ছবি, শব্দ আর ভিডিও যেভাবে ডেটা হয় — pixel, sampling আর compression

১ · কম্পিউটার শুধু সংখ্যা চেনে — তাহলে ছবি আর গান রাখে কীভাবে?

কম্পিউটারের ভেতরে সবকিছু শেষ পর্যন্ত bit — 0 আর 1 (পর্ব ১৬)। লেখার বেলায় প্রতিটি অক্ষরের একটি নম্বর থাকে (পর্ব ১৮)। কিন্তু মায়ের হাসিমুখের ছবি, বৃষ্টির শব্দ বা ক্রিকেট ম্যাচের ভিডিও — এগুলোর তো কোনো “নম্বর” নেই। তাহলে ফোন এগুলো রাখে কীভাবে?

উত্তর একটি বাক্যে: মেপে মেপে। বাস্তব জগতের আলো আর শব্দ হলো analog — একটানা, মসৃণভাবে বদলায়, মাঝে কোনো ফাঁক নেই। কম্পিউটার এই একটানা জিনিসকে ছোট ছোট টুকরোয় ভাগ করে, প্রতিটি টুকরো মেপে একটি সংখ্যা লিখে রাখে। এই কাজকে বলে digitization (ডিজিটাইজেশন)। ছবিতে টুকরো হয় জায়গায় জায়গায়, শব্দে সময়ে সময়ে।

এই পর্বের পুরো গল্পটি তিনটি প্রশ্নে ভাগ করা যায়:

• কতটা ঘন করে মাপব? ছবিতে কতগুলো বর্গ (resolution), শব্দে সেকেন্ডে কতবার (sampling rate).
• প্রতিটি মাপ কতটা সূক্ষ্ম? একটি রং বা একটি শব্দ-মাপ লিখতে কয়টি bit (color depth, bit depth).
• এত সংখ্যা রাখব কোথায়? কাঁচা মাপের পরিমাণ বিশাল, তাই চাপ দিয়ে ছোট করা — compression.

২ · ছবি মানে pixel-এর গ্রিড — resolution, RGB আর color depth

ফোনের যেকোনো ছবি খুব বেশি zoom করুন। একসময় ছবিটি আর মসৃণ থাকবে না, ছোট ছোট রঙিন বর্গ দেখা যাবে। এই প্রতিটি বর্গের নাম pixel (picture element-এর সংক্ষেপ)। একটি pixel-এর ভেতরে পুরো এক রং — তার ভেতরে আর কোনো খুঁটিনাটি নেই। এভাবে pixel-এর গ্রিড দিয়ে তৈরি ছবিকে বলে raster বা bitmap ছবি।

ছবিতে আড়াআড়ি আর লম্বালম্বি কয়টি pixel আছে, তাকে বলে resolution, যেমন 4000 × 3000. গুণ করলে মোট pixel: ১,২০,০০,০০০ — অর্থাৎ ১ কোটি ২০ লাখ, বা ১২ মেগাপিক্সেল (MP). তবে মেগাপিক্সেল বেশি মানেই ছবি ভালো নয় — সেন্সর আর লেন্সের ভূমিকাও বড়।

প্রতিটি pixel-এর রং — তিনটি সংখ্যা

স্ক্রিনের প্রতিটি pixel আসলে তিনটি খুব ছোট বাতি: লাল (Red), সবুজ (Green) আর নীল (Blue). এই তিনটির উজ্জ্বলতা মিশিয়ে চোখ হাজারো রং দেখে — একে বলে RGB রঙের মডেল। সাধারণত প্রতিটি রঙের মাত্রা লেখা হয় ০ থেকে ২৫৫ — অর্থাৎ ঠিক এক byte (8 bit). তাই:

• (255, 0, 0) = পুরো লাল, বাকি দুটি বন্ধ → লাল
• (255, 255, 0) = লাল + সবুজ → হলুদ (আলোর মিশ্রণে তাই হয়)
• (0, 0, 0) = সব বাতি বন্ধ → কালো; (255, 255, 255) = সব পুরো জ্বলা → সাদা

ওয়েব পেজে এই তিনটি সংখ্যাকে hexadecimal-এ (পর্ব ১৬) লেখা হয় — একে বলে hex color code. যেমন #FF5733 মানে R = FF = 255, G = 57 = 87, B = 33 = 51 — একটি উজ্জ্বল কমলা-লাল। প্রতিটি দুই-অঙ্কের হেক্স সংখ্যা ঠিক এক byte, তাই ছয় অঙ্কে তিন byte.

