इमेज, वीडियो और आवाज़ जनरेशन को ऐसे टूल्स के रूप में खोलिए जिन्हें आपका एजेंट कॉल कर सके। एजेंट तय करता है कि क्या बनाना है, रिक्वेस्ट भेजता है, और आगे बढ़ने से पहले लौटी फ़ाइल जाँचता है। अप्रूवल के कदम और सीमाएँ आप तय करते हैं, और हर प्रॉम्प्ट को पहले टूलकिट में आज़मा सकते हैं।
जो एजेंट सिर्फ़ टेक्स्ट लिखता है, वह उसी पल दीवार से टकरा जाता है जब किसी काम में तस्वीर, क्लिप या आवाज़ चाहिए होती है। मीडिया टूल्स वह दीवार हटा देते हैं। एजेंट तय करता है कि क्या बनाना है, प्रॉम्प्ट के साथ टूल कॉल करता है, फ़ाइल वापस पाता है और आगे बढ़ने से पहले उसे देखता है। Picasso IA का MCP सर्वर इसी पैटर्न पर बना है: टूलकिट जिस कैटलॉग को चलाता है उसी से इमेज, वीडियो और आवाज़, हर उस क्लाइंट के लिए जो MCP बोलता है।
MCP, यानी Model Context Protocol, एक ओपन प्रोटोकॉल है जो AI असिस्टेंट को बाहरी टूल्स कॉल करने देता है। Claude Desktop, Claude Code या Cursor जैसा क्लाइंट किसी सर्वर से जुड़ता है, उसके दिए टूल्स देखता है और बातचीत के बीच में उन्हें इस्तेमाल करता है। Picasso IA सर्वर के साथ ये टूल्स डेटा लाने के बजाय मीडिया जनरेट करते हैं।
असली फ़ायदा यह है कि एजेंट आपको करने की सूची थमाना बंद कर देता है। उससे किसी प्रोडक्ट की घोषणा माँगिए और वह एक ही रन में कॉपी लिख सकता है, हेडर इमेज बना सकता है, छोटी क्लिप काट सकता है और वॉइसओवर रिकॉर्ड कर सकता है, फिर सब कुछ एक साथ आपको दिखा सकता है। आप पाँच टैबों के बीच प्रॉम्प्ट कॉपी करने के बजाय तैयार सेट की समीक्षा करते हैं।
टूल्स के पीछे वही कैटलॉग है जो टूलकिट में है: 502 मॉडल, जिनमें 212 टेक्स्ट-टू-इमेज, 121 टेक्स्ट-टू-वीडियो और 24 टेक्स्ट-टू-स्पीच के हैं। क्रेडिट सिस्टम भी वही लागू होता है, इसलिए हर जनरेशन में क्रेडिट लगते हैं जो मॉडल और सेटिंग पर निर्भर करते हैं। एक्सेस उस कुंजी से चलता है जो आप अपने अकाउंट में बनाते हैं, और उसे पासवर्ड की तरह ही सँभालना चाहिए। कैटलॉग दिखाता है कि एजेंट किसमें से चुन सकता है, और प्राइसिंग पेज समझाता है कि क्रेडिट और प्लान कैसे काम करते हैं।
मीडिया टूल्स का अच्छा इस्तेमाल करने वाला एजेंट हर बार वही तीन कदम चलता है। वह तय करता है कि क्या बनाना है, टूल कॉल करता है और नतीजा जाँचता है। तीसरा कदम वही है जिसे लोग छोड़ देते हैं, और वही खराब आउटपुट को यूज़र तक पहुँचने से रोकता है।
तय करने में आपके निर्देश मायने रखते हैं। जिस एजेंट से कहा जाए कि इस लेख को इलस्ट्रेट करो, वह इसका अपना ही मतलब गढ़ लेगा। जिससे कहा जाए कि 16:9 की एक हेडर इमेज बनाओ, फ़्लैट इलस्ट्रेशन स्टाइल में, तस्वीर के भीतर कोई टेक्स्ट नहीं, उसके पास ऐसा ब्रीफ़ है जिसे वह मान सके और ऐसा मानक है जिस पर उसे परखा जा सके। ब्रीफ़ वैसे लिखिए जैसे उस फ़्रीलांसर के लिए लिखते जो आपसे सवाल नहीं पूछ सकता।
