প্রকল্প পরিচিতি
lanshu-create-ai-presenter-video হলো Codex-এর জন্য তৈরি একটি সাধারণ উদ্দেশ্যের ডিজিটাল মানব ভিডিও তৈরির Skill। আপনাকে শুধু একটি বিষয় বা সম্পূর্ণ স্ক্রিপ্ট এবং অনুমোদিত, স্পষ্ট প্রাপ্তবয়স্ক ব্যক্তির ছবি থাকা একটি রেফারেন্স ছবি দিতে হবে; এটি ডিজিটাল মানব ভিডিও তৈরির প্রধান ধাপগুলো পরিচালনা করতে পারবে।
সম্পূর্ণ প্রক্রিয়ায় স্ক্রিপ্ট প্রস্তুত, ভয়েসওভার, চরিত্র তৈরি, লিপ-সিঙ্ক সমন্বয়, সাবটাইটেল, কীওয়ার্ড অ্যানিমেশন, সম্পাদনা, রেন্ডারিং এবং গুণমান যাচাই অন্তর্ভুক্ত। প্রকল্পটি সক্ষমতা-নির্ভর পদ্ধতি ব্যবহার করে: বর্তমান পরিবেশে উপলব্ধ সরঞ্জাম দিয়ে কাজ সম্পন্ন করা হয়, সোর্স কোডে কোনো নির্দিষ্ট সেবা প্রদানকারী, মডেলের নাম বা ব্যক্তিগত API নির্ধারিত থাকে না।
এই Skill নিজে কোনো স্বতন্ত্র ভিডিও জেনারেশন মডেল নয়। এটি Codex বা স্থানীয় Skill সমর্থনকারী কোনো Agent পরিবেশে চালাতে হবে এবং পরিবেশে ব্যবহারযোগ্য ভিডিও জেনারেশন, ভয়েস জেনারেশন ও লিপ-সিঙ্ক সক্ষমতার ওপর নির্ভর করে।
মূল বৈশিষ্ট্য
- সেবা প্রদানকারী-নিরপেক্ষ: ওয়ার্কফ্লো কোনো নির্দিষ্ট মডেল, প্ল্যাটফর্ম বা ব্যক্তিগত API-এর ওপর নির্ভরশীল নয়।
- সম্পূর্ণ নির্মাণ প্রক্রিয়া: ইনপুট যাচাই, স্ক্রিপ্ট ও ভয়েসওভার থেকে সম্পাদনা, সাবটাইটেল, কভার, এক্সপোর্ট ও যাচাই পর্যন্ত প্রতিটি ধাপের জন্য নির্দিষ্ট প্রক্রিয়া রয়েছে।
- একীভূত সময়ভিত্তি: সম্পূর্ণ ভয়েসওভারকে পুরো ভিডিওর টাইমলাইন হিসেবে ব্যবহার করে চরিত্রের ভিডিও, সাবটাইটেল, শট, কীওয়ার্ড ও ট্রানজিশন নির্ধারণ করা হয়।
- ধাপ অনুযায়ী রেফারেন্স উপকরণ লোড: Codex সংশ্লিষ্ট ধাপে প্রবেশ করার সময়ই প্রয়োজনীয় ডকুমেন্ট পড়ে, ফলে কনটেক্সট ব্যবহারের পরিমাণ কমে।
- খরচ নিয়ন্ত্রণ: আগে কম খরচে চরিত্রের পরীক্ষামূলক ভিডিও তৈরি করা হয় এবং অর্থপ্রদত্ত জেনারেশন, পুনরায় চেষ্টা সীমা ও বাধাপ্রাপ্ত কাজ পুনরুদ্ধারের নিয়ম নির্ধারণ করা থাকে।
- নিরাপত্তা ও গোপনীয়তা: ব্যক্তির ছবি বা কণ্ঠ ক্লোন করার আগে অনুমতি যাচাই করা হয়; রিপোজিটরিতে API কী, অ্যাক্সেস টোকেন বা ব্যবহারকারীর উপকরণ রাখা হয় না।
- মানসম্মত ডেলিভারি: প্রক্রিয়াটির লক্ষ্যের মধ্যে মাস্টার কপি, শেয়ার সংস্করণ ও QA রিপোর্ট তৈরি অন্তর্ভুক্ত।
ইনপুট ও রানটাইম পরিবেশ প্রস্তুত করা
ন্যূনতম ইনপুট
- একটি ভিডিওর বিষয় অথবা সম্পূর্ণ স্ক্রিপ্ট।
- অনুমোদিত, স্পষ্ট প্রাপ্তবয়স্ক ব্যক্তির ছবি থাকা একটি রেফারেন্স ছবি।
