Minimax H3-এর আলোচনার ট্রাফিক কাজে লাগানোর জন্য, আগে তাড়াহুড়ো করে পরীক্ষা করেই সরাসরি লিখে প্রকাশ করেছিলাম। আমি ভুল করেছি, এমন দায়সারা ও নিম্নমানের লেখা প্রকাশ করা উচিত হয়নি। Minimax H3-এর প্রম্পটের ফরম্যাটে কঠোর কিছু শর্ত আছে, প্রচলিত ধারণায় প্রম্পট লেখা যায় না। তাই আমি অফিসিয়াল প্রম্পট নির্দেশিকা ভালোভাবে পড়ে এই টিউটোরিয়ালটি লিখেছি।
>
মূল লেখা শুরু
>
অনেকে ভিডিওর প্রম্পট লেখার সময় চরিত্র, দৃশ্য,动作, ক্যামেরা, শৈলী সবকিছু এক অনুচ্ছেদে ঢুকিয়ে দেন: একটি মেয়ে ক্যাফেতে বসে আছে, একটি কুকুর তার হাতে থাকা বিস্কুটের দিকে ঝাঁপিয়ে পড়ছে, দৃশ্যটি উষ্ণ ও হাস্যরসাত্মক, সিনেমাটিক অনুভূতি, ক্যামেরা ধীরে এগিয়ে যাচ্ছে...
এই পদ্ধতি একেবারেই ব্যবহার করা যায় না এমন নয়। কিন্তু আপনি যখন একই সঙ্গে চরিত্রের ছবি, দৃশ্যের ছবি,动作ের ভিডিও এবং শব্দের রেফারেন্স আপলোড করেন, তখন মডেলের পক্ষে সহজেই বিভ্রান্ত হওয়া সম্ভব:
কোন ছবিটি চরিত্রের চেহারা নির্ধারণ করছে; কোন ছবিটি দৃশ্য নির্ধারণ করছে; কোন ভিডিওটি শুধু动作ের জন্য রেফারেন্স; কোন অডিও হুবহু সংরক্ষণ করতে হবে; কোন উপাদানগুলো একই রাখতে হবে; কোন উপাদানগুলো পরিবর্তন করা যাবে
Seedance2.0-এর সম্পূর্ণ রেফারেন্স মোডে এই সমস্যার সমাধান হলো @素材 পদ্ধতি ব্যবহার করা।
MiniMaxH3-এর সম্পূর্ণ রেফারেন্স মোডে এর সমাধান হলো প্রম্পটকে একটি সুসংগঠিত ভিডিও নির্মাণ নির্দেশিকায় রূপ দেওয়া।
অফিসিয়াল নির্দেশনা অনুযায়ী, সম্পূর্ণ প্রম্পটে ছয়টি অংশ থাকতে হবে এবং মূল অংশ ইংরেজিতে লিখতে হবে; শুধু চরিত্রের সংলাপ, গানের কথা এবং দৃশ্যের মধ্যে বাস্তবে দেখা যায় এমন লেখা মূল ভাষায় রাখা যেতে পারে।
>১. প্রথমে একটি মূল নীতি বুঝে নিন
>
সম্পূর্ণ রেফারেন্স মোডের প্রম্পটের প্রশ্ন হলো না: এই ভিডিওতে কী গল্প বলা হয়েছে?
বরং প্রশ্ন হলো: মডেল কোন কোন উপাদান থেকে কী তথ্য নেবে এবং ভিডিওর কোন সময়ে, কোন শটে, কোন অবস্থানে সেই তথ্য ব্যবহার করবে?
তাই শুধু গল্পের সারাংশ লিখবেন না: একটি মেয়ে ক্যাফেতে একটি কুকুরের মুখোমুখি হয়।
তাড়াহুড়ো করে পরীক্ষা করার সময় আমি এই ভুলই করেছিলাম, ট্রাফিক পাওয়ার জন্য আমিও দায়সারা লেখা লিখেছিলাম।
এর বদলে এমন দৃশ্য লিখতে হবে যা মডেল কার্যকরভাবে অনুসরণ করতে পারে:
মিডিয়াম শট। মেয়েটি ফ্রেমের ডান পাশে থাকা কমলা রঙের সোফায় বসে আছে এবং ডান হাতে একটি বিস্কুট ধরে আছে। একজন তরুণ পুরুষ ফ্রেমের বাম দিক থেকে একটি সাদা সাময়েডকে নিয়ে প্রবেশ করে। কুকুরটি হঠাৎ বিস্কুটটির দিকে এগিয়ে যায়, লিশটি টানটান হয়ে যায়, আর মেয়েটি দ্রুত হাতটি পেছনে সরিয়ে নেয়।
প্রথমটি গল্প, দ্বিতীয়টিই ভিডিও প্রম্পট।
একটি উপযুক্ত শটের বর্ণনায় অন্তত এগুলো উল্লেখ করা উচিত: শটের ধরন ও কম্পোজিশন＋চরিত্রের চেহারা ও অবস্থান＋পরিবেশ ও আলো＋একটি একক动作＋অবস্থার পরিবর্তন＋ক্যামেরার গতি＋শব্দ ও সংলাপ।
আসলে এটি অধিকাংশ ভিডিও মডেলের প্রম্পট কাঠামোর সঙ্গে খুব বেশি আলাদা নয়, বলা যায় এটি একটি সাধারণ কাঠামো।
তবে হাইলো অফিসিয়ালভাবে বিশেষভাবে মনে করিয়ে দিয়েছে:
>
detailed_description যেন গল্পের সারাংশ বা সাধারণ রেফারেন্স-উপাদান তালিকায় পরিণত না হয়; বরং প্রতিটি শটে সত্যিকার অর্থে কী দেখা ও শোনা যাবে তা স্পষ্টভাবে লিখতে হবে।
>
>২. সম্পূর্ণ প্রম্পটের ছয়টি অংশ
>
MiniMaxH3 সম্পূর্ণ রেফারেন্স মোডের মানক কাঠামো হলো:
1，subject_definitions
রেফারেন্স উপাদানের মধ্যে যেসব বিষয়কে আলাদাভাবে শনাক্ত ও অনুসরণ করতে হবে, সেগুলোর সংজ্ঞা দেয়।
2，summary কী ভিডিও তৈরি করতে হবে এবং প্রতিটি রেফারেন্স উপাদান কী ভূমিকা পালন করবে, তা সংক্ষেপে ব্যাখ্যা করে।
