“ভাই, একটা রোডম্যাপ দেন” — এই মেসেজটা আমরা সপ্তাহে অন্তত পাঁচবার পাই। কিন্তু বেশিরভাগ মানুষ যেটা চান সেটা রোডম্যাপ নয়, একটা ইউটিউব প্লেলিস্ট। পার্থক্যটা হলো, প্লেলিস্ট শেষ হলে আপনার মনে হবে আপনি অনেক কিছু জানেন; রোডম্যাপ শেষ হলে আপনার হাতে কাজ দেখানোর মতো জিনিস থাকবে। ai image generation শেখার পথটা আসলে ছোট — জটিলতা যতটা মনে হয় তার চেয়ে কম — কিন্তু ধাপগুলোর ক্রম উল্টে গেলে মানুষ ছয় মাস ঘুরে একই জায়গায় দাঁড়িয়ে থাকে। নিচে সেই প্রশ্নগুলোই সেই ক্রমে সাজানো, যে ক্রমে সেগুলো আসলে মাথায় আসে।
“শুরু করতে কী কী লাগবে? দামি ল্যাপটপ? GPU?”
প্রথম তিন মাসে কিচ্ছু লাগবে না, এবং এই একটা ভুল ধারণাই সবচেয়ে বেশি মানুষকে শুরুর আগেই থামিয়ে দেয়। অনেকে ভাবেন RTX 4070 ছাড়া এই লাইনে ঢোকা যায় না, তারপর দেড় লাখ টাকার হিসাব কষে হাল ছেড়ে দেন। বাস্তবে সব বড় মডেল এখন ক্লাউডে চলে — আপনার ল্যাপটপ শুধু ব্রাউজার চালাতে পারলেই যথেষ্ট।
যা সত্যিই দরকার: একটা টুলের সবচেয়ে সস্তা পেইড প্ল্যান (মাসে ১০ ডলার, অর্থাৎ ১,২০০ টাকার আশপাশে), পেমেন্টের জন্য একটা এন্ডোর্স করা ডুয়াল-কারেন্সি কার্ড বা Payoneer কার্ড, আর দিনে দেড় ঘণ্টা সময়। GPU-র প্রশ্নটা মাস চারেক পরে আসবে, এবং তখন উত্তরটাও বদলে যাবে — সেই কথায় পরে আসছি।
“প্রথম দুই সপ্তাহে ঠিক কী করব?”
একটা টুল বাছুন এবং একটাই বিষয় বাছুন। এই দুটো সীমাবদ্ধতাই আপনার আসল ত্বরণ। বেশিরভাগ শিক্ষানবিশ প্রথম সপ্তাহে বিড়াল, নভোচারী, সাইবারপাংক শহর আর তেলরঙা পোর্ট্রেট — সব বানিয়ে ফেলেন, আর ফলাফল হয় দুইশো এলোমেলো ছবি যা থেকে কোনো শিক্ষা তৈরি হয় না। বদলে, দুই সপ্তাহ ধরে শুধু একটা জিনিস বানান — ধরুন, টেবিলে রাখা এক কাপ চা।
শুনতে বিরক্তিকর, কিন্তু এখানেই শেখা হয়। একই দৃশ্য বারবার বানাতে গিয়ে আপনি প্রতিবার একটা করে ভেরিয়েবল বদলাবেন — আলো, লেন্স, অ্যাঙ্গেল, সময়, মুড — আর কোন শব্দটা ছবির কোথায় হাত দেয় সেটা হাতে হাতে বুঝে ফেলবেন। দুইশো ছবি এলোমেলো বিষয়ে বানালে আপনি কেবল টুলটা চালাতে শেখেন; দুইশো ছবি এক বিষয়ে বানালে আপনি নিয়ন্ত্রণ করতে শেখেন। এই দুটোর ফারাক ক্লায়েন্টের চোখে ধরা পড়ে।
“প্রম্পট শেখা মানে আসলে কী শেখা?”