कॉल करना यानी हर जनरेशन के लिए एक रिक्वेस्ट। एजेंट प्रॉम्प्ट और जुड़ी हुई फ़ाइलें भेजता है, मॉडल के काम करते समय इंतज़ार करता है और नतीजा ऐसी फ़ाइल के रूप में पाता है जिसे आप डाउनलोड कर सकते हैं। जनरेशन में समय लगता है, स्थिर इमेज से ज़्यादा वीडियो में, इसलिए अच्छी तरह बना एजेंट दस रिक्वेस्ट कतार में डालकर उम्मीद करने के बजाय अगला कदम सोचने से पहले एक नतीजे का इंतज़ार करता है।
जाँचना वह पल है जब एजेंट लौटी चीज़ को ब्रीफ़ से मिलाता है। वह स्थिर इमेज देख सकता है, वॉइस क्लिप का ट्रांसक्रिप्ट पढ़ सकता है, या वीडियो के कुछ फ़्रेम नमूने के तौर पर ले सकता है, और फिर तय करता है कि स्वीकार करे, बदले प्रॉम्प्ट से दोबारा कोशिश करे, या रुककर आपसे पूछे।
इमेज, वीडियो और आवाज़ एक-दूसरे की जगह नहीं ले सकते, और हर समूह के भीतर के मॉडल भी नहीं। नीचे की तालिका हर माध्यम को उस फ़ैसले से जोड़ती है जो एजेंट लेता है और उस जाँच से जो आगे बढ़ने से पहले होनी चाहिए। मॉडल के नाम शुरुआती बिंदु हैं जिन्हें आप टूलकिट में आज़मा सकते हैं, कोई तय सिफ़ारिश नहीं।
| माध्यम | एजेंट क्या तय करता है | आगे बढ़ने से पहले क्या जाँचें | आज़माने के मॉडल |
|---|---|---|---|
| इमेज | विषय, स्टाइल, एस्पेक्ट रेशियो | इधर-उधर का टेक्स्ट नहीं, वस्तुओं की सही गिनती, हाथ और चेहरे सही | flux-2-pro, nano-banana |
| इमेज एडिट | कौन-सा हिस्सा बदलना है और कौन-सा रखना है | जो छुआ नहीं गया वह सचमुच वैसा ही रहा | nano-banana, flux-kontext-pro |
| वीडियो | शॉट की लंबाई, मूवमेंट, कैमरा चाल | मूवमेंट स्वाभाविक, फ़्रेमों में विषय एक जैसा | veo-3.1-fast, kling-v3-video |
| आवाज़ | स्क्रिप्ट, आवाज़, रफ़्तार | नाम और संख्याएँ सही बोली गईं, कोई शब्द कटा नहीं | speech-2.8-turbo, qwen3-tts |
| संगीत | मूड, लंबाई, वाद्य | जिस वीडियो के नीचे लगेगा उससे मेल खाता है, अचानक अंत नहीं | lyria-3, music-1.5 |
दो आदतें तालिका को व्यवहार में काम का बनाती हैं। पहली, ड्राफ़्ट के लिए एजेंट को सस्ता और तेज़ मॉडल लेने दीजिए और अंतिम वर्ज़न के लिए ही मज़बूत मॉडल, और यह उसके निर्देशों में लिख दीजिए। दूसरी, उन मॉडलों की एक छोटी सूची रखिए जिन्हें एजेंट इस्तेमाल कर सकता है। पूरी तरह खुला कैटलॉग उस सिस्टम के लिए बहुत ज़्यादा विकल्प है जो पसंद का फ़र्क नहीं चख सकता, और तीन-चार की सूची उसके नतीजों को एक रन से दूसरे रन तक ज़्यादा एक जैसा रखती है।
यह किसी आइडिया से ऐसे एजेंट तक का रास्ता है जो माँगने पर मीडिया बनाता है। मान लिया गया है कि आपके पास MCP-सपोर्ट वाला क्लाइंट और एक अकाउंट पहले से है।
