গত বছর এক ক্লায়েন্ট এসে বললেন, ঈদের ক্যাম্পেইনের জন্য ৪০টা ব্যানার লাগবে, এক সপ্তাহে। বাজেট এমন যে স্টুডিও শুট করা অসম্ভব। আমরা AI ইমেজ জেনারেশন দিয়ে কাজটা করলাম, সময়মতো ডেলিভারিও হলো। কিন্তু প্রথম ব্যাচটা ফেরত এসেছিল — কারণ ছবিগুলো দেখতে চমৎকার ছিল, আর বাংলা লেখাগুলো ছিল অক্ষরের মতো দেখতে হিজিবিজি আঁকিবুঁকি। ওই ফেরত আসাটাই আমাদের আসল পাইপলাইন বানাতে বাধ্য করেছিল।
প্রম্পট লিখে একটা সুন্দর ছবি পাওয়া এখন কঠিন কিছু না। কঠিন হলো ত্রিশটা ছবি বানানো যেগুলোর লাইটিং এক রকম, ব্র্যান্ড কালার ঠিক আছে, লেখা পড়া যায়, লাইসেন্স পরিষ্কার, আর ক্লায়েন্ট বললে কালকে আবার হুবহু একই জিনিস বানিয়ে দেওয়া যায়। এই লেখাটা সেই দ্বিতীয় জিনিসটা নিয়ে।
কোন কাজে কোন মডেল
সব মডেল সব কাজে ভালো না — এই একটা কথা বুঝলে অর্ধেক সময় বেঁচে যায়। কাজের ধরন অনুযায়ী বাছুন:
- Flux (Black Forest Labs) — ফটোরিয়ালিস্টিক কাজ আর লম্বা প্রম্পট মেনে চলার ক্ষেত্রে বর্তমানে সবচেয়ে নির্ভরযোগ্য। schnell ভার্সন দ্রুত (মাত্র ৪ স্টেপ), dev ভার্সন মানসম্পন্ন, pro শুধু API-তে।
- Stable Diffusion (SDXL / 3.5) — ইকোসিস্টেম বিশাল। হাজার হাজার LoRA, ControlNet, ইনপেইন্টিং টুল। নিজের ব্র্যান্ড লুক ট্রেন করতে চাইলে এখানেই সবচেয়ে সুবিধা।
- Midjourney — আর্ট ডিরেকশন আর মুড তৈরিতে এখনো অতুলনীয়। মুডবোর্ড, কনসেপ্ট, কী-ভিজ্যুয়ালের জন্য দারুণ; পিক্সেল-লেভেল নিয়ন্ত্রণের জন্য নয়।
- Ideogram — ছবির ভেতরে ইংরেজি লেখা রেন্ডার করার ক্ষেত্রে বাকিদের চেয়ে স্পষ্টভাবে এগিয়ে। লোগো-সদৃশ বা টাইপোগ্রাফি-ভারী কম্পোজিশনে কাজে দেয়।
- Recraft — ভেক্টর আউটপুট আর ব্র্যান্ড-কনসিস্টেন্ট আইকন/ইলাস্ট্রেশনের জন্য।
লাইসেন্সের ফাঁদটা এখানেই: Flux.1 [dev]-এর ওজন প্রকাশ্যে পাওয়া গেলেও লাইসেন্স বাণিজ্যিক ব্যবহারের অনুমতি দেয় না। ক্লায়েন্টের বিজ্ঞাপনে ওটা দিয়ে বানানো ছবি দিলে ঝুঁকি আপনার ঘাড়ে। বাণিজ্যিক কাজে schnell (Apache 2.0) বা API-ভিত্তিক pro ব্যবহার করুন, এবং প্রতিটা প্রজেক্টে কোন মডেল ব্যবহার করেছেন সেটা লিখে রাখুন।
বাংলা লেখা: যেখানে প্রায় সবাই মুখ থুবড়ে পড়ে
এটা আলাদা করে বলা দরকার, কারণ বিদেশি কোনো টিউটোরিয়ালে এই সমস্যাটার কথা নেই। কার্যত কোনো ইমেজ মডেলই বাংলা যুক্তাক্ষর ঠিকভাবে আঁকতে পারে না। মাত্রা ভেঙে যায়, য-ফলা উল্টো দিকে বসে, ক্ষ বা ঞ্চ-র মতো যুক্তবর্ণ এমন কিছুতে পরিণত হয় যা দূর থেকে বাংলা মনে হয় কিন্তু কাছ থেকে অর্থহীন। ইংরেজিতে মডেলগুলো অনেক দূর এগিয়েছে, বাংলায় এখনো নয়।