3，retention_analysis রেফারেন্স উপাদানের কোন বৈশিষ্ট্য সম্পূর্ণভাবে ধরে রাখতে হবে, কোনগুলো আংশিকভাবে অনুসরণ করতে হবে এবং কোন বৈশিষ্ট্য অন্য বস্তুর কাছে স্থানান্তর করতে হবে, তা মডেলকে জানায়।
4，detailed_description সবচেয়ে গুরুত্বপূর্ণ অংশ। ভিডিও চলার ক্রম অনুযায়ী প্রতিটি শটে দৃশ্য,动作, ক্যামেরা, শব্দ ও সংলাপ বর্ণনা করে।
5，overall_soundscape পরিবেশের শব্দ এবং বাস্তব জগতে শোনা যায় এমন শব্দ, যেমন বাতাস, পদচারণা ও ঘরের পটভূমির শব্দ, বর্ণনা করে।
6，non_diegetic_music শুধু দর্শক শুনতে পায় কিন্তু দৃশ্যের চরিত্ররা শুনতে পায় না, এমন ব্যাকগ্রাউন্ড মিউজিক বর্ণনা করে।
এই ছয়টি অংশ অবশ্যই নির্দিষ্ট ক্রমে সাজাতে হবে।
>৩. চার ধরনের রেফারেন্স ট্যাগ কীভাবে ব্যবহার করবেন
>
সম্পূর্ণ রেফারেন্স মোডের সবচেয়ে গুরুত্বপূর্ণ কৌশল হলো রেফারেন্স বিষয়বস্তুতে সঠিক ট্যাগ লাগানো।
অফিসিয়ালি চার ধরনের ট্যাগ নির্ধারণ করা হয়েছে:
<SubjectN>
<PictureN>
<VideoN>
<AudioN>
এখানে N-এর নম্বর 1 থেকে শুরু হয়।
<SubjectN>: ভিডিওতে সত্যিই যে বিষয়টি উপস্থিত হবে।
Subject কোনো “ফাইল” নয়; বরং ফাইল থেকে বের করে নেওয়া এবং চূড়ান্ত ভিডিওতে ব্যবহার করার মতো দৃশ্যমান উপাদান। এটি হতে পারে: মানুষ; প্রাণী; বস্তু; দৃশ্য; পোশাক; প্রপস; বিশেষ প্রভাব; দৃশ্যের শৈলী;动作; অভিব্যক্তি বা ভঙ্গি।
উদাহরণস্বরূপ, আপনি যদি একটি তরুণ নেকড়ে-দানব চরিত্রের ছবি আপলোড করেন, তাহলে প্রম্পটটি এভাবে লিখতে পারেন:
<Subject1>is the young wolf demon in<Picture1>,with grey fur,drooping ears,worn brown clothes,and anervous expression.
এর অর্থ: Subject1 হলো Picture1-এর তরুণ নেকড়ে-দানব, যার ধূসর লোম, ঝুলে থাকা কান, পুরোনো বাদামি পোশাক এবং উদ্বিগ্ন অভিব্যক্তি রয়েছে।
একটি ছবি থেকে একাধিক Subject দেওয়া যেতে পারে।
যেমন, একটি ক্যাফের ছবিতে একই সঙ্গে বের করা যায়:
<Subject1>is the young woman in<Picture1>.
<Subject2>is the coffee-shop environment in<Picture1>.
একই Subject একই সঙ্গে একাধিক উপাদান থেকেও আসতে পারে:
<Subject1>is the woman whose appearance comes from<Picture1>and whose walking motion comes from<Video1>.
এর অর্থ: <Subject1> হলো একজন নারী, যার চেহারা এসেছে <Picture1> থেকে এবং হাঁটার动作 এসেছে <Video1> থেকে।
অর্থাৎ: Picture1 চরিত্রের চেহারার জন্য দায়ী; Video1 চরিত্রের হাঁটার动作ের জন্য দায়ী।
বিভিন্ন উপাদানের বৈশিষ্ট্যকে একই লক্ষ্য চরিত্রে একত্র করা হলো Minimax H3-এর সম্পূর্ণ রেফারেন্স মোডের অন্যতম ব্যবহারিক ক্ষমতা।
<PictureN>: নির্দিষ্ট দৃশ্যের অ্যাঙ্কর।
Minimax H3-এ ছবি আপলোড করলেই যে আলাদাভাবে <PictureN> সংজ্ঞায়িত করতে হবে, তা নয়।
শুধু যখন ছবিটির নিজস্বভাবে নিচের কোনো ভূমিকা থাকে, তখনই সেটিকে আলাদাভাবে Picture হিসেবে সংজ্ঞায়িত করতে হবে:
ভিডিওর প্রথম ফ্রেম; ভিডিওর শেষ ফ্রেম; কোনো গুরুত্বপূর্ণ ফ্রেম; শটের কম্পোজিশনের রেফারেন্স; স্টোরিবোর্ডের ছবি; সরাসরি সম্পাদনা করতে হবে এমন দৃশ্য।
উদাহরণ:
<Picture2>is the first frame of[Shot1],showing the wolf demon standing outside there cruitment hall.
এর অর্থ: <Picture2> হলো [Shot1]-এর প্রথম ফ্রেম, যেখানে নেকড়ে-দানবকে সেখানকার নিয়োগ হলের বাইরে দাঁড়িয়ে থাকতে দেখা যাচ্ছে।
ছবিটি যদি শুধু চরিত্রের চেহারা নির্ধারণের জন্য ব্যবহার করা হয়, তাহলে আলাদাভাবে Picture-এর একটি লাইন লেখার প্রয়োজন নেই; শুধু Subject সংজ্ঞায় সেটি লিখলেই হবে:
<Subject1>is the wolf demon in<Picture1>.
সবচেয়ে সাধারণ ভুল হলো পাঁচটি ছবি আপলোড করে যান্ত্রিকভাবে পাঁচটি Picture সংজ্ঞায়িত করা।
সঠিক পদ্ধতি হলো আগে নিজে পরিষ্কারভাবে বোঝা: ছবিটি কি একটি নির্দিষ্ট দৃশ্য, নাকি শুধু চরিত্র, পোশাক, দৃশ্য বা শৈলীর বৈশিষ্ট্য সরবরাহ করছে?
