คลิป AI ดูออกตรงไหน — 10 จุดที่วัดได้ ไม่ต้องเดา

คนทำคลิปด้วย AI เจอปัญหาเดียวกันเกือบหมด คือคลิปออกมาแล้วดูออกว่า AI ทำ แต่บอกไม่ถูกว่าดูออกตรงไหน หน้านี้แยกให้เห็นเป็นข้อ ๆ ว่าคลิป AI ดูออกจากสามกลุ่ม — ค่าดีฟอลต์ของเครื่องมือที่เหมือนกันหมดทุกตัว · ตัวหนังสือไทยที่พังแบบเงียบ ๆ · และจังหวะตัดกับเสียง

ทุกข้อในหน้านี้เป็นตัวเลขที่วัดได้ ไม่ใช่ความรู้สึก มาจากการวัดคลิปจริงก่อนโพสต์ ใช้ได้ไม่ว่าตอนนี้จะใช้เครื่องมือตัวไหนอยู่ และไม่มีข้อไหนต้องซื้ออะไรก่อนถึงจะทำตามได้

ทำคลิป AI ให้ดูเนียน เริ่มที่สามอย่างนี้ — เรืองแสง ไล่สี และ UI ที่ประดิษฐ์ขึ้นเอง

คลิปไม่ได้ดูออกว่า AI ทำเพราะภาพยังไม่คมพอ ความละเอียดกับความคมของทูลรุ่นนี้เกินพอมานานแล้ว ที่ดูออกคือค่าดีฟอลต์ ซึ่งเหมือนกันหมดทุกตัว คนที่ใช้คนละเครื่องมือ คนละประเทศ ได้ของหน้าตาเดียวกันโดยไม่รู้ตัว

ลายเซ็นชุดแรกมีห้าอย่างและมาเป็นชุดเสมอ — เรืองแสงรอบขอบตัวหนังสือกับขอบการ์ด · พื้นการ์ดโปร่งแสงให้เห็นของข้างหลังราง ๆ · ไล่สีคู่ม่วง-ทอง ม่วง-ฟ้านีออน ชมพู-ม่วง · คำอังกฤษเท่ ๆ กลางจอแบบ UNLOCK หรือ LEVEL UP · อนุภาคลอยเป็นหมอกทั่วเฟรม ห้าอย่างนี้ไม่มีอันไหนเป็นการตัดสินใจของคนทำ มันเป็นค่าที่ติดมากับเครื่องมือ นั่นแหละคือเหตุผลที่คนดูรู้สึกว่า "เคยเห็นมาแล้ว" ทั้งที่เพิ่งเห็นคลิปนี้ครั้งแรก

งานที่คนตัดต่อทำกันจริงใช้ห้าข้อนี้แทน

• แสงมาจากทิศเดียว ขอบบนซ้ายสว่าง ขอบล่างขวามืด ทั้งคลิปห้ามสลับทิศ
• สีทึบ 100% ไม่มีค่าโปร่งแสงบนพื้นการ์ด อยากให้จมลงไปให้เปลี่ยนเป็นสีเข้มขึ้น ไม่ใช่ลดค่าทึบ
• 1 สีเน้นต่อคลิป สีเน้นอยู่ที่ตัวหนังสือเท่านั้น ห้ามเอาไปทำพื้นหรือทำแสง แสงต้องเป็นขาวเย็น
• ข้อความบนจอเป็นไทยทั้งหมด คำอังกฤษเข้ามาได้เฉพาะชื่อเฉพาะที่แปลไม่ได้
• ความลึกมาจากเงาทิศเดียวกับการบังกัน ไม่ใช่จากแสงฟุ้งรอบวัตถุ

ข้อสุดท้ายคือข้อที่แก้ยากที่สุด เพราะสมองคนทำจะรู้สึกว่าภาพแบน แล้วเผลอเติมแสงกลับเข้าไป ท่าที่ถูกคือเติมขนาด ให้ของสำคัญใหญ่ขึ้น ไม่ใช่ให้ของสำคัญสว่างขึ้น