আপনি ভয়েস নমুনা, স্ক্রিন রেকর্ডিং, ছবি, B-roll, ব্র্যান্ড উপকরণ, লক্ষ্য প্ল্যাটফর্ম, ভিডিওর দৈর্ঘ্য, অনুভূমিক বা উল্লম্ব অনুপাত, ভিজ্যুয়াল স্টাইল, ওয়াটারমার্ক এবং সমাপ্তির নির্দেশনাও দিতে পারেন। যথাযথ অনুমতি পাওয়ার পরেই ভয়েস ক্লোনিংয়ের জন্য ভয়েস নমুনা ব্যবহার করা যাবে।
পরিবেশের প্রয়োজনীয়তা
- Codex অথবা স্থানীয় Skill সমর্থনকারী সামঞ্জস্যপূর্ণ Agent পরিবেশ।
- Python
3.9+। FFmpegএবংffprobe।- Bash,
jq,awkএবংsed। - বর্তমান পরিবেশে ব্যবহারযোগ্য অন্তত একটি ভিডিও জেনারেশন, ভয়েস জেনারেশন এবং লিপ-সিঙ্ক সক্ষমতা।
কাজ শুরু করার আগে নিশ্চিত করুন যে এই কমান্ড ও জেনারেশন সক্ষমতাগুলো বর্তমান পরিবেশে ব্যবহারযোগ্য। প্রকল্পের রিপোজিটরি GitHub-এ দেখা যাবে।
Skill ইনস্টল করা
নিচের কমান্ডটি চালিয়ে রিপোজিটরিটি Codex-এর Skill ডিরেক্টরিতে ক্লোন করুন:
git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git \
~/.codex/skills/lanshu-create-ai-presenter-videoইনস্টলেশনের পর পথটি হওয়া উচিত:
~/.codex/skills/lanshu-create-ai-presenter-videoডিরেক্টরি কাঠামো বোঝা
lanshu-create-ai-presenter-video/
├── SKILL.md
├── README.md
├── agents/
│ └── openai.yaml
├── assets/
│ └── job.template.json
├── references/
│ ├── generation.md
│ ├── editing.md
│ └── qa-recovery.md
└── scripts/
├── init_job.py
├── preflight.py
└── finalize_delivery.shতিনটি রেফারেন্স ডকুমেন্ট আলাদা নির্মাণ ধাপে ব্যবহৃত হয়:
generation.md: ইনপুট যাচাই, স্ক্রিপ্ট, ভয়েস, সক্ষমতা নির্বাচন, অর্থপ্রদত্ত জেনারেশন, চরিত্রের প্রম্পট ও সামঞ্জস্য পরিচালনা করে।editing.md: টাইমলাইন, শুরু ও সমাপ্তি, সাবটাইটেল প্রিসেট, চরিত্রের পাশে কীওয়ার্ড অ্যানিমেশন, কভার ও এক্সপোর্ট পরিচালনা করে।qa-recovery.md: প্রযুক্তিগত যাচাই, মানবীয় যাচাই এবং সাধারণ ত্রুটি সমাধান পরিচালনা করে।
পদ্ধতি এক: কথোপকথন থেকেই সরাসরি ভিডিও তৈরি
সবচেয়ে সহজ উপায় হলো Codex কথোপকথনে Skill-টি স্পষ্টভাবে ব্যবহার করা এবং একই সঙ্গে স্ক্রিপ্ট, চরিত্রের ছবি ও চূড়ান্ত ভিডিওর প্রয়োজনীয়তা জানানো। উদাহরণ:
Use $lanshu-create-ai-presenter-video to turn this script and presenter image into a 16:9, 30-second digital presenter explainer video with live subtitles.অনুরোধ পাঠানোর সময় উপকরণের অবস্থান, লক্ষ্য প্ল্যাটফর্ম, দৈর্ঘ্য,画面 অনুপাত, সাবটাইটেলের ধরন, স্টাইল, ওয়াটারমার্ক এবং সমাপ্তির নির্দেশনা একসঙ্গে উল্লেখ করার পরামর্শ দেওয়া হয়। অনুমোদিত ভয়েস নমুনা না থাকলে, অনুমতি ছাড়া কণ্ঠ ক্লোন না করে ডিফল্টভাবে উপযুক্ত স্টক ভয়েস নির্বাচন করা হবে।