নিচের stepper-এ একটি ৪ × ৪ pixel-এর ছোট্ট ছবি নিন — সবুজ জমিনে লাল চাকতি, বাংলাদেশের পতাকার মতো। দেখুন এটি কীভাবে ধাপে ধাপে কেবল সংখ্যা হয়ে যায়:

Color depth — একটি pixel-এ কয়টি bit

প্রতিটি pixel-এর রং লিখতে কয়টি bit খরচ হবে, তাকে বলে color depth বা bit depth. bit বাড়লে সম্ভাব্য রঙের সংখ্যা দ্বিগুণ-দ্বিগুণ করে বাড়ে — n bit-এ 2ⁿটি রং (পর্ব ১৬-এর সেই একই হিসাব)।

সারণির ৩২-bit সারিটি লক্ষ করুন: বাড়তি ৮ bit কোনো নতুন রং নয়, বরং alpha channel — pixel কতটা স্বচ্ছ (০ = পুরো স্বচ্ছ, ২৫৫ = পুরো অস্বচ্ছ)।

স্ক্রিনের RGB, ছাপাখানার CMYK

স্ক্রিন নিজে আলো ছড়ায়, তাই সেখানে রং যোগ হয় — সব জ্বললে সাদা। কাগজে কালি আলো শুষে নেয়, তাই প্রিন্টারে রং বাদ যাওয়ার নিয়মে চলে, আর কালি থাকে চারটি: Cyan (আকাশি-নীল), Magenta (গোলাপি-বেগুনি), Yellow (হলুদ) আর Key বা কালো — একসাথে CMYK.

স্ক্রিনের কিছু ঝকঝকে রং CMYK কালিতে হুবহু ছাপা যায় না, তাই ব্যানার বা কার্ড ছাপার আগে একটি নমুনা ছেপে দেখে নিন।

৩ · ছবির আকার হিসাব আর ফরম্যাট — JPEG, PNG, GIF, WebP, HEIC, RAW

কাঁচা (compress না করা) ছবির আকার বের করার সূত্রটি খুব সোজা, আর পরীক্ষায় প্রায়ই আসে:

কয়েকটি উদাহরণ হাতে কষে দেখুন:

অথচ ফোনের গ্যালারিতে ১২ MP-এর একটি ছবি সাধারণত মাত্র ২–৫ MB. বাকিটা কোথায় গেল? উত্তর compression (অংশ ৭)। আর ১ MB = ১০০০ না ১০২৪ ধরবেন (পর্ব ০৪), পরীক্ষায় প্রশ্নে যা বলা থাকে তা-ই মানুন।

ছবির ফরম্যাট — কোনটি কখন

একই pixel-এর গ্রিড নানা নিয়মে (ফরম্যাটে) ফাইলে লেখা যায়:

৪ · Vector বনাম Raster — লোগো কেন বড় করলেও ঝাপসা হয় না

pixel-এর গ্রিডের একটি বড় সমস্যা আছে: ছোট ছবিকে বড় করলে নতুন তথ্য আসে না। ২০০ × ২০০ pixel-এর লোগো দিয়ে ব্যানার ছাপালে প্রতিটি pixel বড় বর্গ হয়ে যায় — কিনারা খাঁজকাটা, সিঁড়ির মতো (একে বলে pixelation).