শুধু বৈশিষ্ট্য সরবরাহ করলে Subject ব্যবহার করুন।
কোনো নির্দিষ্ট ফ্রেম বা শটের কম্পোজিশন সরাসরি নিয়ন্ত্রণ করলে Picture ব্যবহার করুন।
<VideoN>: পুরো ভিডিওর কাঠামোর উৎস।
Video মূলত রেফারেন্স ভিডিও এবং লক্ষ্য ভিডিওর মধ্যকার সম্পর্ক বর্ণনা করতে ব্যবহৃত হয়, যেমন:
মূল ভিডিও সম্পাদনা করা; মূল ভিডিও চালিয়ে যাওয়া; মূল ভিডিওর ক্যামেরা মুভমেন্ট অনুসরণ করা; সম্পাদনার গতি অনুসরণ করা; শটের ক্রম অনুসরণ করা; পুরো সময়ের কাঠামো অনুসরণ করা।
উদাহরণ:
<Video1>is the source video for the target video edit.
এর অর্থ: <Video1> হলো লক্ষ্য ভিডিও সম্পাদনার উৎস ভিডিও।
কিন্তু আপনি যদি শুধু রেফারেন্স ভিডিওর কোনো ব্যক্তির动作 ব্যবহার করতে চান, তাহলে সেই ব্যক্তি বা动作কে এখনও Subject হিসেবে সংজ্ঞায়িত করা উচিত:
<Subject2>is the nervous hand-rubbing motion from<Video1>.
এর অর্থ: <Subject2> হলো <Video1>-এর উদ্বিগ্নভাবে হাত ঘষার动作।
উপাদানের উৎস ভিডিও হওয়ার কারণে ভিডিওর সব বিষয়কে <Video1> হিসেবে লিখবেন না।
এভাবে বুঝতে পারেন: <VideoN> পুরো ভিডিওর কাঠামো ও সময়ের সম্পর্ক নিয়ন্ত্রণ করে; <SubjectN> ভিডিও থেকে বের করে ব্যবহার করতে হবে এমন নির্দিষ্ট বিষয় নিয়ন্ত্রণ করে।
<AudioN>: শব্দের উপাদান।
Audio-এর ভূমিকা হতে পারে:
পুরো শব্দ হুবহু কপি করা; এর একটি অংশ কপি করা; চরিত্রের কণ্ঠস্বরের বৈশিষ্ট্য অনুসরণ করা; কথা বলার গতি অনুসরণ করা; আবেগ ও স্বরভঙ্গি অনুসরণ করা; মিউজিকের শৈলী অনুসরণ করা; সাউন্ড ইফেক্টের গুণমান অনুসরণ করা; মূল অডিওর তাল বজায় রাখা।
উদাহরণ:
<Audio1>is the voice-timbre reference for<Subject1>(S1).
এর অর্থ: Audio1 শুধু Subject1-এর কণ্ঠস্বরের টিম্বরের জন্য দায়ী।
মনে রাখবেন: আপলোড করা ভিডিও ফাইলে শব্দ থাকলেই যে স্বয়ংক্রিয়ভাবে একটি Audio সংজ্ঞায়িত করতে হবে, তা নয়।
শব্দটি সত্যিই কপি বা রেফারেন্স হিসেবে ব্যবহার করতে হলে তবেই <AudioN> সংজ্ঞায়িত করতে হবে।
এছাড়াও Video এবং Audio আলাদাভাবে নম্বরায়িত হয়; তাদের সংখ্যার মধ্যে এক-এক মিল থাকা জরুরি নয়।
>৪. প্রথমে নির্ধারণ করুন আপনার কাজটি কোন ধরনের
>
এই টিউটোরিয়াল না পড়লে ভালো ছিল, পড়ার পর মনে হচ্ছে পুরোপুরি কিছুই শেখা হলো না, তাই তো?
আসলে বিষয়টি সহজ।
summary-এর শুরুতে বর্গাকার বন্ধনীর মধ্যে কাজের ধরন উল্লেখ করতে হবে।
সাধারণত ছয় ধরনের কাজ রয়েছে।
1，keyframe completion
রেফারেন্স ছবিকে সরাসরি প্রথম ফ্রেম, শেষ ফ্রেম বা গুরুত্বপূর্ণ ফ্রেম হিসেবে ব্যবহার করা।
[keyframe completion]
2，reference generation
চরিত্র, দৃশ্য, শৈলী,动作, ক্যামেরা মুভমেন্ট বা শব্দের বৈশিষ্ট্যকে রেফারেন্স হিসেবে ব্যবহার করা।
তবে মূল ভিডিও সরাসরি সম্পাদনা বা চালিয়ে যাওয়া নয়।
[reference generation]
সাধারণ একাধিক উপাদান বা মাল্টিমোডাল রেফারেন্স জেনারেশনে এটিই সবচেয়ে বেশি ব্যবহৃত ধরন।
3，video editing
একটি বিদ্যমান ভিডিও সরাসরি পরিবর্তন করা।
[video editing]
4，video continuation
মূল ভিডিওর শেষ থেকে পরবর্তী অংশ তৈরি করা।
[video continuation]
5，audio reuse
মূল অডিও সিগন্যাল সরাসরি কপি করা।
[audio reuse]
6，audiore ference
মূল শব্দ কপি না করে শুধু কণ্ঠস্বরের বৈশিষ্ট্য, গতি, স্বরভঙ্গি বা মিউজিকের শৈলী অনুসরণ করা।
[audio reference]
একটি কাজের মধ্যে একাধিক ধরন একই সঙ্গে থাকতে পারে:
[video continuation+keyframe completion+audio reference]
ভিডিও আপলোড করেছেন বলেই সরাসরি video editing লিখবেন না।
শুধু ভিডিওর ক্যামেরা মুভমেন্ট বা গতি অনুসরণ করলে সাধারণত সেটি এখনও reference generation-এর অন্তর্ভুক্ত।
শুধু মূল ভিডিও সরাসরি পরিবর্তন করলেই সেটি videoediting।
শুধু মূল ভিডিওর শেষ থেকে চালিয়ে গেলেই সেটি video continuation।
>৫. মডেলকে কীভাবে জানাবেন “কোন বিষয়গুলো পরিবর্তন করা যাবে না”
>
retention_analysis-এর কাজ হলো রেফারেন্স উপকরণ কতটা সংরক্ষণ করা হবে তা স্পষ্ট করা
ভিজ্যুয়াল উপকরণে নিচের চার ধরনের সম্পর্ক ব্যবহার করা হয়
1，fully_preserved
সম্পূর্ণ সংরক্ষণ। প্রযোজ্য ক্ষেত্রে: একই চরিত্র অবশ্যই বজায় রাখতে হবে; পোশাক পরিবর্তন করা যাবে না; দৃশ্যের বিন্যাস পরিবর্তন করা যাবে না; প্রথম বা শেষ ফ্রেম অবশ্যই কঠোরভাবে মেলাতে হবে
<Subject1>:fully_preserved the character's grey fur,drooping ears,brown clothes,and facial identity areretained.