প্রম্পট কোনো গোপন কোড নয়, আর ইন্টারনেটে বিক্রি হওয়া “৫০০০ ম্যাজিক প্রম্পট” প্যাকগুলো কার্যত অকেজো — কারণ সেগুলো আপনার দৃশ্যের জন্য লেখা হয়নি। প্রম্পট আসলে একটা কাঠামো, ছয়টা স্লট, আর সেগুলো একবার মাথায় বসে গেলে আপনি যেকোনো দৃশ্য নিজে লিখতে পারবেন:
- সাবজেক্ট — কী দেখা যাচ্ছে, এবং কতটা নির্দিষ্টভাবে (“একজন মানুষ” নয়, “পঞ্চাশোর্ধ্ব এক চা-বিক্রেতা”)
- অ্যাকশন — সে কী করছে, কারণ স্থির ছবিও একটা মুহূর্তের গল্প বলে
- পরিবেশ — কোথায়, কোন সময়, আশপাশে কী আছে
- আলো — কোন দিক থেকে, কতটা কড়া, কী রঙের
- লেন্স ও ফ্রেম — ওয়াইড না ক্লোজ, ওপর থেকে না চোখের সমান্তরালে
- মুড ও স্টাইল — এটাই একমাত্র জায়গা যেখানে বিশেষণ চলে, এবং এখানেও কম বিশেষণই ভালো
প্রকৃত কাজটা হলো শব্দভাণ্ডার তৈরি করা — golden hour, chiaroscuro, top-down flat lay, shallow depth of field, hard directional light — এগুলো নতুন জিনিস নয়, ফটোগ্রাফি আর সিনেমাটোগ্রাফির পুরনো ভাষা। তাই সত্যি কথা বলি: প্রম্পট ভালো লিখতে চাইলে প্রম্পটের টিউটোরিয়াল কম দেখুন, ফটোগ্রাফির আলো নিয়ে পড়ুন বেশি।
“মাস এক শেষে কী পারা উচিত?”
একটা মাপকাঠি রাখুন, নইলে বোঝা যাবে না আপনি এগোচ্ছেন কি না। মাস এক শেষে আপনার এটুকু পারা উচিত: মাথায় একটা নির্দিষ্ট ছবি কল্পনা করে, পাঁচবারের কম চেষ্টায় সেটার কাছাকাছি জিনিস বের করে আনা। কল্পনার সাথে হুবহু মিল নয় — কাছাকাছি। যদি এখনো প্রতিটা ভালো ছবি দুর্ঘটনাক্রমে আসে, তাহলে আপনি এখনো লটারি খেলছেন, আর পরের ধাপে যাওয়ার সময় হয়নি।
“মাস দুই থেকে তিন — এবার কী?”
এখান থেকে শেখার বিষয়টা বদলে যায়: জেনারেট করা নয়, নিয়ন্ত্রণ করা। ভালো ছবি বানানো আর ক্লায়েন্টের চাওয়া ছবিটা বানানো এক জিনিস নয়, আর দ্বিতীয়টার জন্য আপনাকে ছবির ভেতরে হাত ঢোকাতে জানতে হবে।
- ইনপেইন্টিং — পুরো ছবি নতুন করে না বানিয়ে শুধু একটা হাত, একটা বোতাম বা একটা বিরক্তিকর ব্যাকগ্রাউন্ড অবজেক্ট ঠিক করা। ক্লায়েন্ট রিভিশনের নব্বই শতাংশ এখানেই মেটে।
- ইমেজ-টু-ইমেজ ও রেফারেন্স — নিজের আঁকা রাফ স্কেচ বা তোলা ছবিকে ভিত্তি বানিয়ে কম্পোজিশন ধরে রাখা।
- কনসিস্টেন্সি — seed, স্টাইল রেফারেন্স আর একটা নির্দিষ্ট প্রম্পট-ব্লক দিয়ে একটা ক্যাম্পেইনের বিশটা ছবিকে এক দেখানো।
- আপস্কেলিং ও ফাইনাল টাচ — প্রিন্টের জন্য রেজলিউশন বাড়ানো, তারপর Photoshop বা Affinity-তে শেষ পরিষ্কারটা করা।
এই মাস দুটোতেই আপনি হবি থেকে পেশায় ঢোকেন। এর আগে আপনি ছবি বানাচ্ছিলেন; এখন আপনি সমস্যা সমাধান করছেন।
“ComfyUI বা লোকাল Stable Diffusion শিখব কি না?”