পদ্ধতি দুই: মানসম্মত কাজের ডিরেক্টরি初始化 করা
যেসব প্রকল্পে কনফিগারেশন যাচাই, কাজের রেকর্ড সংরক্ষণ বা ধাপে ধাপে সম্পাদন প্রয়োজন, সেগুলোর জন্য প্রথমে রিপোজিটরির স্ক্রিপ্ট ব্যবহার করে একটি মানসম্মত কাজের ডিরেক্টরি তৈরি করা যায়।
প্রথম ধাপ: Skill-এর পথ নির্ধারণ
SKILL_DIR=~/.codex/skills/lanshu-create-ai-presenter-videoদ্বিতীয় ধাপ: কাজ শুরু করা
python3 "$SKILL_DIR/scripts/init_job.py" \
--job-dir ~/Videos/my-presenter-video \
--presenter-image ~/Pictures/presenter.png \
--topic "ভিডিওর বিষয়" \
--duration 60 \
--aspect 9:16 \
--rights-confirmed \
--adult-presenter-confirmedএই উদাহরণটি 9:16 অনুপাতে 60 সেকেন্ডের একটি কাজ তৈরি করে। --rights-confirmed নির্দেশ করে যে ব্যক্তির ছবিটি ব্যবহারের অধিকার নিশ্চিত করা হয়েছে, আর --adult-presenter-confirmed নির্দেশ করে যে রেফারেন্স ছবির ব্যক্তি প্রাপ্তবয়স্ক বলে নিশ্চিত করা হয়েছে।
অনুমতি ও ব্যক্তির প্রাপ্তবয়স্ক অবস্থার যাচাই সত্যিই সম্পন্ন হওয়ার পরেই সংশ্লিষ্ট নিশ্চিতকরণ প্যারামিটার ব্যবহার করা উচিত। দূরবর্তী আপলোডের আগে কাজের কনফিগারেশনে অনুমতির তথ্য আবারও যাচাই করতে হবে।
তৃতীয় ধাপ: job.json সম্পূর্ণ করা
শুরু করার পর কাজের ডিরেক্টরিতে প্রবেশ করে তৈরি হওয়া job.json দেখুন। কাজের প্রকৃত পরিস্থিতি অনুযায়ী মানবীয় যাচাইয়ের বিষয়গুলো এবং দূরবর্তী আপলোডের অনুমতি সম্পূর্ণ করুন। অনুমতিহীন ব্যক্তির ছবি, ভয়েস নমুনা বা অন্য কোনো উপকরণ দূরবর্তী সেবায় পাঠাবেন না।
চতুর্থ ধাপ: প্রি-ফ্লাইট যাচাই চালানো
python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.jsonআনুষ্ঠানিক জেনারেশনের আগে কাজের কনফিগারেশন যাচাই করতে প্রি-ফ্লাইট ব্যবহার করা হয়। ভিডিও, ভয়েস বা লিপ-সিঙ্কের সম্ভাব্য খরচযুক্ত ধাপে যাওয়ার আগে প্রি-ফ্লাইটে পাওয়া সমস্যাগুলো সমাধান করুন।
সম্পূর্ণ নির্মাণ প্রক্রিয়া বোঝা
- বিষয় বা স্ক্রিপ্ট এবং চরিত্রের ছবি গ্রহণ: উপকরণ ব্যবহারযোগ্য কি না নিশ্চিত করুন এবং ছবির অনুমতি ও প্রাপ্তবয়স্ক ব্যক্তির অবস্থা যাচাই করুন।
- স্ক্রিপ্ট ও সম্পূর্ণ ভয়েসওভার চূড়ান্ত করা: প্রথমে চূড়ান্ত বক্তব্য নির্ধারণ করুন, তারপর পুরো ভিডিওর ভয়েসওভার তৈরি করুন।