অর্থাৎ: <Subject1>-এর চরিত্রের ধূসর লোম, ঝুলে থাকা কান, বাদামি পোশাক এবং মুখাবয়বের বৈশিষ্ট্য সংরক্ষিত থাকবে
2，partially_preserved
আংশিক সংরক্ষণ, তবে পরিবর্তনের অনুমতি আছে।
উদাহরণ: চরিত্রের পরিচয় বজায় রেখে পোশাক পরিবর্তন করা; দৃশ্যের কাঠামো বজায় রেখে সময় ও আলো পরিবর্তন করা; মূল কাজটি বজায় রেখে গতি পরিবর্তন করা
3，attribute_transfer
রেফারেন্সের বৈশিষ্ট্য অন্য একটি বস্তুর ওপর স্থানান্তর করা
উদাহরণ: রেফারেন্স ভিডিওর প্রাপ্তবয়স্ক ব্যক্তির গতিবিধি ছোট নেকড়ে-দানবের ওপর স্থানান্তর করা; রেফারেন্স ছবির পোশাক অন্য চরিত্রকে পরানো; কোনো অভিব্যক্তি লক্ষ্য চরিত্রের ওপর স্থানান্তর করা
4，weak_reference
শুধু মোটামুটি সাদৃশ্য বজায় রাখা। প্রযোজ্য ক্ষেত্রে: শুধু আবহ উল্লেখ করা; শুধু শিল্পরীতি উল্লেখ করা; শুধু মোটামুটি কম্পোজিশন উল্লেখ করা; শুধু শটের ছন্দ উল্লেখ করা
আপনি যে ফাইল আপলোড করেছেন তা ভিডিও নয়, অডিও হলে ব্যবহার করুন:
fully_copy：সম্পূর্ণ কপি;
partially_copy：আংশিক কপি;
reference：শুধু কণ্ঠের স্বর, ছন্দ বা ধরন অনুসরণ করা;
weak_reference：শুধু মোটামুটি আবহ বজায় রাখা
এই অংশটি আপনাকে উৎপাদনের মান বিচার করতে বলছে না; বরং আগে থেকেই মডেলকে জানাচ্ছে: কোন রেফারেন্স সম্পর্কগুলো কঠোর নিয়ন্ত্রণ, আর কোনগুলো কেবল দুর্বল রেফারেন্স
>ছয়、ফলাফল নির্ধারণে আসল ভূমিকা detailed_description-এর
>
detailed_description হলো প্রম্পটের মূল অংশ
অফিশিয়াল পরামর্শ হলো ভিডিও তৈরি করার সময় প্রম্পটটি প্রায় 350 থেকে 500টি ইংরেজি শব্দে লেখা, তবে যান্ত্রিকভাবে শব্দসংখ্যা পূরণ করা যাবে না। সংলাপ-সমৃদ্ধ ভিডিওতে সংলাপের সময় যেন যুক্তিসঙ্গতভাবে সামলানো যায়, সেটিকে অগ্রাধিকার দিতে হবে
ভিডিও সম্পাদনার কাজ হলে মূল ভিডিওর জটিলতা অনুযায়ী তা সমন্বয় করুন
1，এক বা দুটি বাক্যে সামগ্রিক ধরন নির্ধারণ করুন
প্রথম শটের আগে ধরনটির বিবরণ রাখুন:
The target video uses a stylized 3D animated mockumentary style, with slightly exaggerated expressions, warm daylight, and dry absurdist comedy.
অর্থ: লক্ষ্য ভিডিওটি স্টাইলাইজড 3D অ্যানিমেটেড মকুমেন্টারি ধাঁচের, যাতে সামান্য অতিরঞ্জিত অভিব্যক্তি, উষ্ণ দিনের আলো এবং শুষ্ক অ্যাবসার্ড কমেডি রয়েছে
একে অপরের সঙ্গে সাংঘর্ষিক কয়েক ডজন ধরন-নির্দেশক শব্দ একসঙ্গে সাজাবেন না, যেমন:
cinematic, anime, photorealistic, watercolor, clay animation, cyberpunk, Chinese ink painting
সিনেমাটিক, অ্যানিমে, ফটোরিয়ালিস্টিক, জলরং, ক্লে অ্যানিমেশন, সাইবারপাঙ্ক, চীনা কালি-চিত্র
সঠিকভাবে লিখতে হবে:
A stylized 3D animated mockumentary with rough hand-painted textures and natural daylight.
একটি প্রধান ধরন নির্ধারণ করে তার সঙ্গে এক বা দুটি টেক্সচারগত বৈশিষ্ট্য যোগ করাই যথেষ্ট
2，প্রথম শটে সময় লিখবেন না
[Shot1]
পরের শটগুলোতে পরিবর্তনের সময় উল্লেখ করুন:
[Shot2]At 00:03.000,...
[Shot3]At 00:06.500,...
টাইমস্ট্যাম্পটি নির্দেশ করে নতুন শটটি কখন শুরু হবে
3，প্রতিটি শট নির্দিষ্ট ক্রমে লিখুন
নতুনরা নিচের ক্রম ব্যবহার করতে পারেন, এতে ভুলের ঝুঁকি কমে:
প্রথম ধাপ: শটের ধরন ও কম্পোজিশন
A medium shot shows...
A close-up frames...
A wide shot establishes...
দ্বিতীয় ধাপ: চরিত্রের অবস্থান
<Subject 1> stands on the left side of the frame.
তৃতীয় ধাপ: চরিত্রের চেহারা
চরিত্রটি প্রথমবার দেখা দিলে তার সবচেয়ে গুরুত্বপূর্ণ পরিচয়-নির্দেশক বৈশিষ্ট্যগুলো সংক্ষেপে পুনরায় উল্লেখ করুন:
<Subject 1>, the grey-furred young wolf demon in worn brown clothes, ...
পরের শটগুলোতে সম্পূর্ণ সংজ্ঞা আবার দেওয়ার প্রয়োজন নেই
চতুর্থ ধাপ: একটি মাত্র কাজ
He slowly hands the recommendation letter to the interviewer.