এর সমাধান vector graphics. এখানে ছবি pixel দিয়ে রাখা হয় না, রাখা হয় আঁকার নির্দেশ দিয়ে: “(100, 100) কেন্দ্রে ৪৬ একক ব্যাসার্ধের একটি বৃত্ত আঁকো, ভেতরটা #F42A41 রঙে ভরাও।” স্ক্রিন বা প্রিন্টার যখন ছবিটি দেখায়, তখন সেই আকারের জন্য নতুন করে হিসাব করে আঁকে। তাই একটি vector লোগো ভিজিটিং কার্ডে যেমন ধারালো, বিলবোর্ডেও তেমন।

মজার তথ্য: আপনি এই পাতায় যে বাংলা অক্ষরগুলো পড়ছেন, সেগুলোও vector — ফন্টের ভেতরে প্রতিটি অক্ষর বক্ররেখার নির্দেশ হিসেবে রাখা (ফন্ট নিয়ে আরও কথা পর্ব ০৭-এ)। তাই অ+ চেপে লেখা বড় করলেও অক্ষর ঝাপসা হয় না।

তাহলে সব ছবি vector করি না কেন? কারণ ফটোগ্রাফের লাখো ছায়া আকৃতির নির্দেশে লিখতে গেলে নির্দেশ pixel-এর চেয়েও বেশি হয়ে যায়। আর স্ক্রিন নিজেও pixel দিয়ে তৈরি, তাই দেখানোর মুহূর্তে vector-কেও pixel-এ আঁকতে হয় (rasterize).

৫ · শব্দ মানে মাপের তালিকা — sampling, bit depth আর channel

শব্দ আসলে বাতাসের কাঁপুনি। ঢোল পেটালে বাতাসের চাপ একবার বাড়ে, একবার কমে — ঢেউয়ের মতো। সেকেন্ডে এই ঢেউ কতবার আসে, তাকে বলে কম্পাঙ্ক বা frequency, একক হার্জ (Hz). মানুষ মোটামুটি ২০ Hz (খুব মোটা গুমগুম) থেকে ২০,০০০ Hz বা 20 kHz (খুব চিকন শিসের মতো) পর্যন্ত শুনতে পায়।

মাইক্রোফোন এই ওঠানামাকে ভোল্টেজের ওঠানামায় বদলায় — এখনো analog. কম্পিউটারে রাখতে হলে নির্দিষ্ট সময় পরপর তরঙ্গের উচ্চতা মেপে সংখ্যা লিখতে হয়। এই মাপাকে বলে sampling, আর সেকেন্ডে কতবার মাপা হয়, তা হলো sampling rate. এই কাজ করে ADC নামের একটি ছোট চিপ; বাজানোর সময় DAC উল্টো কাজটি করে।

নিচের stepper-এ একটি তরঙ্গকে বিভিন্ন হারে মাপা হচ্ছে। প্রতিটি মাপ পরের মাপ পর্যন্ত ধরে রাখলে একটি “সিঁড়ি” পাওয়া যায় — কম্পিউটারের চোখে তরঙ্গটি আসলে এটাই:

Nyquist-এর নিয়ম — কেন CD-তে 44.1 kHz

stepper-এর মূল শিক্ষাটি একটি বিখ্যাত নিয়ম, যাকে বলে Nyquist–Shannon sampling theorem: কোনো সংকেতের সর্বোচ্চ কম্পাঙ্কের দ্বিগুণের বেশি হারে মাপলে সংকেতটি পুরোপুরি ফেরত আনা যায়। মানুষের কান ২০ kHz পর্যন্ত শোনে, তাই সেকেন্ডে ৪০,০০০ বারের বেশি মাপতে হবে। অডিও CD-তে নেওয়া হয়েছে ৪৪,১০০ বার, অর্থাৎ 44.1 kHz — ফিল্টারের জন্য একটু বাড়তি জায়গা রেখে (ভাবনার প্রশ্ন ৪)। ভিডিও আর সিনেমার শব্দে প্রচলিত হার 48 kHz. আর ল্যান্ডফোনে কণ্ঠ মাপা হতো সেকেন্ডে মাত্র ৮,০০০ বার — তাই ফোনে গান ফ্যাসফেসে লাগে।