- কম খরচে চরিত্রের পরীক্ষামূলক ভিডিও তৈরি: বড় পরিসরে অর্থপ্রদত্ত জেনারেশনের আগে চরিত্রের ফলাফল ও প্রযুক্তিগত পদ্ধতি যাচাই করুন।
- ধারাবাহিক ডিজিটাল মানব মূল উপকরণ তৈরি: অনুমোদিত ভয়েসওভার ও চরিত্রের সেটিং অনুযায়ী প্রধান দৃশ্য তৈরি করুন।
- একই অডিও টাইমলাইন অনুযায়ী সম্পাদনা: চরিত্রের দৃশ্য, সাবটাইটেল, শট, কীওয়ার্ড ও ট্রানজিশনকে একই সময়ভিত্তির সঙ্গে যুক্ত করুন।
- সাবটাইটেল, কীওয়ার্ড অ্যানিমেশন ও কভার যোগ: তথ্যের গুরুত্ব বাড়িয়ে প্রকাশনার প্যাকেজিং সম্পূর্ণ করুন।
- গুণমান যাচাই: লিপ-সিঙ্ক, চরিত্রের সামঞ্জস্য, ভয়েস ও দৃশ্যের গুণমান পরীক্ষা করুন।
- ডেলিভারি সম্পন্ন: মাস্টার কপি, শেয়ার সংস্করণ ও QA রিপোর্ট তৈরি করুন।
সম্পূর্ণ ভয়েসওভারই প্রক্রিয়াটির মূল ভিত্তি। আগে অডিও চূড়ান্ত করে তার ওপর ভিডিও ও সাবটাইটেল সাজালে লিপ-সিঙ্কের বিচ্যুতি এবং বিভিন্ন অংশের সংযোগজনিত সমস্যা কমে।
ডিফল্ট আউটপুট সেটিংস
আরও নির্দিষ্ট নির্দেশনা না থাকলে ওয়ার্কফ্লোতে নিচের ডিফল্ট সেটিংস ব্যবহার করা হয়:
- উল্লম্ব
9:16, রেজোলিউশন1080×1920, ফ্রেম রেট30fps। - বিষয়ভিত্তিক তৈরি ভিডিও সাধারণত 45 থেকে 75 সেকেন্ডের মধ্যে রাখা হয়।
- অনুমোদিত ভয়েস নমুনা না থাকলে উপযুক্ত স্টক ভয়েস ব্যবহার করা হয়।
- কাঠামোতে সাধারণত স্পষ্ট শুরু, 2 থেকে 4টি বিষয়ভিত্তিক বিট এবং সংক্ষিপ্ত সমাপ্তি থাকে।
- প্রয়োজন অনুযায়ী সঙ্গীত ও বাণিজ্যিক নির্দেশনা যোগ করা হয়।
- প্রকাশনার লাউডনেস লক্ষ্য প্রায়
-16 LUFS।
ল্যান্ডস্কেপ ভিডিও তৈরি করতে চাইলে কথোপকথনের উদাহরণের মতো স্পষ্টভাবে 16:9 উল্লেখ করুন। শর্ট-ভিডিও প্ল্যাটফর্মের জন্য কনটেন্ট তৈরি করলে ডিফল্ট 9:16 রাখা যায়, অথবা কাজ শুরু করার সময় --aspect 9:16 দিয়ে তা স্পষ্টভাবে নির্ধারণ করা যায়।
উন্নত ব্যবহারের কৌশল
আগে ভয়েসওভার চূড়ান্ত করুন, তারপর সব ভিজ্যুয়াল উপাদান সাজান
সাবটাইটেল, শট এবং চরিত্রের অংশের জন্য পরস্পর বিচ্ছিন্ন টাইমলাইন তৈরি করবেন না। আগে সম্পূর্ণ ভয়েসওভার তৈরি ও নিশ্চিত করুন, তারপর সাবটাইটেল, চরিত্রের দৃশ্য, কীওয়ার্ড অ্যানিমেশন ও ট্রানজিশন একই অডিওর সঙ্গে সামঞ্জস্য করুন। এতে সামগ্রিক সিঙ্ক্রোনাইজেশন উন্নত হয়।
অর্থপ্রদত্ত জেনারেশনের আগে পরীক্ষামূলক ভিডিও তৈরি করুন