একটি ছোট শটে একই সঙ্গে ঘরে ঢোকা, বসা, কাগজ দেওয়া, মাথা ঘোরানো, পড়ে যাওয়া, উঠে দাঁড়ানো, কথা বলা, দরজা ঠেলে বেরিয়ে যাওয়া ইত্যাদি একাধিক কাজ রাখবেন না
মডেল কাজগুলো চেনে না এমন নয়, কিন্তু কয়েক সেকেন্ডের মধ্যে কাজের সঠিক ক্রম সাজানো তার জন্য কঠিন
আরও নির্ভরযোগ্য পদ্ধতি হলো শট ভাগ করে নেওয়া। অন্যান্য মডেলেও একাধিক কাজ তৈরির জন্য এই পদ্ধতি প্রচলিত:
শট 1: ঘরে প্রবেশ করা;
শট 2: বসা;
শট 3: সুপারিশপত্র এগিয়ে দেওয়া;
শট 4: সাক্ষাৎকারগ্রহণকারী মাথা নিচু করে দেখা।
পঞ্চম ধাপ: অভিব্যক্তি ও অবস্থার পরিবর্তন
শুধু “উদ্বিগ্ন” লিখবেন না; দৃশ্যমান পরিবর্তন লিখুন:
His ears droop slightly, his shoulders tighten, and he avoids eye contact.
ষষ্ঠ ধাপ: ক্যামেরার গতি
The camera slowly pushes in.
The camera makes a slight handheld pan to the right.
The camera remains static.
প্রয়োজনে গতি ও পরিসর স্পষ্ট করে লিখুন; ক্যামেরা না নড়লে সরাসরি স্থির শট লিখুন
সপ্তম ধাপ: শব্দ ও সংলাপ
শব্দের উৎস, বলার ধরন এবং নির্দিষ্ট সংলাপ স্পষ্ট করে লিখুন
>সাত、সংলাপ লেখার মানসম্মত পদ্ধতি
>
বাস্তবে কথা বলা প্রত্যেক ব্যক্তির জন্য একটি নির্দিষ্ট বক্তা নম্বর প্রয়োজন:
(S1)
(S2)
(S3)
চরিত্র প্রথমবার কথা বলার ক্রম অনুযায়ী নম্বর নির্ধারিত হবে এবং পরে ইচ্ছেমতো পরিবর্তন করা যাবে না।
উদাহরণ:
<Subject 1> (S1) says in a nervous young male voice, <d>[Chinese] 我有三封推荐信，两封是我自己写的。</d>
এখানে:
<Subject1> পর্দায় থাকা রেফারেন্স চরিত্রকে বোঝায়;
(S1) শব্দের উৎসকে বোঝায়;
[Chinese] সংলাপের ভাষা বোঝায়;
<d>...</d> সম্পূর্ণ সংলাপকে ঘিরে রাখে।
একই চরিত্র পরে আবার কথা বললেও (S1) ব্যবহার করতে হবে
চরিত্রটি অফ-স্ক্রিনে কথা বললে:
<Subject 1> (S1), speaking off-screen, says...
মনে রাখুন:
সংলাপ, বর্ণনা এবং গান সবই <d>-এর মধ্যে লিখতে হবে; মূল ভাষা অপরিবর্তিত রাখতে হবে, ইংরেজিতে অনুবাদ করার প্রয়োজন নেই; মূল সংলাপ অস্পষ্ট হলে [unclear] লিখুন, নিজে থেকে অনুমান করা যাবে না; শুধু কণ্ঠের স্বর অনুসরণ করলে রেফারেন্স অডিওর মূল সংলাপ নতুন ভিডিওতে আনবেন না; সংলাপের শেষে স্বাভাবিক পূর্ণচ্ছেদ, প্রশ্নবোধক বা বিস্ময়বোধক চিহ্ন ব্যবহার করতে হবে
অফিশিয়াল নির্দেশনায় “ভিজ্যুয়াল বিষয়” এবং “শব্দের উৎস”-কে দুটি পৃথক ট্র্যাকিং সিস্টেম হিসেবে ধরা হয়: Subject নির্ধারণ করে চরিত্রটি কে, আর S1/S2 নির্ধারণ করে কে কথা বলছে; বেশ ঝামেলার ব্যাপার
>আট、পরিবেশের শব্দ ও ব্যাকগ্রাউন্ড মিউজিক অবশ্যই আলাদা রাখতে হবে
>
1，overall_soundscape
দৃশ্যের জগতে বাস্তবে বিদ্যমান শব্দের বর্ণনা দিন,
overall_soundscape: Quiet indoor room tone, faint paper rustling, wooden chair creaks, and distant crowd noise from outside the recruitment hall.
সামগ্রিক শব্দদৃশ্য: শান্ত ঘরের আবহ, কাগজের মৃদু খসখস শব্দ, কাঠের চেয়ারের কড়মড় শব্দ এবং নিয়োগ হলের বাইরে দূরের জনসমাগমের কোলাহল।
দৃশ্যের জগতে বাস্তবে বিদ্যমান শব্দ বলতে বোঝায়: বাতাসের শব্দ; বৃষ্টির শব্দ; রাস্তার শব্দ; ঘরের পটভূমির শব্দ; পায়ের শব্দ; দরজা খোলার শব্দ; পোশাকের ঘর্ষণের শব্দ; বস্তুর সংঘর্ষের শব্দ
2，non_diegetic_music
শুধু দর্শক শুনতে পায় এমন আবহসংগীতের বর্ণনা দিন
non_diegetic_music: A restrained plucked-string comedy score at a medium-slow tempo, with brief pauses before each punchline.
BGM ব্যবহার করলে স্পষ্ট করে বলা ভালো: কোন বাদ্যযন্ত্র ব্যবহার হবে; সঙ্গীতের গতি; আবেগ; শব্দের মাত্রার পরিবর্তন; ধীরে ধীরে জোরালো হবে কি না; হাসির মুহূর্তের আগে থামবে কি না
সম্পূর্ণ সংলাপ এই দুটি অংশে পুনরাবৃত্তি করবেন না; সংলাপ শুধু detailed_description-এ রাখুন
>নয়、শুরুতে সবচেয়ে সহজে যে আটটি ভুল হয়
>
ভুল এক: সব রেফারেন্স ফাইলকে Picture হিসেবে সংজ্ঞায়িত করা
ছবি যদি শুধু চরিত্রের চেহারা নির্ধারণ করে, তাহলে আলাদাভাবে Picture না লিখে Subject হিসেবে সংজ্ঞায়িত করতে হবে
ভুল দুই: রেফারেন্স ভিডিওর মানুষকে Video হিসেবে লেখা
চরিত্র, বস্তু এবং কাজ Subject-এর অন্তর্ভুক্ত; Video মূলত পুরো ভিডিওর সম্পাদনা, ধারাবাহিকতা, ছন্দ বা শটের কাঠামো বোঝায়
ভুল তিন: শুধু “কোনো ছবিকে রেফারেন্স হিসেবে ব্যবহার করুন” লেখা
মডেল জানবে না আপনি আসলে কী অনুসরণ করতে বলছেন
ভুলভাবে লেখা: Use Picture 1 as reference.