Bit depth আর channel

প্রতিটি মাপ কতটা সূক্ষ্ম, তা ঠিক করে bit depth. 16-bit মানে প্রতিটি মাপ ৬৫,৫৩৬টি সম্ভাব্য ধাপের একটিতে গোল করে (round) বসানো হয় — একে বলে quantization. ধাপ কম হলে গোল করার ভুল হালকা “শোঁ-শোঁ” আওয়াজ হয়ে শোনা যায়। CD-তে 16-bit, পেশাদার রেকর্ডিংয়ে 24-bit.

আর channel মানে কয়টি আলাদা মাইক্রোফোন-পথ। mono-তে একটি, stereo-তে দুটি (বাম ও ডান কানের জন্য আলাদা), সিনেমা হলের 5.1-এ ছয়টি।

CD-মানের ১ মিনিটের গান: ৪৪,১০০ × ১৬ × ২ = সেকেন্ডে ১৪,১১,২০০ bit (প্রায় 1411 kbps). ৬০ সেকেন্ডে ৮,৪৬,৭২,০০০ bit, ৮ দিয়ে ভাগ করলে ১,০৫,৮৪,০০০ byte ≈ ১০.৬ MB (বা প্রায় ১০.১ MiB). অর্থাৎ পাঁচ মিনিটের একটি গান কাঁচা অবস্থায় প্রায় ৫০ MB.

অডিও ফরম্যাট আর bitrate

অডিও ফাইলে প্রতি সেকেন্ডে গড়ে কত bit খরচ হয়, তাকে বলে bitrate, একক kbps (kilobit per second). কাঁচা CD-মান 1411 kbps. সেখানে একটি 128 kbps MP3 প্রায় ১১ ভাগের ১ ভাগ — মিনিটে প্রায় ০.৯৬ MB. এত ছোট হলো কীভাবে? MP3 আর তার উত্তরসূরিরা মানুষের কানের দুর্বলতা কাজে লাগায়: জোরালো শব্দের ঠিক পাশের কম্পাঙ্কের মৃদু শব্দ আমরা শুনতে পাই না (একে বলে masking), আর খুব চিকন কম্পাঙ্কে কান কম সংবেদনশীল। যা শোনা যায় না, তা ফেলে দেওয়া হয়। কানের এই বিজ্ঞানকে বলে psychoacoustics.

একবার lossy করে ফেলা গানের হারানো অংশ আর ফেরত আসে না — তাই নিজের রেকর্ডিংয়ের মূল কপি WAV বা FLAC-এ রাখুন, শেয়ারের কপি MP3/AAC-এ।

৬ · ভিডিও মানে সেকেন্ডে অনেক ছবি — fps, codec আর container

ছোটবেলায় খাতার কোণে প্রতি পাতায় একটু একটু করে বদলানো ছবি এঁকে দ্রুত উল্টালে মনে হতো ছবি নড়ছে। ভিডিও ঠিক এটাই: অনেকগুলো স্থির ছবি (প্রতিটিকে বলে frame) দ্রুত পরপর দেখানো, সাথে শব্দ। সেকেন্ডে কয়টি frame, তাকে বলে frame rate, একক fps (frames per second).

সিনেমায় প্রথাগতভাবে 24 fps, টিভি আর অনলাইন ভিডিওতে 25/30 fps, খেলা আর গেমিংয়ে 60 fps বা বেশি।

ভিডিওর resolution-এর নামগুলো আসে উচ্চতা থেকে: 720p = 1280 × 720 (HD), 1080p = 1920 × 1080 (Full HD), 4K (UHD) = 3840 × 2160 — Full HD-র ঠিক চার গুণ pixel.