সমাধানটা সরল, এবং এটাই প্রফেশনাল পাইপলাইনের নিয়ম হওয়া উচিত: মডেলকে কখনো বাংলা লেখা লিখতে বলবেন না। মডেল দিয়ে শুধু ব্যাকগ্রাউন্ড, সাবজেক্ট আর লাইটিং বানান। তারপর ফিগমা, ক্যানভা বা ফটোশপে আসল ফন্টে টেক্সট বসান — নোটো সান্স বেঙ্গলি, কালপুরুষ, সোলাইমানলিপি বা লি আদর নয়ীরিত। রেন্ডারিং তখন নিখুঁত, আর টেক্সট এডিটেবল থাকে বলে ক্লায়েন্টের 'দামটা একটু বদলে দিন' রিভিশনে তিন সেকেন্ড লাগে, নতুন করে ছবি জেনারেট করতে হয় না।
দুটো ছোট কৌশল এই ধাপটাকে অনেক সহজ করে দেয়। এক, নেগেটিভ প্রম্পটে text, letters, watermark, caption, signage বসিয়ে দিন যাতে মডেল নিজে থেকে কোনো বানোয়াট অক্ষর ঢুকিয়ে না দেয়। দুই, প্রম্পটে স্পষ্ট করে লেখার জায়গা চেয়ে নিন — যেমন 'clean negative space in the upper third, plain out-of-focus background'। এতে টাইপোগ্রাফি বসানোর জন্য তৈরি একটা ক্যানভাস পাবেন, ব্যস্ত ছবির ওপর জোর করে লেখা চাপাতে হবে না।
কোথায় চালাবেন: নিজের কার্ড, ভাড়া, নাকি API
নিজের GPU। RTX 3060 12GB দিয়ে SDXL আরামে চলে, আর কোয়ান্টাইজড (fp8/GGUF) Flux ধীরে হলেও চলে। 3090 বা 4090-এর ২৪ জিবি থাকলে প্রায় সবকিছুই স্বচ্ছন্দে চলবে। নিয়মিত কাজ থাকলে কার্ডের দাম কয়েক মাসেই উঠে আসে। তবে বাস্তবতা মনে রাখুন — লম্বা ব্যাচ চলার সময় বিদ্যুৎ চলে গেলে কাজ মাঝপথে নষ্ট হয়, তাই বড় রেন্ডার রাতে চালানোর অভ্যাস থাকলে অন্তত একটা ইউপিএস রাখুন।
ঘণ্টাভিত্তিক ভাড়া। RunPod বা Vast.ai-তে শক্তিশালী GPU ঘণ্টা হিসেবে ভাড়া নেওয়া যায়। বড় ব্যাচের জন্য এটা প্রায়ই সবচেয়ে হিসেবি — ৩০০-৫০০ ছবির একটা ব্যাচ কয়েক ঘণ্টায় নামিয়ে ফেলে মেশিন বন্ধ করে দিলেন, ব্যস। কাজ শেষে ইনস্ট্যান্স বন্ধ করতে ভুলবেন না, ওটাই সবচেয়ে সাধারণ এবং সবচেয়ে বিরক্তিকর বিল।
API। Replicate বা fal-এর মতো সার্ভিসে প্রতি ছবির হিসেবে টাকা কাটে, কোনো সেটআপ লাগে না। ছোট ভলিউমে এটাই সবচেয়ে সস্তা — একটা ক্যাম্পেইনের জন্য ৩০-৪০টা ভ্যারিয়েশন বানাতে সাধারণত কয়েকশো টাকার বেশি লাগে না। দাম মডেল আর রেজোলিউশনভেদে বদলায়, তাই কাজ শুরুর আগে হিসাব করে নিন এবং ক্লায়েন্টের কোটেশনে এই খরচটা আলাদা করে ধরুন।