সঠিকভাবে লেখা: <Subject 1>'s facial identity, grey fur, drooping ears, and worn brown clothes come from <Picture 1>.
ভুল চার: একটি রেফারেন্স উপকরণের ওপর অস্পষ্টভাবে অতিরিক্ত কাজের দায়িত্ব দেওয়া
লিখবেন না: Use Video1 for everything.
রেফারেন্সের উপাদানগুলো আলাদা করে লিখতে হবে: চরিত্রের কাজ Video1 থেকে; সম্পাদনার ছন্দ Video1 থেকে দুর্বলভাবে অনুসরণ করা; অডিও কপি করা হবে না; দৃশ্য Picture2 থেকে
ভুল পাঁচ: শুধু কাহিনি লেখা, দৃশ্য নয়
“সে একটি অযৌক্তিক সাক্ষাৎকারে অংশ নিয়েছিল”—এ ধরনের প্রম্পট মডেল সরাসরি কার্যকর করতে পারে না
অবশ্যই বলতে হবে: সে কোথায় দাঁড়িয়ে আছে; সাক্ষাৎকারগ্রহণকারী কোথায়; কে আগে কাজ করবে; কাজের পরিসর কতটা; ক্যামেরা নড়বে কি না; কখন কথা বলা হবে
ভুল ছয়: একটি শটে অতিরিক্ত কাজ ঢোকানো
একটি শটে একটি কাজ রাখুন; জটিল ঘটনা হলে একাধিক শটে ভাগ করে সম্পন্ন করুন
ভুল সাত: চরিত্রের নম্বর বারবার পরিবর্তন করা
একই চরিত্র একবার (S1) হলে পুরো ভিডিওতে তাকে (S1) হিসেবেই রাখতে হবে
ভুল আট: “শব্দ কপি” এবং “শব্দ অনুসরণ” গুলিয়ে ফেলা
মূল অডিও ট্র্যাক রাখতে চাইলে লিখুন audio reuse
শুধু কণ্ঠের স্বর বা কথা বলার ধরন অনুসরণ করতে চাইলে লিখুন audior eference
>দশ、নতুনরা সরাসরি ব্যবহার করতে পারে এমন সম্পূর্ণ টেমপ্লেট
>
এটাই সম্ভবত নতুনদের সবচেয়ে পছন্দের অংশ 😂
>
বিষয়-সংজ্ঞা:
<Subject1>হলো[যে ব্যক্তি, প্রাণী, বস্তু বা দৃশ্য তৈরি করতে হবে], যার[চেহারা, পোশাক, পরিচয় ইত্যাদির বৈশিষ্ট্য]আসবে<Picture1>থেকে।<Subject2>হলো[দ্বিতীয় দৃশ্যমান প্রধান বিষয়], যার[অভিনয়, অভিব্যক্তি বা চেহারা]আসবে<Video1>থেকে।<Picture2>হলো[প্রথম ফ্রেম/কী-ফ্রেম/শেষ ফ্রেম/কম্পোজিশন রেফারেন্স], যা[ShotN]-এর।<Video1>হলো[ক্যামেরা মুভমেন্ট/এডিটিংয়ের ছন্দ/সময়গত কাঠামো]-এর রেফারেন্স হিসেবে ব্যবহৃত উৎস ভিডিও।<Audio1>হলো<Subject1>(S1)-এর কণ্ঠস্বরের টিম্বরের রেফারেন্স।সারাংশ:[রেফারেন্স জেনারেশন+অডিও রেফারেন্স]লক্ষ্য ভিডিওতে দেখা যায়[চরিত্র, দৃশ্য এবং মূল ঘটনা]।<Picture2>নির্ধারণ করে[নির্দিষ্ট দৃশ্যগত ভূমিকা]।<Video1>সরবরাহ করে[ভিডিও রেফারেন্সের ভূমিকা]।<Audio1>সরবরাহ করে[শব্দের রেফারেন্সের ভূমিকা]।সংরক্ষণ বিশ্লেষণ:<Subject1>([Shot1], [Shot2]-এ দেখা যায়):সম্পূর্ণভাবে সংরক্ষিত[যে চরিত্র-বৈশিষ্ট্য অবশ্যই রাখতে হবে]।<Subject2>([Shot2], [Shot3]-এ দেখা যায়):আংশিকভাবে সংরক্ষিত[কী রাখতে হবে, কী পরিবর্তন করা যেতে পারে]।<Picture2>([Shot1]-এর প্রথম ফ্রেম):সম্পূর্ণভাবে সংরক্ষিত[যে কম্পোজিশন ও অবস্থান কঠোরভাবে রাখতে হবে]।<Video1>(ক্যামেরা মুভমেন্ট ও গতি):দুর্বল রেফারেন্স[শুধু মোটামুটি অনুসরণ করতে হবে এমন বিষয়]।<Audio1>:রেফারেন্স[শুধু কণ্ঠস্বরের টিম্বর, আবেগ ও বলার ছন্দ অনুসরণ করতে হবে, মূল সিগন্যাল অনুলিপি করা যাবে না]।বিস্তারিত বিবরণ:লক্ষ্য ভিডিওতে[প্রধান শৈলী] ব্যবহার করা হয়েছে, যার সঙ্গে রয়েছে[আলো, রং ও সামগ্রিক টেক্সচার]।[Shot1]একটি[শটের পরিসর]দেখায়[পরিবেশ ও কম্পোজিশন]।<Subject1>,[গুরুত্বপূর্ণ চেহারার বৈশিষ্ট্য], ফ্রেমের[অবস্থান]-এ দাঁড়িয়ে বা বসে আছে।[চরিত্রটি একটি প্রধান কাজ করে]।ক্যামেরা[ক্যামেরার মুভমেন্টের ধরন]।[পরিবেশের শব্দ]।[Shot2]00:03.000-এ, শটটি<Subject2>-এর[শটের পরিসর]-এ কাট করে।[প্রধান বিষয়ের অবস্থান, কাজ ও অবস্থার পরিবর্তন]।<Subject1>(S1)একটি[কণ্ঠস্বরের টিম্বর, আবেগ, গতি]-তে বলে,<d>[চীনা]নির্দিষ্ট সংলাপ।</d>[Shot3]00:06.000-এ, শটটি[নতুন কম্পোজিশন]-এ কাট করে।[চরিত্রটি একটি প্রধান কাজ করে]।<Subject2>(S2)একটি[কণ্ঠস্বরের বিবরণ]-তে উত্তর দেয়,<d>[চীনা]নির্দিষ্ট সংলাপ।</d>ক্যামেরা[ক্যামেরার মুভমেন্ট বা স্থির থাকে]।শটটি শেষ হয়[শেষ ফ্রেমের অবস্থা]-তে।সামগ্রিক শব্দদৃশ্য:[পরিবেশের নিচু শব্দ, পায়ের শব্দ, পোশাকের ঘর্ষণ, বস্তুর সংঘর্ষ এবং অন্যান্য বাস্তব শব্দ]।অ-মঞ্চস্থ সংগীত:[বাদ্যযন্ত্র, ছন্দ, আবেগ, ভলিউম এবং সংগীতের বিকাশের ধরন]।