কাঁচা ভিডিও কত বড়? — চমকে যাওয়ার মতো হিসাব

ছবির সূত্রই খাটান, শুধু fps দিয়ে গুণ করুন। 1080p, 24-bit রং, 30 fps:

• এক frame: 1920 × 1080 × 3 = ৬২,২০,৮০০ byte ≈ ৬.২ MB
• এক সেকেন্ড: × ৩০ = ১৮,৬৬,২৪,০০০ byte ≈ ১৮৭ MB
• এক ঘণ্টা: × ৩,৬০০ ≈ ৬৭২ GB — শব্দ বাদ দিয়েই!

অথচ একটি দুই ঘণ্টার Full HD সিনেমা সাধারণত ২–৪ GB-এর মধ্যে নামানো যায়। অর্থাৎ ভিডিও compression ফাইলকে প্রায় তিনশো থেকে সাতশো ভাগের এক ভাগ করে ফেলে (দুই ঘণ্টার কাঁচা ভিডিও প্রায় ১,৩৪৪ GB), অথচ চোখে পার্থক্য প্রায় ধরা পড়ে না। এই জাদুর কারিগরের নাম codec.

Codec বনাম container — দুটি আলাদা জিনিস

Codec (coder-decoder) হলো ভিডিও বা অডিওকে সংকুচিত করার আর আবার খোলার নিয়ম ও সফটওয়্যার — যেমন H.264/AVC (২০০৩, আজও সবচেয়ে বেশি যন্ত্রে চলে), H.265/HEVC (২০১৩, একই মানে প্রায় অর্ধেক আকার), VP9 আর AV1 (২০১৮, রয়্যালটি-মুক্ত, YouTube-Netflix ব্যবহার করে)। নতুন codec বেশি সংকুচিত করে, কিন্তু বেশি হিসাব লাগে — তাই ফোন আর GPU-তে এদের জন্য আলাদা হার্ডওয়্যার থাকে।

Container হলো বাক্স — যার ভেতরে ভিডিও স্রোত, এক বা একাধিক অডিও স্রোত (যেমন বাংলা আর ইংরেজি ডাবিং), সাবটাইটেল আর তথ্য (শিরোনাম, সময়) একসাথে প্যাক করা থাকে। MP4, MKV, WebM, MOV — এগুলো container. তাই “.mp4 ফাইল” বললে ভেতরের codec বোঝা যায় না; একটি MP4-এর ভেতরে H.264-ও থাকতে পারে, H.265-ও। পুরোনো টিভিতে একটি MP4 চলে আর আরেকটি চলে না — প্রায়ই কারণ ভেতরের codec.

আসল কৌশল: শুধু যা বদলায় তা রাখা

পরপর দুটি frame প্রায় হুবহু এক — সংবাদ পাঠিকার পেছনের দেয়াল সেকেন্ডের ৩০ ভাগের ১ ভাগ সময়ে বদলায় না। তাই codec প্রতিটি frame আলাদা ছবি হিসেবে রাখে না। মাঝে মাঝে একটি পূর্ণ ছবি রাখে — keyframe (I-frame) — আর বাকি frame-গুলোতে শুধু লিখে রাখে কোন অংশ কোন দিকে কতটা সরল আর কী সামান্য পার্থক্য রইল। একে বলে inter-frame compression. নিচে একটি গড়িয়ে চলা বলের ভিডিওতে দেখুন:

স্ট্রিমিং, “Auto” কোয়ালিটি আর মোবাইল ডেটা

YouTube একই ভিডিও কয়েকটি মানে (240p থেকে 4K) কয়েক সেকেন্ডের টুকরো করে রাখে। “Auto”-তে প্লেয়ার প্রতিটি টুকরো নামানোর আগে ইন্টারনেটের গতি মেপে মান বেছে নেয়। একে বলে adaptive streaming. তাই ট্রেনে ছবি হঠাৎ ঝাপসা হয়, কিন্তু ভিডিও থামে না।