যে সেটিংসগুলো আসলেই ফল বদলায়
- সিড (seed) — সবচেয়ে অবহেলিত অথচ সবচেয়ে গুরুত্বপূর্ণ। একই সিড আর একই প্রম্পট মানে হুবহু একই ছবি, বারবার। ভ্যারিয়েশন চাইলে সিড ছেড়ে দিন; কনসিস্টেন্সি চাইলে সিড লক করে শুধু প্রম্পটের ছোট অংশ বদলান। প্রতিটা ফাইনাল ছবির সিড নাম্বার নোট করে রাখুন — ক্লায়েন্ট তিন মাস পর 'ঠিক ওই ছবিটার মতো আরেকটা' চাইলে আপনি হিরো হয়ে যাবেন।
- স্টেপ — বেশিরভাগ ক্ষেত্রে ২০-৩০ স্টেপই যথেষ্ট। Flux schnell মাত্র ৪ স্টেপে চলে। ৮০ স্টেপ দিলে সময় চার গুণ বাড়ে, মান বাড়ে না — এটা নতুনদের সবচেয়ে সাধারণ অপচয়।
- গাইডেন্স / CFG — SDXL-এ ৫ থেকে ৮-এর ঘরে রাখুন। বেশি দিলে ছবি অতিরিক্ত স্যাচুরেটেড আর পোড়া পোড়া দেখায়, কম দিলে মডেল প্রম্পট পাত্তা দেয় না।
- রেজোলিউশন — মডেলকে তার নেটিভ সাইজে চালান (SDXL-এ ১০২৪x১০২৪, ৮৩২x১২১৬ ইত্যাদি)। উদ্ভট অ্যাসপেক্ট রেশিও চাপালেই দুই মাথা, বাড়তি হাত আর অদ্ভুত পুনরাবৃত্তি আসতে শুরু করে।
- ControlNet — লেআউট নিয়ন্ত্রণে রাখার একমাত্র নির্ভরযোগ্য উপায়। ব্যানারে প্রোডাক্ট কোথায় বসবে, মডেলের ভঙ্গি কী হবে — depth বা canny ম্যাপ দিয়ে আগে থেকে ঠিক করে দিন, তারপর জেনারেট করুন।
ডেলিভারির আগে কিউএ চেকলিস্ট
এই ধাপটা বাদ দিলে বাকি সব পরিশ্রম বৃথা। প্রতিটা ছবি পাস করতে হবে:
- ১০০% জুম করে হাত, আঙুল, দাঁত, কানের দুল আর চশমার ফ্রেম দেখুন। AI-এর ভুল ছোট ছবিতে ধরা পড়ে না, প্রিন্টে পড়ে।
- ছবির ভেতরে কোনো বানোয়াট অক্ষর ঢুকে গেছে কি না — সাইনবোর্ড, বোতলের লেবেল, ব্যাকগ্রাউন্ডের পোস্টারে। থাকলে মুছে দিন।
- আইড্রপার দিয়ে ব্র্যান্ড কালারের হেক্স মিলিয়ে দেখুন। AI প্রায়ই কাছাকাছি কিন্তু ভুল শেড দেয়, আর ব্র্যান্ড গার্ডিয়ানরা ঠিক ওটাই ধরে ফেলেন।
- ব্যাচের ১০টা ছবি পাশাপাশি বসিয়ে দেখুন আলো একই দিক থেকে আসছে কি না। আলাদা আলাদা দেখতে সবগুলোই ভালো লাগবে, একসঙ্গে দেখলে অসঙ্গতি চোখে লাগবে।
- আপস্কেল করার পর আগের ভার্সনের সঙ্গে তুলনা করুন — আপস্কেলার প্রায়ই ত্বকে প্লাস্টিকের মতো টেক্সচার বা কাপড়ে ভুয়া সুতো এঁকে দেয়।
এজ কেস যা ব্যবসার ক্ষতি করতে পারে