প্রথমবার অর্থপ্রদত্ত জেনারেশনে যাওয়ার আগে আপলোডের উপকরণ, জেনারেশনের দৈর্ঘ্য, মূল্য নির্ধারণের ভিত্তি, পরীক্ষামূলক ভিডিওর পরিকল্পনা ও পুনরায় চেষ্টার সীমা স্পষ্ট করুন। কম খরচের পরীক্ষামূলক ভিডিও চরিত্রের চেহারা, লিপ-সিঙ্ক বা সরঞ্জামের সামঞ্জস্যজনিত সমস্যা আগে প্রকাশ করতে পারে এবং সম্পূর্ণ ভিডিও সরাসরি তৈরি করে অপচয় এড়াতে সাহায্য করে।
বাধাপ্রাপ্তির পর বিদ্যমান কাজ পুনরুদ্ধারকে অগ্রাধিকার দিন
দূরবর্তী কাজ বাধাপ্রাপ্ত হলে সঙ্গে সঙ্গে আবার জমা দেবেন না। প্রথমে বিদ্যমান কাজের ID查询 করুন এবং কাজটি এখনও চলছে কি না বা কোনো ফলাফল তৈরি হয়েছে কি না নিশ্চিত করুন, যাতে অতিরিক্ত অর্থ কাটা না যায়। পরপর তিনটি অর্থপ্রদত্ত প্রার্থী ব্যর্থ হলে আরও জেনারেশন বন্ধ করে সমস্যাগুলো সংক্ষেপে নথিবদ্ধ করুন।
প্রযুক্তিগত যাচাই ও মানবীয় যাচাই আলাদা রাখুন
প্রযুক্তিগত পরীক্ষা ফাইল ও মিডিয়া স্তরের অস্বাভাবিকতা শনাক্ত করতে পারে। মানবীয় যাচাইয়ে লিপ-সিঙ্ক স্বাভাবিক কি না, চরিত্র সামঞ্জস্যপূর্ণ কি না, ভয়েস উপযুক্ত কি না, সাবটাইটেল সহজপাঠ্য কি না এবং দৃশ্য প্রকাশনার প্রয়োজনীয়তা পূরণ করছে কি না তা দেখা উচিত। সংশ্লিষ্ট যাচাই ও ত্রুটি পুনরুদ্ধারের নিয়ম references/qa-recovery.md-এ রয়েছে।
কাজের রেকর্ড ও উপকরণের গোপনীয়তা রক্ষা করুন
- রিপোজিটরিতে API কী, অ্যাক্সেস টোকেন বা স্বাক্ষরযুক্ত ডাউনলোড URL রাখবেন না।
- কাজ-সংক্রান্ত অনুরোধের রেকর্ড জমা দেওয়ার আগে পরিচয়প্রমাণ ও অস্থায়ী URL সরিয়ে ফেলুন।
- প্রি-ফ্লাইট ও ডেলিভারি রিপোর্টে শুধু ফাইলের নাম রাখুন; ডেভেলপারের কম্পিউটারের সম্পূর্ণ পথ লিখবেন না।
- ব্যক্তির ছবি দূরবর্তীভাবে আপলোড করার আগে ব্যবহারের অধিকার নিশ্চিত করুন।
- ভয়েস ক্লোনিং সক্ষমতা ব্যবহারের আগে ভয়েসের অনুমতি নিশ্চিত করুন।
উপসংহার
lanshu-create-ai-presenter-video ডিজিটাল মানব ভিডিও তৈরিকে যাচাইযোগ্য ও পুনরুদ্ধারযোগ্য মানসম্মত ধাপে ভাগ করে এবং একীভূত ভয়েসওভার টাইমলাইনের মাধ্যমে লিপ-সিঙ্ক ও সম্পাদনা সংযোগের সমস্যা কমায়। Skill ইনস্টল করার পর আপনি সরাসরি Codex কথোপকথন থেকে কাজ শুরু করতে পারেন, অথবা আগে job.json তৈরি করে প্রি-ফ্লাইট চালিয়ে অনুমতি, খরচ, জেনারেশন প্রক্রিয়া ও চূড়ান্ত গুণমান আরও কঠোরভাবে নিয়ন্ত্রণ করতে পারেন।
এই প্রকল্পটি MIT License-এর অধীনে প্রকাশিত, তাই এটি স্বাধীনভাবে ব্যবহার, পরিবর্তন ও বিতরণ করা যায়। ব্যবহারের মতামত GitHub Issue-এর মাধ্যমে জানানো যাবে; ওয়ার্কফ্লো, সামঞ্জস্য ও গুণমান যাচাইয়ের উন্নতিতে Pull Request-এর মাধ্যমে অবদান রাখা যায়।