ลายเซ็นตัวที่สองคนรู้กันน้อยกว่ามาก คือ UI ที่แต่งขึ้นเอง ทำช่องค้นหาสวย ๆ ขึ้นมาใหม่ ทำหน้าแชทสวย ๆ ขึ้นมาใหม่ ทำการ์ดแจ้งเตือนที่ไม่ตรงกับของแอปไหนเลย ทั้งหมดนี้อ่านออกทันทีว่าเป็นภาพจำลอง เพราะคนดูไม่มีความทรงจำผูกอยู่กับมัน ส่วนของจริงอย่างหน้าแจ้งเตือน iOS หน้าแชท LINE หรือหน้าผลค้นหา Google สมองคนดูเติมความจริงให้เองภายในครึ่งวินาที ของประดิษฐ์ต้องใช้เวลาอ่านก่อนถึงจะเข้าใจ และช่วงที่ต้องอ่านนั่นแหละคือช่วงที่นิ้วเลื่อนหนี ของจริงที่หน้าตาธรรมดาชนะของสวยที่ไม่มีใครเคยเห็นเสมอ

กฎชุดนี้ไม่ได้มาจากทฤษฎี มาจากการนั่งนับในโค้ดของตัวเอง รอบล่าสุดที่ไล่เก็บ ยังพบเงาแบบเรืองแสงค้างอยู่ 50 จุด ในไฟล์ชุดหนึ่ง และ 77 จุด ในอีกชุด ทั้งที่เขียนกฎห้ามไว้เองกับมือ ประกาศกฎกับกวาดของเก่าออกเป็นคนละงาน ค่าดีฟอลต์มันไหลกลับเข้ามาเรื่อย ๆ ทางเดียวที่กันได้คือค้นคำว่าเงาเรืองแสงในไฟล์คอนฟิกก่อนอบทุกครั้ง ไม่ใช่ตั้งใจว่าจะไม่ใส่

ตัวหนังสือไทยเพี้ยนตอนทำคลิป AI — ที่แตกในภาพเทส ไม่ได้แปลว่าแตกในคลิป

เรื่องนี้ทูลฝรั่งไม่มีวันเตือน และคนไทยเสียเวลาไล่แก้ของที่ไม่ได้เสียกันเยอะมาก

ทำบอร์ดเทียบพื้นหลังด้วย Python PIL แล้วแปะข้อความไทยลงไป ผลที่ออกมาหน้าตาแบบนี้ — ผมร่-วงท◌ุกเช◌้า สระกับวรรณยุกต์หลุดออกมาเป็นวงกลมลอยเรียงต่อกัน เห็นแบบนี้แล้วเกือบทั้งหมดจะเด้งไปไล่เปลี่ยนฟอนต์ในคลิป ทั้งที่คลิปไม่ได้พังสักนิด

สาเหตุคือ PIL และ ffmpeg drawtext วาดตัวอักษรทีละตัวเรียงกันไปตรง ๆ ไม่ทำ complex-script shaping ซึ่งเป็นขั้นตอนที่ภาษาไทยต้องมีเพื่อวางสระบน-ล่างให้เข้าที่ ส่วนเอนจินที่วาดผ่านเบราว์เซอร์ shaping ถูกเสมอ เพราะเบราว์เซอร์ทำงานนี้ให้อยู่แล้ว

กฎที่ได้มีสองข้อ ใช้ได้ทันที

• บอร์ดเทียบสีและพื้นผิวทำด้วย PIL ได้ แต่ห้ามใส่ข้อความไทยลงไปเลย
• จะตัดสินเรื่องตัวหนังสือไทย ต้องดูจากไฟล์ที่เอนจินเรนเดอร์จริงเท่านั้น ภาพจากเครื่องมือที่ไม่ได้วาดตัวอักษรไทยเป็น ใช้ตัดสินอะไรไม่ได้สักอย่าง