কত মোবাইল ডেটা খরচ হবে, তা bitrate থেকে নিজেই হিসাব করতে পারেন: ঘণ্টায় ডেটা (MB) = bitrate (Mbps) × ৩,৬০০ ÷ ৮. 1 Mbps-এর ভিডিওতে ঘণ্টায় প্রায় ৪৫০ MB, আর 5 Mbps-এ প্রায় ২.২৫ GB. স্ট্রিমিং সেবাগুলোর নিজেদের দেওয়া আনুমানিক হিসাবে সাধারণ মান (SD) ঘণ্টায় মোটামুটি ১ GB-এর কম, HD ঘণ্টায় ১–৩ GB, আর 4K ঘণ্টায় ৭ GB বা তারও বেশি। ডেটা বাঁচাতে মোবাইলে 480p বা 360p বেছে নিন।

৭ · Compression-এর ভেতরে — RLE, Huffman আর lossy বনাম lossless

সব compression-এর পেছনে দুটির একটি বুদ্ধি কাজ করে:

• Lossless — পুনরাবৃত্তি ছেঁটে ফেলা। একই জিনিস বারবার এলে প্রতিবার না লিখে সংক্ষেপে লেখা। খুললে হুবহু আগের ফাইল ফেরত আসে, একটি bit-ও বদলায় না। উদাহরণ: ZIP, PNG, FLAC, GIF.
• Lossy — যা টের পাওয়া যায় না তা ফেলে দেওয়া। চোখ-কান যে খুঁটিনাটি ধরতে পারে না, তা চিরতরে বাদ। খুললে আসলের খুব কাছাকাছি কিন্তু হুবহু নয়। উদাহরণ: JPEG, MP3, AAC, H.264, WebP-এর lossy রূপ।

প্রোগ্রাম, Word ফাইল বা ব্যাংকের হিসাবে একটি অক্ষরও বদলানো চলবে না — তাই এদের জন্য শুধু lossless.

Run-length encoding (RLE) — সবচেয়ে সহজ কৌশল

একটি সাদা-কালো ছবির এক সারি pixel ভাবুন: সাদা সাদা সাদা সাদা সাদা কালো কালো কালো সাদা সাদা। প্রতিটি না লিখে লিখুন “৫টি সাদা, ৩টি কালো, ২টি সাদা”। এটাই run-length encoding (RLE) — একই জিনিসের টানা সারিকে (run) “কয়টি + কী” দিয়ে লেখা।

Huffman coding — বেশি আসে যে, তার কোড ছোট

মোর্স কোডের কথা মনে আছে (পর্ব ১৮)? ইংরেজিতে সবচেয়ে বেশি আসা অক্ষর E-এর কোড মাত্র একটি ডট, আর কম আসা Q-এর কোড লম্বা। ১৯৫২ সালে MIT-র ছাত্র David Huffman এই বুদ্ধিকে নিখুঁত গাণিতিক পদ্ধতিতে রূপ দেন — Huffman coding. সাধারণ ASCII-তে প্রতিটি অক্ষর সমান ৮ bit; Huffman-এ যে অক্ষর বেশিবার আসে, তার কোড ছোট, যে কম আসে তার লম্বা।

উদাহরণ: ABRACADABRA — ১১টি অক্ষর। A আসে ৫বার, B ২বার, R ২বার, C আর D একবার করে।

ASCII-তে লাগত ১১ × ৮ = ৮৮ bit; পাঁচটি অক্ষরের জন্য সমান ৩-bit কোড দিলেও লাগত ৩৩ bit. Huffman-এ মাত্র ২৩. লক্ষ করুন, কোনো কোড অন্য কোডের শুরুর অংশ নয় (0 দিয়ে শুধু A শুরু হয়, বাকি সবাই 1 দিয়ে)। তাই মাঝে কোনো ফাঁক বা দাগ ছাড়াই 0100101… পড়ে নিশ্চিতভাবে আলাদা করা যায়। ZIP আর PNG-এর ভেতরের DEFLATE পদ্ধতি আগে-দেখা টুকরোর পুনরাবৃত্তি সরায় (LZ77), তারপর Huffman দিয়ে আরও ছোট করে।