>
>এগারো: হুয়াগুও পর্বতে ছোট নেকড়ে-দানবের চাকরির সাক্ষাৎকারে অংশগ্রহণ
>
ধরা যাক আপলোড করা হয়েছে:
Picture1: ছোট নেকড়ে-দানবের চরিত্রের ছবি;
Picture2: হুয়াগুও পর্বতের নিয়োগ হল;
Video1: একজন চাকরিপ্রার্থীর নার্ভাসভাবে জীবনবৃত্তান্ত এগিয়ে দেওয়ার ভিডিও;
Audio1: ছোট নেকড়ে-দানবের কণ্ঠস্বরের রেফারেন্স।
এভাবে লেখা যেতে পারে:
বিষয়-সংজ্ঞা:
<Subject 1> হলো <Picture 1>-এর তরুণ নেকড়ে-দানব, যার ধূসর পশম, ঝুলে থাকা কান, রোগা শরীর, পুরোনো বাদামি পোশাক এবং স্থায়ী নার্ভাস অভিব্যক্তি রয়েছে।
<Subject 2> হলো বানর সাক্ষাৎকারগ্রহণকারী, যে লাল সরকারি পোশাক পরে একটি বড় কাঠের নিয়োগ ডেস্কের পেছনে বসে আছে।
<Subject 3> হলো <Picture 2>-এর নিয়োগ হলের পরিবেশ, যেখানে পাথরের দেয়াল, লাল ব্যানার, ভিড়ভরা কাঠের বেঞ্চ এবং “花果山人才招聘处” লেখা একটি বড় সাইন রয়েছে।
<Subject 4> হলো <Video 1>-এর নার্ভাসভাবে নথি এগিয়ে দেওয়ার ভঙ্গি, যা <Subject 1>-এর ওপর প্রয়োগ করা হয়েছে।
<Audio 1> হলো <Subject 1> (S1)-এর কণ্ঠস্বরের টিম্বরের রেফারেন্স, যা সতর্ক ও সামান্য কাঁপা পরিবেশনে তরুণ পুরুষের কণ্ঠ সরবরাহ করে।
সারাংশ:
[রেফারেন্স জেনারেশন + অডিও রেফারেন্স] লক্ষ্য ভিডিওতে <Subject 1>-কে <Subject 3>-এর ভেতরে <Subject 2>-এর সঙ্গে চাকরির সাক্ষাৎকারে অংশ নিতে দেখা যায়। <Subject 4>-এর নার্ভাসভাবে নথি এগিয়ে দেওয়ার ভঙ্গি <Subject 1>-এর ওপর প্রয়োগ করা হয়েছে। <Audio 1> <Subject 1>-এর কণ্ঠস্বরের টিম্বরের রেফারেন্স সরবরাহ করে। দৃশ্যটি শুষ্ক অ্যাবসার্ড কমেডি ব্যবহার করে এবং শেষে সাক্ষাৎকারগ্রহণকারী জীবনবৃত্তান্তটি প্রত্যাখ্যান করে, কারণ এতে যথেষ্ট শক্তিশালী সুপারিশপত্র নেই।
সংরক্ষণ বিশ্লেষণ:
<Subject 1> ([Shot 1], [Shot 2], [Shot 3]-এ দেখা যায়): সম্পূর্ণভাবে সংরক্ষিত - নেকড়ে-দানবের মুখের পরিচয়, ধূসর পশম, ঝুলে থাকা কান, রোগা শরীর, পুরোনো বাদামি পোশাক এবং নার্ভাস চেহারা বজায় রাখা হয়েছে।
<Subject 2> ([Shot 1], [Shot 2], [Shot 3]-এ দেখা যায়): সম্পূর্ণভাবে সংরক্ষিত - বানর সাক্ষাৎকারগ্রহণকারীর লাল সরকারি পোশাক, বসার ভঙ্গি এবং আমলাতান্ত্রিক অভিব্যক্তি বজায় রাখা হয়েছে।
<Subject 3> ([Shot 1], [Shot 2], [Shot 3]-এ দেখা যায়): সম্পূর্ণভাবে সংরক্ষিত - পাথরের নিয়োগ হল, কাঠের ডেস্ক, লাল ব্যানার, বেঞ্চ এবং দৃশ্যমান চীনা নিয়োগ সাইনটি বজায় রাখা হয়েছে।
<Subject 4> ([Shot 1]-এ দেখা যায়): বৈশিষ্ট্য স্থানান্তর - সতর্কভাবে নথি এগিয়ে দেওয়ার ভঙ্গিটি <Subject 1>-এর ওপর প্রয়োগ করা হয়েছে।
<Audio 1>: রেফারেন্স - লক্ষ্য বক্তা মূল অডিও সিগন্যাল অনুলিপি না করে তরুণ, সতর্ক এবং সামান্য কাঁপা কণ্ঠের গুণ অনুসরণ করে।
বিস্তারিত বিবরণ:
লক্ষ্য ভিডিওতে রুক্ষ হাতে আঁকা টেক্সচার, পাথরের দরজা দিয়ে প্রবেশ করা উষ্ণ দিনের আলো, সামান্য অতিরঞ্জিত মুখের অভিব্যক্তি এবং শুষ্ক অ্যাবসার্ড কমেডিসহ স্টাইলাইজড 3D অ্যানিমেটেড মকুমেন্টারি শৈলী ব্যবহার করা হয়েছে।
[Shot 1] একটি মাঝারি-প্রশস্ত স্থির শট <Subject 3>-কে প্রতিষ্ঠা করে: লাল ব্যানার, কাঠের বেঞ্চ এবং “花果山人才招聘处” লেখা বড় সাইনসহ ভিড়ভরা পাথরের নিয়োগ হল। লাল সরকারি পোশাক পরা বানর সাক্ষাৎকারগ্রহণকারী <Subject 2> ফ্রেমের ডান পাশে একটি বড় কাঠের ডেস্কের পেছনে বসে আছে। পুরোনো বাদামি পোশাক পরা রোগা ধূসর-পশমের নেকড়ে-দানব <Subject 1> বাম পাশে দাঁড়িয়ে আছে। <Subject 4> থেকে স্থানান্তরিত নার্ভাসভাবে নথি এগিয়ে দেওয়ার ভঙ্গি ব্যবহার করে সে ধীরে ধীরে দুই হাতে ভাঁজ করা জীবনবৃত্তান্তটি সাক্ষাৎকারগ্রহণকারীর দিকে বাড়িয়ে দেয়। তার কান ঝুলে থাকে এবং কাঁধ টানটান থাকে। জীবনবৃত্তান্তটি ডেস্কে পৌঁছানোর সময় কাগজের মৃদু খসখস শব্দ শোনা যায়।
