Sora-র মতো একটি টেক্সট-থেকে-ভিডিও AI কী তৈরি করে?

সোরার মতো একটি টেক্সট-টু-ভিডিও এআই সরাসরি একটি লিখিত বর্ণনা থেকে সংক্ষিপ্ত ভিডিও ক্লিপ তৈরি করে, প্রম্পটে বর্ণিত বিষয়ের সঙ্গে মিলিয়ে ছবি এক ফ্রেম থেকে পরের ফ্রেমে কীভাবে বদলাবে ও নড়বে তা ভবিষ্যদ্বাণী করে। এতে কেউ একটি সরল বাক্য টাইপ করে ক্যামেরা কখনো ব্যবহার না করেই একটি চলমান, প্রায়ই বিস্ময়করভাবে বাস্তবসম্মত দৃশ্য পেতে পারেন, যদিও সিস্টেমকে এখনও কার্যত এমন অসংখ্য দৃশ্যগত বিবরণ, যেমন আলো ও পদার্থবিজ্ঞান, কল্পনা করতে হয় যা পাঠ্যে স্পষ্টভাবে বলা থাকে না।

মুদ্রিত ফটো অ্যালবাম হলো ভৌত পণ্য যাতে মুদ্রণ ও সংযোজন প্রয়োজন, পাঠ্য থেকে ডিজিটাল চলমান ভিডিও তৈরি করার সঙ্গে এর সম্পর্ক নেই। দ্রুততর হোম ইন্টারনেট সংযোগ একটি ইন্টারনেট সেবা আপগ্রেড, যার সঙ্গে ভিডিও কনটেন্ট তৈরি করা এআই মডেলের কোনো সম্পর্ক নেই।

প্রাথমিক টেক্সট-টু-ভিডিও ক্লিপগুলো প্রায়ই অদ্ভুত ত্রুটি দেখায়, যেমন ভুল সংখ্যক আঙুলের হাত বা একে অপরের মধ্য দিয়ে চলে যাওয়া বস্তু, যা প্রমাণ করে ভৌত বাস্তবতা এখনও এই মডেলগুলোর জন্য সঠিকভাবে করা সবচেয়ে কঠিন বিষয়গুলোর একটি।