सर्वर एजेंट को टूल्स देता है। एजेंट को कितनी आज़ादी मिले, यह वह तय नहीं करता। वह हिस्सा आपका है, जिसे आप अपने एजेंट या क्लाइंट में सेट करते हैं, और पहले असली काम से पहले यह करना ठीक रहता है, क्योंकि जो एजेंट बिना पूछे क्रेडिट खर्च कर सकता है, वह आख़िर में उन्हें किसी ऐसे लूप में खर्च करेगा जिसकी आपने कल्पना नहीं की थी।
क्रेडिट बैलेंस को एजेंट का बजट मानिए। उसे बताइए कि एक काम में अधिकतम कितनी जनरेशन हो सकती हैं, कहिए कि जब कोई रिक्वेस्ट उस संख्या से आगे जाए तो रुककर पूछे, और वीडियो जनरेशन को मैन्युअल अप्रूवल के पीछे रखिए, क्योंकि उनमें सबसे ज़्यादा क्रेडिट लगते हैं और सबसे ज़्यादा समय भी।
सख़्ती से शुरू कीजिए। एक समझदार पहला सेटअप हर वीडियो से पहले अप्रूवल माँगता है, हर काम में कुछ ही इमेज कोशिशें देता है, और माँग करता है कि एजेंट किसी फ़ाइल को सार्वजनिक जगह इस्तेमाल करने से पहले नतीजा आपको दिखाए। कई क्लाइंट हर टूल कॉल पर आपसे पुष्टि माँग सकते हैं, जो अप्रूवल का सबसे सरल कदम है।
एक बार में एक नियम ढीला कीजिए। अगर पचास कामों के बाद इमेज भरोसेमंद ढंग से अच्छी आ रही हैं, तो एजेंट को उन्हें बिना पूछे चलाने दीजिए। जिस भी चीज़ से चेहरा, आवाज़ या कोई दावा जुड़ा हो, उसके सामने किसी इंसान को रखिए। सिर्फ़ अपनी शक्ल या काल्पनिक किरदार इस्तेमाल कीजिए, किसी असली पहचानने योग्य व्यक्ति को कभी नहीं, और ऐसी आवाज़ कभी क्लोन न कीजिए जिसके इस्तेमाल का हक़ आपके पास नहीं है।
ईमानदार पेज बताता है कि टूल कहाँ काम का नहीं रहता। मीडिया जनरेट करने वाले एजेंट में पाँच जगहें हैं:
इनमें से कुछ भी टूल्स छोड़ देने की वजह नहीं है। यही वजह है कि एजेंट ड्राफ़्ट बनाता है और कोई इंसान मंज़ूरी देता है।
मतलब यह कि एजेंट ऐसा टूल कॉल कर सकता है जो इमेज, वीडियो क्लिप या आवाज़ की रिकॉर्डिंग जनरेट करे, ठीक वैसे जैसे वह सर्च टूल कॉल करता। एजेंट तय करता है कि क्या बनाना है, प्रॉम्प्ट के साथ रिक्वेस्ट भेजता है और जाँचने के लिए फ़ाइल पाता है। टूल्स के बिना वह मीडिया को सिर्फ़ शब्दों में बता सकता है और बाकी आप पर छोड़ देता है।
MCP, यानी Model Context Protocol, एक ओपन प्रोटोकॉल है जो AI असिस्टेंट को मानक कनेक्शन के ज़रिए बाहरी टूल्स कॉल करने देता है। मानक होने के कारण एक ही सर्वर उसे सपोर्ट करने वाले हर क्लाइंट के साथ चलता है, जैसे Claude Desktop, Claude Code या Cursor। Picasso IA का MCP सर्वर इसी का इस्तेमाल करके इमेज, वीडियो और आवाज़ जनरेशन को बातचीत के भीतर ले आता है।
एजेंट उसी कैटलॉग के साथ काम करता है जो टूलकिट में है, और उसमें अभी 502 मॉडल हैं। इनमें 212 टेक्स्ट-टू-इमेज, 121 टेक्स्ट-टू-वीडियो, 24 टेक्स्ट-टू-स्पीच और संगीत के 10 मॉडल शामिल हैं, और भी कई। आप एजेंट के निर्देशों में सूची छोटी कर सकते हैं, जो करना अच्छा है ताकि एक काम से दूसरे काम तक नतीजे एक जैसे रहें।