[Shot 2] 00:03.000-এ, শটটি <Subject 2>-এর ক্লোজ-আপে কাট করে। সে জীবনবৃত্তান্তটি না ছুঁয়ে তার দিকে চোখ নামায়। তার অভিব্যক্তি গম্ভীর ও সামান্য অধৈর্য থাকে। <Subject 2> (S2) সমতল আমলাতান্ত্রিক কণ্ঠে জিজ্ঞেস করে, <d>[চীনা] 有大圣的推荐信吗？</d> সে একটি ভ্রু তোলে এবং তর্জনী দিয়ে একবার ডেস্কে টোকা দেয়। ক্যামেরা স্থির থাকে।
[Shot 3] At 00:06.000, the shot cuts to a close-up of <Subject 1>. He tightens his grip on the résumé, lowers his head, and answers using the cautious, slightly trembling voice referenced from <Audio 1>. <Subject 1> (S1) says, <d>[Chinese] কষ্ট নেই, তবে আমি কঠোর পরিশ্রম করতে পারি।</d> After a short pause, the shot cuts back slightly wider as <Subject 2> pushes the résumé back across the desk with one finger and says, <d>[Chinese] আমাদের এখানে কষ্টের অভাব নেই, অভাব হলো সম্পর্কের।</d> <Subject 1> remains frozen with both hands extended as the final frame holds for one second.
overall_soundscape:
A low indoor crowd murmur continues throughout the recruitment hall. Soft paper rustling, wooden chair creaks, distant footsteps, and one dry finger tap on the desk remain clearly audible.
non_diegetic_music:
A restrained plucked-string comedy score at a medium-slow tempo plays quietly beneath the scene. The music stops briefly before the interviewer's final line, followed by one short wooden-percussion note during the final frozen frame.
অর্থাৎ, তরুণ, Minimax H3 ভালোভাবে ব্যবহার করতে চাইলে ইংরেজিতেই মাঠে নামতে হবে।
তবে সমস্যা খুব বেশি নয়। আগে ফরম্যাট মেনে চীনা ভাষায় লিখে পরে অনুবাদ করা যায়। কিন্তু সবচেয়ে দ্রুত উপায় হলো উপরের সম্পূর্ণ উদাহরণটি AI-কে দিয়ে একই ধাঁচে লিখিয়ে নেওয়া, তারপর প্রয়োজনমতো উপাদান বদলে নেওয়া 😂
>বারো. শেষে এই পাঁচ ধাপের লেখার পদ্ধতিটি মনে রাখুন
>
যেকোনো জটিল রেফারেন্স উপাদানের মুখোমুখি হলে সরাসরি দীর্ঘ প্রম্পট লেখা শুরু করবেন না।
আগে নিচের পাঁচটি ধাপ সম্পন্ন করুন:
প্রথম ধাপ: উপাদান বিশ্লেষণ
প্রতিটি উপাদান আসলে কী দিচ্ছে—চরিত্র, দৃশ্য,动作, কম্পোজিশন, ক্যামেরা মুভমেন্ট, গতি, নাকি শব্দ?
দ্বিতীয় ধাপ: ট্যাগ নির্ধারণ
পুনর্ব্যবহারযোগ্য ভিজ্যুয়াল বিষয়বস্তুর জন্য Subject, নির্দিষ্ট দৃশ্যের অ্যাঙ্করের জন্য Picture, পুরো ভিডিওর পারস্পরিক সম্পর্কের জন্য Video, আর শব্দের জন্য Audio ব্যবহার করুন।
তৃতীয় ধাপ: কতটা সংরক্ষণ করতে হবে তা নির্ধারণ
কোনগুলো সম্পূর্ণভাবে সংরক্ষণ করতে হবে, কোনগুলো পরিবর্তন করা যাবে, আর কোনগুলো কেবল দুর্বল রেফারেন্স?
চতুর্থ ধাপ: শট বিভাজন
বাস্তব প্লেব্যাকের ক্রম অনুসরণ করে জটিল ঘটনাকে একাধিক একক-অ্যাকশন শটে ভাগ করুন।
পঞ্চম ধাপ: শব্দ যোগ
চরিত্রের সংলাপ, পরিবেশের শব্দ এবং দর্শকরাই শুনতে পাবে এমন ব্যাকগ্রাউন্ড মিউজিক আলাদা করুন।
MiniMax H3-এর সম্পূর্ণ রেফারেন্স প্রম্পটের অন্তর্নিহিত যুক্তি এক বাক্যে সংক্ষেপ করা যায়:
মডেলকে বলবেন না আপনি কোন ফাইল আপলোড করেছেন; বলুন প্রতিটি উপাদানের দায়িত্ব কী এবং তৈরি হওয়া ভিডিওর কোন শটে কীভাবে তা কার্যকর হওয়া উচিত।
MiniMax H3 ব্যবহারের জন্য কঠোর ফরম্যাটের প্রয়োজনীয়তা রয়েছে, যা Seedance2.0-এর মতো মডেলগুলোর ব্যবহার থেকে সম্পূর্ণ আলাদা। আপাতত ভালো ভিডিও তৈরি করার সম্ভাবনা পেতে হলে এই ফরম্যাট অবশ্যই মেনে চলতে হবে।
এত ঝামেলা করতে না চাইলে আরও কিছুদিন অপেক্ষা করুন, এই বিষয়টি নিয়ে দক্ষ কেউ নিশ্চয়ই আরও উন্নতি আনবেন।
>এই পর্যন্তই
end