Lossy-র কৌশল আর বারবার সেভ করার বিপদ

JPEG ছবিকে ৮ × ৮ pixel-এর ছোট ব্লকে ভাগ করে। প্রতিটি ব্লককে একটি গাণিতিক রূপান্তরে (DCT) মোটামুটি রং আর সূক্ষ্ম খুঁটিনাটিতে ভাঙে; চোখ সূক্ষ্ম খুঁটিনাটি কম ধরে, তাই সেগুলো মোটা দাগে গোল করা বা ফেলে দেওয়া হয়। “Quality” সেটিং ঠিক করে কতটা ফেলা হবে।

এখান থেকে একটি বাস্তব সমস্যা: generational loss. একটি JPEG খুলে আবার JPEG হিসেবে সেভ করলে আবার কিছু খুঁটিনাটি ফেলা হয়। WhatsApp বা Facebook-এ একটি ছবি এক গ্রুপ থেকে আরেক গ্রুপে বারবার ফরোয়ার্ড হলে, প্রতিবার অ্যাপ নিজের মতো করে আবার সংকুচিত করে — তাই দশ হাত ঘোরা ছবি ঝাপসা, দাগে ভরা আর রং-চটা দেখায়। lossless ফাইলে (ZIP, PNG) এই সমস্যা নেই।

নিজে চালিয়ে দেখুন — pixel, RLE আর আকারের হিসাব

নিচের কোডটি Run চাপলে একটি ৮ × ৮ pixel-এর লাল হৃদয় আঁকে — প্রতিটি pixel তিনটি RGB সংখ্যা দিয়ে। তারপর কাঁচা আকার, প্রতিটি সারির RLE রূপ আর সংকোচনের অনুপাত লেখে, আর শেষে এই পর্বের অডিও ও ভিডিওর হিসাব দুটিও মিলিয়ে দেয়।

const C = { W: [255, 255, 255], R: [220, 30, 60] };   // অক্ষর → [R, G, B]
const img = ['WWWWWWWW', 'WRRWWRRW', 'RRRRRRRR', 'RRRRRRRR',
             'WRRRRRRW', 'WWRRRRWW', 'WWWRRWWW', 'WWWWWWWW'];
const ctx = document.getElementById('cv').getContext('2d');
img.forEach((row, y) => [...row].forEach((ch, x) => {
  ctx.fillStyle = `rgb(${C[ch].join(',')})`;           // প্রতিটি pixel = ৩টি সংখ্যা
  ctx.fillRect(x * 20, y * 20, 20, 20);                  // ১ pixel = ২০×২০ বর্গ
}));
console.log('Row 2 RGB:', [...img[1]].slice(0, 3).map(c => C[c].join(',')).join(' | '), '...');
const raw = 8 * 8 * 3;                                   // প্রস্থ × উচ্চতা × ৩ byte
const rle = (s) => s.replace(/(.)\1*/g, (m) => m.length + m[0]);
const rows = img.map(rle);
console.log('RLE rows:', rows.join(' '));
const runs = rows.join('').match(/\d+\D/g).length;       // প্রতিটি run = ১ byte গণনা + ৩ byte রং
console.log(`Raw ${raw} bytes, RLE ${runs} runs x 4 = ${runs * 4} bytes, ratio ${(raw / (runs * 4)).toFixed(2)}:1`);
const audio = 44100 * 16 * 2 * 60 / 8;                   // CD-মান, stereo, ১ মিনিট
const video = 1920 * 1080 * 3 * 30;                      // 1080p, 30 fps, ১ সেকেন্ড
console.log(`CD audio 1 min = ${(audio / 1e6).toFixed(2)} MB, raw 1080p video 1 s = ${(video / 1e6).toFixed(1)} MB`);

৮ · ব্যবহারিক পরামর্শ — কোন কাজে কোন ফরম্যাট, আর সবার জন্য মিডিয়া

এতক্ষণের তত্ত্ব প্রতিদিনের কাজে কীভাবে লাগে, তার একটি ছোট নির্দেশিকা:

সবার জন্য মিডিয়া — caption আর alt text

ছবি আর ভিডিও সংখ্যা হলেও তার উদ্দেশ্য মানুষের কাছে তথ্য পৌঁছানো — সব মানুষের কাছে। দৃষ্টিপ্রতিবন্ধী মানুষ screen reader দিয়ে ওয়েব “শোনেন”, কিন্তু pixel-এর গ্রিড থেকে screen reader কিছুই বলতে পারে না। তাই ছবির সাথে একটি ছোট বর্ণনা — alt text — দিন: “সবুজ জমিনে লাল বৃত্ত — বাংলাদেশের পতাকা”। Word, PowerPoint, Facebook আর বেশিরভাগ ওয়েবসাইট-নির্মাতায় এর জায়গা আছে (পর্ব ০৯ আর ১২-এ দেখেছেন)।

ভিডিওর বেলায় caption বা সাবটাইটেল দিন — কথাগুলো লেখা হিসেবে স্ক্রিনে। শ্রবণপ্রতিবন্ধী মানুষ, শব্দ বন্ধ রেখে দেখা দর্শক — সবাই উপকৃত হন। YouTube-এর নিজে বানানো বাংলা caption-এ ভুল থাকতে পারে, তাই একবার পড়ে ঠিক করে নিন। এগুলো accessibility-র অংশ।

৯ · AI-এর যুগে — বানানো ছবি, নকল কণ্ঠ আর যাচাইয়ের উপায়

ছবি মানে শুধু pixel-এর সংখ্যা, শব্দ মানে শুধু sample-এর সংখ্যা — আর সংখ্যা যেকোনো প্রোগ্রাম লিখে ফেলতে পারে। আজকের AI মডেল লাখো ছবি আর কণ্ঠ থেকে ধাঁচ শিখে এমন pixel আর sample বানায়, যা দেখতে-শুনতে আসলের মতো, কিন্তু কখনো ঘটেনি। একজন মানুষের মুখ বা কণ্ঠ নকল করে বানানো এমন ভিডিও-অডিওকে বলে deepfake.

ঝুঁকিগুলো বাস্তব: নির্বাচনের আগে নেতার নকল ভিডিও, পরিচিত কারও কণ্ঠ নকল করে ফোনে “আমি বিপদে আছি, এখনই bKash-এ টাকা পাঠাও”, কিংবা কারও মুখ বসিয়ে অপমানজনক ছবি। তাই প্রশ্ন হলো, একটি ছবি বা অডিও পেলে আপনি কীভাবে যাচাই করবেন।

AI চ্যাটবট এখানে সাহায্যকারী, বিচারক নয়। “এই ছবি কি AI-এর বানানো?” — এমন প্রশ্নে চ্যাটবট আত্মবিশ্বাসী ভুল উত্তর দিতে পারে (AI hallucination); অনলাইনের “AI detector” টুলগুলোও প্রায়ই ভুল করে। চ্যাটবটকে বরং যাচাইয়ের পরিকল্পনা বানাতে বলুন:

শেয়ার করার আগে — যাচাইয়ের চেকলিস্ট

• ছবিটি reverse image search করে আগের প্রকাশ আর আসল প্রসঙ্গ খুঁজেছি
• খবরটি অন্তত দুটি নির্ভরযোগ্য, স্বাধীন উৎসে পেয়েছি — শুধু ফরোয়ার্ড করা পোস্টে নয়
• Content Credentials বা AI-লেবেল থাকলে দেখেছি; না থাকলে সেটিকে প্রমাণ হিসেবে ধরিনি
• টাকা বা ব্যক্তিগত তথ্য চাওয়া কণ্ঠ/ভিডিও কল হলে নিজে চেনা নম্বরে ফোন করে নিশ্চিত হয়েছি
• নিশ্চিত না হলে শেয়ার করিনি — আর নিজে AI দিয়ে বানানো ছবি পোস্ট করলে স্পষ্ট লিখে দিয়েছি “AI দিয়ে তৈরি”