সৎ উত্তর: সবার লাগে না, এবং এটা না শেখার জন্য কেউ আপনাকে কম দক্ষ ভাববে না। ComfyUI-র নোড-গ্রাফ শেখা মানে কয়েক সপ্তাহের ধাক্কা, তাই কারণটা পরিষ্কার হওয়া দরকার।
শিখুন যদি — আপনার কাজ বাল্ক হয় (একটা ই-কমার্স ক্লায়েন্টের তিনশো প্রোডাক্টের জন্য একই ধাঁচের ব্যাকগ্রাউন্ড), বা ক্লায়েন্টের ডেটা ক্লাউডে পাঠানো নিষেধ, বা আপনি নিজের LoRA ট্রেন করে একটা ব্র্যান্ডের নিজস্ব লুক বানাতে চান। এড়িয়ে যান যদি — আপনি মূলত সোশ্যাল মিডিয়া, ব্যানার আর কনসেপ্ট ভিজ্যুয়ালের কাজ করেন; ওখানে হোস্টেড টুলই দ্রুত আর সস্তা। শিখতে চাইলে ভারী GPU কেনার দরকার নেই — Google Colab-এর ফ্রি টিয়ারে শুরু করুন, তারপর RunPod-এর মতো জায়গায় ঘণ্টাপ্রতি আধা ডলারের কমে GPU ভাড়া নিন। ছয় মাস ভাড়া চালিয়ে যদি দেখেন খরচ বাড়ছে, তখন কার্ড কেনার কথা ভাবুন — আগে নয়।
“কোন নিশ বেছে নেব?”
চতুর্থ মাস থেকে সবচেয়ে বড় সিদ্ধান্তটা প্রযুক্তির নয়, অবস্থানের। যিনি সবকিছু বানান তাঁকে কেউ খোঁজে না; যিনি একটা জিনিস বানান তাঁকে মানুষ নাম ধরে খোঁজে। বাংলাদেশের বাজারে তিনটে লেন এই মুহূর্তে বাস্তবে কাজ করছে: ই-কমার্স ও প্রোডাক্ট ভিজ্যুয়াল (ফেসবুক পেজ আর Daraz সেলারদের জন্য লাইফস্টাইল ব্যাকগ্রাউন্ড ও ক্যাম্পেইন ইমেজ), ব্র্যান্ড ও অ্যাডভার্টাইজিং ভিজ্যুয়াল (এজেন্সির হয়ে মুড বোর্ড আর কি-ভিজ্যুয়াল), আর কনসেপ্ট ও এডিটোরিয়াল আর্ট (বই-প্রচ্ছদ, গেম, আন্তর্জাতিক ক্লায়েন্ট)। একটা বাছুন, ছয় মাস ওটাতেই থাকুন।
“ইনকাম কবে শুরু হয়, আর কত?”
সংখ্যাগুলো নিয়ে কেউ সৎভাবে কথা বলে না, তাই বলি। মাস তিন-চারের দিকে প্রথম টাকাটা সাধারণত আসে ছোট লোকাল কাজ থেকে — একটা ফেসবুক পেজের ব্যানার বা ক্যাম্পেইন ইমেজ সেট, ৫০০ থেকে ১,৫০০ টাকা। এসএমই ক্লায়েন্টের একটা পুরো প্রোডাক্ট ভিজ্যুয়াল সেট (দশ-পনেরোটা ছবি, রিভিশনসহ) ৫,০০০ থেকে ১৫,০০০ টাকায় যায়। Fiverr বা Upwork-এ ঢুকলে একটা কনসেপ্ট সেট ২৫ থেকে ১৫০ ডলার, আর ছয় থেকে নয় মাসে একটা ধারাবাহিক রিটেইনার (মাসে ৩০০–৮০০ ডলার) দাঁড়ালে সেটাই আসল স্থিতিশীলতা।
একটা জিনিস খেয়াল করবেন — এই টাকাটা ছবি বানানোর জন্য নয়। ক্লায়েন্ট টাকা দেন কারণ আপনি তাঁর অস্পষ্ট ব্রিফটা পড়ে বুঝেছেন, ঠিক ফরম্যাটে ডেলিভারি দিয়েছেন, আর সময়মতো দিয়েছেন। ছবি বানানো পারা মানুষ হাজারে হাজার; এই তিনটে পারা মানুষ কম।
“পোর্টফোলিওতে কী দেখাব?”