हाँ। MCP सर्वर का एक्सेस उस कुंजी से चलता है जो आप अपने अकाउंट में बनाते हैं, और वह कुंजी आपकी ओर से काम करती है और आपके क्रेडिट खर्च करती है। उसे पासवर्ड की तरह रखिए: उसे साझा चैट, पब्लिक रिपॉज़िटरी और स्क्रीनशॉट से दूर रखिए, और अगर लगे कि वह लीक हो गई है तो बदल दीजिए। टूलकिट को खुद कुंजी नहीं चाहिए, क्योंकि वह वेब ऐप के भीतर का वर्कस्पेस है।
वह आपके निर्देशों का पालन करता है। अगर आप कहें कि ब्लॉग पोस्ट को हेडर इमेज मिलती है और प्रोडक्ट लॉन्च को छोटी क्लिप और वॉइसओवर, तो वह काम देखकर माध्यम चुनेगा। नियम जितना साफ़ होगा, चौंकाने वाली बातें उतनी कम होंगी, इसलिए लिख दीजिए कि कौन-सा माध्यम किस काम का है और जब कोई काम किसी में फ़िट न बैठे तो एजेंट क्या करे।
हर जनरेशन में क्रेडिट लगते हैं, और मात्रा मॉडल और उन सेटिंग पर निर्भर है जो एजेंट चुनता है। वीडियो आमतौर पर स्थिर इमेज से महँगा पड़ता है, और मज़बूत मॉडल तेज़ मॉडल से महँगा। यह पेज कोई रकम नहीं बताता क्योंकि वे बदलती रहती हैं, इसलिए प्लान के लिए प्राइसिंग पेज देखिए और किसी ख़ास मॉडल को अपने एजेंट में रखने से पहले टूलकिट में देख लीजिए कि उसकी लागत क्या है।
सीमा उसके निर्देशों में लिखिए और अपने क्लाइंट के अप्रूवल प्रॉम्प्ट इस्तेमाल कीजिए। एक काम में अधिकतम जनरेशन तय कीजिए, किसी भी वीडियो से पहले पुष्टि ज़रूरी कीजिए, और एजेंट से कहिए कि जब कोई रिक्वेस्ट सीमा पार करे तो रुककर पूछे। सख़्त नियमों से शुरू कीजिए, फिर नतीजों के आपका भरोसा जीतने पर उन्हें एक-एक करके ढीला कीजिए।
कुछ हद तक। वह स्थिर इमेज देख सकता है, वॉइस क्लिप का ट्रांसक्रिप्ट पढ़ सकता है और आउटपुट को आपके ब्रीफ़ से मिला सकता है, और इससे इधर-उधर का टेक्स्ट या गायब वस्तु जैसी साफ़ गड़बड़ियाँ पकड़ में आ जाती हैं। वह पसंद, ब्रांड से मेल, या यह नहीं परख सकता कि आवाज़ आपके दर्शकों को जँचेगी या नहीं, इसलिए हर सार्वजनिक चीज़ की अंतिम समीक्षा में इंसान को रखिए।
सिर्फ़ अपनी शक्ल या काल्पनिक किरदारों के साथ। किसी असली पहचानने योग्य व्यक्ति को कभी जनरेट न कीजिए, और ऐसी आवाज़ कभी क्लोन न कीजिए जिसके इस्तेमाल का हक़ आपके पास नहीं है। अगर एजेंट को दूसरे लोगों की फ़ोटो या ऑडियो मिल सकती है, तो उसके निर्देशों में लिखिए कि वह ऐसी रिक्वेस्ट ठुकराए और आपसे पूछे।
टूलकिट खोलिए और वही प्रॉम्प्ट वहाँ चलाइए। वह उसी कैटलॉग का इस्तेमाल करता है, इसलिए एक भी निर्देश लिखने से पहले आप मॉडलों की तुलना कर सकते हैं, देख सकते हैं कि इमेज या क्लिप कैसी दिखती है, और आवाज़ का नमूना सुन सकते हैं। सेटअप या अकाउंट के सवाल सपोर्ट के पास जाते हैं।
देखना चाहते हैं कि आपके एजेंट को क्या लौटकर मिलेगा? टूलकिट खोलिए, वे प्रॉम्प्ट चलाइए जो आप उसे देने वाले हैं, और पहले नतीजे परखिए।
अपनी भाषा चुनें