กับดักตัวที่สองอยู่ที่ฟอนต์ ตอนคัดฟอนต์พิกเซลไทยมาใช้ เช็ค U+0E33 (รหัสของสระอำ) ในตาราง cmap ของฟอนต์ ได้ผลว่า "มี" ครบทั้ง 3 ตัว พอเรนเดอร์ออกมาดูจริง สระอำหายไป 2 ตัว — จำ กลายเป็น จา · ทำ กลายเป็น ทา · น้ำ กลายเป็น น้า ซึ่งเป็นกลุ่มคำที่ใช้บ่อยที่สุดกลุ่มหนึ่งในภาษาไทย ประโยคที่ใช้เทสเป็นประโยคจริงจากบท "แต่ผมยังจำได้ตลอดครับ" มันพังกลางประโยคพอดี เหลือฟอนต์ที่รอดตัวเดียว

สรุปให้สั้นที่สุด metadata ของฟอนต์โกหกได้ วิธีเช็คที่เชื่อได้มีทางเดียวคือเรนเดอร์คำที่มีสระอำออกมาดูด้วยตา และท่าแยก ํ กับ า ออกจากกันเพื่อหลอกฟอนต์ก็ไม่ช่วย เพราะเบราว์เซอร์ประกอบกลับเป็น ำ อยู่ดี ส่วนฟอนต์เส้นบางต้องขยายขนาดชดเชย เพราะปริมาณหมึกบนจอน้อยกว่า ตาคนอ่านเป็นตัวเล็กกว่าที่ค่าพิกเซลบอก

ซับไทยตกขอบ TikTok เพราะนับตัวอักษรผิด — ต้องนับตัวฐาน

สามคำนี้ยาวเท่ากันเป๊ะเมื่อนับด้วย len() แต่ผลบนจอต่างกันคนละเรื่อง

เหตุผลตรงไปตรงมา วรรณยุกต์และสระบน-ล่างซ้อนอยู่กับตัวฐาน ไม่กินความกว้างแนวนอนเลย แต่ len() นับมันเป็นตัวอักษรเต็มตัว คำที่มีวรรณยุกต์เยอะจึงสั้นกว่าที่ตัวเลขบอกมาก

เกณฑ์ที่ใช้จริง หยิบไปวางได้เลย

• ซับตัวใหญ่ ไม่เกิน 9 ตัวฐาน
• ซับธรรมดา ไม่เกิน 13 ตัวฐาน
• นับด้วย unicodedata.category(c) != 'Mn' ตัวไหนเป็นมาร์กไม่ต้องนับ

กฎ "ซับไม่เกิน 14-16 ตัวอักษร" ที่จดต่อ ๆ กันมาใช้กับภาษาไทยไม่ได้ เพราะมันนับมาร์กเป็นตัวอักษรด้วย และมันพังแบบเงียบ ๆ คือไม่มีข้อความเตือนอะไรเลย เห็นก็ต่อเมื่อเรนเดอร์เสร็จแล้วซับตกลงมาสองบรรทัดทับของที่อยู่ข้างล่าง

เรื่องโซนปลอดภัยมีกับดักที่คนแก้ผิดกันเยอะกว่า เจอซับชนไอคอนฝั่งขวาของ TikTok แล้วแก้ด้วยการย้ายจุดกลางของซับไปทางซ้าย ผลคือทุกซับทั้งคลิปเลื่อนซ้าย 80px ซึ่งคือ 7% ของความกว้างจอ คนดูเห็นทันทีและทักกลับมาว่าไม่อยู่ตรงกลาง บัคไหม เพราะตาคนจับ "กลางจอ" จากขอบภาพ ไม่ได้จับจากไอคอนของแอป

ท่าที่ถูกคือแคบลง ไม่ใช่เลื่อน

• จุดกลางอยู่ที่ 540 เสมอ ไม่ขยับ
• บีบงบความกว้างเหลือ ไม่เกิน 640px เพราะ 540+320 = 860 พอดีเส้นเขตของ UI
• ยาวเกินงบให้แตกเป็นสองบรรทัด ไม่ใช่ย่อตัวอักษรให้เล็กลงจนอ่านไม่ทัน
• ข้อความทั้งหมดอยู่ในช่วงแนวตั้ง y 300-1500 คิดเป็น topVh ราว 16 ถึง 74 · ซับล่างห้ามต่ำกว่า bottomVh 12 ไม่งั้นโดนแถบ UI ทับ

