গুগল আজ ঘোষণা করেছে যে তাদের সর্বশেষ Gemini 3.7 Flash, 3.6 Flash এবং 3.5 Flash-Lite মডেলে এজেন্টিক ভিডিও বোঝার (agentic video understanding) সুবিধা চালু করা হয়েছে। এই নতুন সুবিধা ভিডিও বিশ্লেষণের নির্ভুলতা বাড়ানোর পাশাপাশি বিশ্লেষণ প্রক্রিয়ায় Token ব্যবহার ও খরচ উল্লেখযোগ্যভাবে কমাতে পারে।
এই সুবিধায় স্ট্যান্ডার্ড Gemini API Token মূল্য প্রযোজ্য হবে, অতিরিক্ত কোনো ফিচার ফি নেওয়া হবে না।
বর্তমান “স্ট্যাটিক” প্রক্রিয়াকরণ পদ্ধতিতে মডেল নির্দিষ্ট ফ্রেম রেটে ভিডিও পড়ে, যার ডিফল্ট হার 1 FPS এবং API-এর মাধ্যমে তা পরিবর্তন করা যায়। এর বিপরীতে, এজেন্টিক ভিডিও বোঝা মডেলের মূল যুক্তি প্রয়োগের ক্ষমতাকে নেটিভ ভিডিও টুলের সঙ্গে যুক্ত করে, যাতে এটি ভিজ্যুয়াল ফ্রেম, অডিও এবং ট্রান্সক্রিপ্ট করা লেখার মধ্যে লক্ষ্য করা ভিডিও অংশটি গতিশীলভাবে খুঁজতে, স্ক্যান করতে ও পরীক্ষা করতে পারে।
স্ট্যান্ডার্ড ভিডিও বিশ্লেষণ বেঞ্চমার্ক পরীক্ষায়, এজেন্টিক ভিডিও বোঝা-সমৃদ্ধ Gemini মডেল বিশ্লেষণ খরচ সর্বোচ্চ 66% এবং Token ব্যবহার সর্বোচ্চ 88% কমাতে পারে, পাশাপাশি নির্ভুলতা সর্বোচ্চ 7% বাড়াতে পারে। দীর্ঘ ভিডিওর ক্ষেত্রে এই দক্ষতা বৃদ্ধি বিশেষভাবে স্পষ্ট, কারণ প্রচলিত স্ট্যাটিক প্রক্রিয়াকরণে ডেভেলপারদের প্রায়ই বেশি Token খরচ এবং গুরুত্বপূর্ণ তথ্য হারানোর মধ্যে একটি বেছে নিতে হয়।
গুগল জানিয়েছে, এজেন্টিক ভিডিও বোঝার সঙ্গে Gemini 3.7 Flash ব্যবহার করলে সামগ্রিক মান সবচেয়ে ভালো হয়। একই সঙ্গে মান ও খরচের দক্ষতার মধ্যে এটি সর্বোত্তম ভারসাম্য তৈরি করে এবং ভিডিও বোঝার কাজগুলোতে নির্ভুলতা ও খরচের প্যারেটো-সর্বোত্তম সীমায় অবস্থান করে।
স্ট্যাটিক প্রক্রিয়াকরণে মডেল যেখানে নির্দিষ্ট ফ্রেম রেটে মিডিয়া স্ট্রিম পড়ে, এজেন্টিক ভিডিও বোঝার মাধ্যমে Gemini সক্রিয়ভাবে ও লক্ষ্যভিত্তিকভাবে ঠিক করতে পারে কোন বিষয়বস্তু দেখবে, কী গতিতে দেখবে এবং কোন মাধ্যমের (ফ্রেম, অডিও বা ট্রান্সক্রিপ্ট করা লেখা) মাধ্যমে তথ্য নেবে। ফলে কেবল প্রয়োজনীয় অংশ ও সংকেতই সংগ্রহ করা হয়। আগে ডেভেলপারদের এই কাজগুলো হাতে করতে হতো। এখন এজেন্টিক ভিডিও বোঝার সাহায্যে Gemini বুদ্ধিমান লুপের মাধ্যমে তা করতে পারে এবং অভ্যন্তরীণ টুল ব্যবহার করে ভিডিওর প্রাসঙ্গিক অংশ লোড করতে পারে, ফলে ডেভেলপমেন্টের কাজ উল্লেখযোগ্যভাবে কমে যায়।
IT之家-এর জানা অনুযায়ী, দীর্ঘ ভিডিও বিষয়বস্তু প্রক্রিয়াকরণের জন্য ডেভেলপারদের এই সুবিধা বেশ কিছু নতুন সক্ষমতা দিচ্ছে।
সাব-সেকেন্ড মুহূর্ত অনুসন্ধান: 1 FPS-এ সহজে বাদ পড়ে যেতে পারে এমন ক্ষণস্থায়ী অবস্থার পরিবর্তন ও দ্রুত সম্পাদনার সীমানা নির্ভুলভাবে শনাক্ত করা, যা উচ্চ-নির্ভুলতার স্বয়ংক্রিয় ভিডিও সম্পাদনা সম্ভব করে।
দীর্ঘ ভিডিওতে “খড়ের গাদায় সূচ খোঁজা” অনুসন্ধান: কয়েক ঘণ্টা দীর্ঘ ভিডিওতে জটিল প্রশ্নের উত্তর দেওয়া, তাও লক্ষ লক্ষ Token খরচ না করে।
অস্বাভাবিকতা শনাক্তকরণ: আগ্রহের সময়সীমায় বেশি ফ্রেম রেটে পুনরায় নমুনা নিয়ে দ্রুত গতি ও সূক্ষ্ম ভিজ্যুয়াল ত্রুটি পরীক্ষা করা।
ক্রিয়া ও বস্তু গণনা: সময়ের সঙ্গে পুনরাবৃত্ত শারীরিক ক্রিয়া এবং বিভিন্ন বস্তুকে নির্ভুলভাবে অনুসরণ করা।
বর্তমানে এই সুবিধা Google AI Studio এবং Gemini Enterprise Agent Platform-এর Gemini API-তে চালু হয়েছে। এতে ভিডিও আপলোড ও YouTube ভিডিও বিশ্লেষণ সমর্থিত। API কনফিগারেশনে প্রক্রিয়াকরণ মোড “agentic” সেট করলেই ডেভেলপাররা সুবিধাটি চালু করতে পারবেন।
গুগল এই সক্ষমতা তাদের আরও বেশি সাধারণ-ব্যবহারকারীমুখী পণ্যে ছড়িয়ে দেওয়ার পরিকল্পনাও করেছে। খুব শিগগির Gemini অ্যাপের সব Flash এবং Flash-Lite মডেল ব্যবহারকারীর জন্য সুবিধাটি চালু করা হবে। আগামী কয়েক মাসে এজেন্টিক ভিডিও বোঝা YouTube ভিডিও দেখার পাতার “Ask YouTube” সুবিধাতেও সহায়তা দেবে, যেখানে Gemini ভিডিওর দৃশ্যের ওপর ভিত্তি করে আরও উচ্চমানের উত্তর প্রদান করবে।