ডে ছবি দেয় বলে আমরা ধরে নিই সিদ্ধান্তগুলোও সেকেন্ডে নেওয়া যায়, অথচ কোন ছবিটা কোথায় ব্যবহার করা যাবে সেই ভাবনাটা আগের মতোই ধীর কাজ।

Stack Alix-এ আমরা ব্র্যান্ড ক্যাম্পেইন আর প্রোডাক্ট ভিজ্যুয়ালে AI-কে টুল হিসেবে ব্যবহার করি, শর্টকাট হিসেবে নয়। আপনার ব্যবসার ভিজ্যুয়াল নিয়ে আটকে থাকলে একবার কথা বলুন — কোন কাজটায় AI সত্যিই কাজে দেবে আর কোনটায় ক্যামেরার বিকল্প নেই, সেটা আমরা সৎভাবেই বলে দেব।