মার্কেটপ্লেসের লিস্টিং ছবি নিয়ে একটা কড়া সতর্কতা: দারাজ বা অন্য যেকোনো মার্কেটপ্লেসের প্রধান ছবিতে আসল প্রোডাক্টের আসল ছবি থাকতে হয়, সাধারণত সাদা ব্যাকগ্রাউন্ডে। প্রোডাক্ট নিজেই AI দিয়ে বানিয়ে ফেললে সেটা শুধু নীতিভঙ্গ নয়, ব্যবসায়িক আত্মহত্যা — গ্রাহক ছবি দেখে অর্ডার করে অন্য জিনিস হাতে পাবে, রিটার্ন বাড়বে, রিভিউ পড়বে। AI ব্যবহার করুন লাইফস্টাইল সিন, ব্যাকগ্রাউন্ড আর ক্যাম্পেইন ব্যানারে; প্রোডাক্টের মূল শটটা ক্যামেরায় তুলুন।
আরেকটা ব্যাপার — বাস্তব মানুষের চেহারার সঙ্গে মিলে যায় এমন মুখ বিজ্ঞাপনে ব্যবহার করবেন না, এবং কোনো নির্দিষ্ট ব্যক্তির চেহারা তার লিখিত অনুমতি ছাড়া কখনোই জেনারেট করবেন না। ফাইল ফরম্যাটের দিকেও নজর দিন: ওয়েবের জন্য WebP (ফাইল সাইজ অর্ধেক হয়ে যায়), প্রিন্টের জন্য উঁচু রেজোলিউশনের TIFF, আর স্বচ্ছতা লাগলে তবেই PNG।
সচরাচর জিজ্ঞাসা
AI দিয়ে বানানো ছবি কি ক্লায়েন্টকে বলে দিতে হবে? হ্যাঁ, বলে দেওয়াই ভালো — এবং কোন মডেলে বানানো সেটাও। এটা শুধু সততার প্রশ্ন নয়, ব্যবহারিকও: ক্লায়েন্ট পরে জানতে চাইলে বা কোনো প্ল্যাটফর্ম ডিসক্লোজার চাইলে আপনার কাছে রেকর্ড থাকবে। অনেক টুল ছবির মেটাডেটায় অদৃশ্য চিহ্নও বসিয়ে দেয়, তাই লুকিয়ে রাখার চেষ্টা এমনিতেও টেকে না।
একই মুখ বা একই ব্র্যান্ড লুক বারবার আনব কীভাবে? তিনটা স্তর — সিড লক করা, IP-Adapter দিয়ে রেফারেন্স ছবি দেওয়া, আর সবচেয়ে পাকা সমাধান হিসেবে ১৫-২০টা ছবি দিয়ে একটা LoRA ট্রেন করা। ব্র্যান্ডের জন্য একবার LoRA ট্রেন করে রাখলে বছরজুড়ে প্রতিটা ক্যাম্পেইনে ওই একই ভিজ্যুয়াল ভাষা ফিরে পাবেন।
ফ্রি টুল দিয়ে কি প্রফেশনাল কাজ চালানো যায়? শুরুর জন্য যায়, কিন্তু দুটো শর্তে সতর্ক থাকুন — লাইসেন্স আর রেজোলিউশন। বেশিরভাগ ফ্রি টিয়ার বাণিজ্যিক ব্যবহারে সীমা রাখে বা কম রেজোলিউশন দেয়, যা প্রিন্টে কাজে আসে না। ক্লায়েন্টের পয়সার কাজে ঝুঁকি না নিয়ে খরচটা কোটেশনে ধরে নিন।
AI ইমেজ জেনারেশন শিখতে কতদিন লাগে? টুল চালানো শিখতে এক সপ্তাহ। কিন্তু আসল দক্ষতা প্রম্পট লেখায় নয় — আর্ট ডিরেকশনে, অর্থাৎ কোন ছবিটা কাজে লাগবে আর কোনটা শুধু দেখতে ভালো, সেটা বুঝতে পারায়। ওটা তৈরি হতে কয়েক মাস লাগে, এবং সেটাই আপনাকে বাকিদের থেকে আলাদা করবে।
স্ট্যাক অ্যালিক্সে আমরা দেশি ব্র্যান্ড ও ই-কমার্স ব্যবসার জন্য নিয়মিত এই ধরনের ভিজ্যুয়াল পাইপলাইন দাঁড় করাই — যেখানে ছবি শুধু সুন্দর নয়, ব্র্যান্ড-সঙ্গতিপূর্ণ, লাইসেন্স-নিরাপদ আর পুনরায় তৈরি করার মতো হয়। আপনার ক্যাম্পেইনে এমন কিছু দরকার হলে একবার কথা বলে দেখতে পারেন।