সুন্দর ছবির গ্যালারি নয় — সেটা আজ যে কেউ এক ঘণ্টায় বানাতে পারে, তাই ওটা আর কিছু প্রমাণ করে না। দেখান প্রক্রিয়া: ক্লায়েন্টের ব্রিফটা কী ছিল, আপনি কোন তিনটা দিক ভেবেছিলেন, কোনটা বাদ দিলেন আর কেন, চূড়ান্ত ছবিটা কোথায় ব্যবহৃত হলো, আর ফল কী হলো। তিনটে এরকম কেস স্টাডি ত্রিশটা র্যান্ডম ছবির চেয়ে বেশি কাজ দেয়। ক্লায়েন্ট আপনার শিল্পবোধ কিনছেন না, ভরসা কিনছেন।
দ্রুত প্রশ্ন-উত্তর
- ডিজাইনের ব্যাকগ্রাউন্ড না থাকলে সম্ভব? সম্ভব, কিন্তু কম্পোজিশন আর রঙের বেসিকটা শিখতেই হবে — নইলে আপনি টুল চালাতে পারবেন, সিদ্ধান্ত নিতে পারবেন না। সপ্তাহে দু-তিন ঘণ্টা যথেষ্ট।
- প্রতিদিন কতক্ষণ দিতে হবে? দিনে দেড় ঘণ্টা, ছয় দিন — এটাই যথেষ্ট, শর্ত হলো নিয়মিত। সপ্তাহে একদিন আট ঘণ্টা করে এই জিনিস শেখা যায় না, কারণ চোখ তৈরি হয় পুনরাবৃত্তিতে।
- মডেল তো প্রতি ছয় মাসে বদলে যাচ্ছে, শিখে লাভ কী? টুল বদলায়, চোখ বদলায় না। আলো, কম্পোজিশন আর ব্রিফ পড়ার ক্ষমতা — এই তিনটে দশ বছর পরেও কাজে দেবে, মডেলের নাম যাই হোক।
- একই সাথে ভিডিও জেনারেশনও শিখব? না, প্রথম ছয় মাসে নয়। স্থিরচিত্রে যে নিয়ন্ত্রণ আপনি শিখবেন, সেটাই পরে ভিডিওর ভিত্তি হবে। আগে ভিত, তারপর ঘর।
ছয় মাস পরে আপনার হাতে যা থাকা উচিত সেটা কোনো সার্টিফিকেট নয় — তিনটে কেস স্টাডি, একটা নিশ, আর অন্তত দুজন ক্লায়েন্ট যাঁরা আবার ফিরে এসেছেন। বাকি সবটাই পথের ধারে জমা হওয়া অভ্যাস।
Stack Alix-এ আমরা ব্র্যান্ড ও ই-কমার্স ক্লায়েন্টদের জন্য ভিজ্যুয়াল বানাই, আর প্রায়ই এমন ফ্রিল্যান্সারদের সাথে কাজ করি যাঁরা এই পথটা সবে শুরু করেছেন। আপনার কাজ দেখাতে চাইলে বা কোনো প্রজেক্টে হাত মেলাতে চাইলে নির্দ্বিধায় নক করুন — ভালো চোখ আমরা সবসময়ই খুঁজি।