เฟรมแรกคือปกคลิป — ใส่ fade-in เท่ากับบริจาคปกให้เป็นจอดำ

X กับ YouTube Shorts ดึงเฟรมแรกไปทำปกอัตโนมัติ ตั้งเองไม่ได้ · Facebook Reels ก็ตั้งปกแยกไม่ได้ ฉากเปิดที่จางเข้า 0.18 ถึง 0.30 วินาที จึงแปลว่าปกที่ระบบหยิบไปคือจอเปล่า

กฎมีข้อเดียว เฟรม 0 ต้องประกอบเสร็จแล้ว สีจัด ตัวหนังสืออ่านออกครบตั้งแต่เฟรมแรก ห้ามค่อย ๆ จางเข้า แก้ได้ในนาทีเดียวและเห็นผลตั้งแต่โพสต์ถัดไป

ตรงนี้เคยตีความผิดเอง "เฟรมแรกต้องมีตัวหนังสือครบ" ไม่ได้แปลว่า "ตัวหนังสือห้ามขยับ" รอบนั้นตัดท่าเข้าออกหมดเพื่อให้เฟรมแรกนิ่ง เหลือฉากฮุคยืนนิ่งสนิท 2 วินาที ซึ่งเป็น 2 วินาทีที่แพงที่สุดของคลิปทั้งตัว สองอย่างนี้ไม่ขัดกันเลย ตัวหนังสือครบตั้งแต่เฟรมแรกได้ และขยับต่อจากนั้นได้ เกณฑ์ที่ใช้หลังจากนั้นคือ ฮุคห้ามมีช่วงนิ่งเกิน 0.5 วินาที

คลิป AI แล้วคนดูไม่อยู่ ลองวัดจังหวะตัดก่อน — ค่าที่ต้องคุมคือวินาทีต่อบีต

คลิปที่ถูกทักว่า "ตัดแล้วปวดหัวไปหน่อย" คือ 33 บีตใน 48 วินาที = 1.61 วินาทีต่อบีต แก้เหลือ 26 บีต = 2.04 อาการหายทันทีโดยไม่ต้องเปลี่ยนภาพสักช็อต เกณฑ์ที่ใช้ต่อจากนั้นคือทั้งคลิปเฉลี่ย ไม่ต่ำกว่า 1.9 วินาทีต่อบีต

กฎย่อยอีกสามข้อ

• การ์ดที่มีตัวหนังสือไทย ห้ามสั้นกว่า 2.3 วินาที เพราะจางเข้ากินไป 0.24 วินาที การ์ด 1.3 วินาทีจึงเหลือเวลาอ่านจริงราว 1 วินาที ซึ่งไม่พอกับข้อความไทยหนึ่งบรรทัด
• ฉากสินค้าเป็นบีตเดียวยาว ไม่ต่ำกว่า 3 วินาที ห้ามซอย ตัดสลับถี่ในฉากสินค้าทำให้คนดูจำของไม่ได้
• ช่องเวลาของฉากต้องสั้นกว่าไฟล์วิดีโอเสมอ ไม่งั้นวิดีโอจบก่อนแล้วค้างเฟรมสุดท้าย ซึ่งคนดูอ่านว่าคลิปค้าง ตรวจได้ด้วยการเทียบความยาวไฟล์จาก ffprobe ของทุกไฟล์กับช่วงเวลาที่วางไว้ในคอนฟิก ใช้เวลาไม่กี่วินาที และดักได้ทุกครั้ง

ปิดท้ายด้วยค่าดีฟอลต์ที่เผาคลิปไปทั้งใบ การขยับกล้องแบบตอบสนองเสียงเป็นค่าตั้งต้นของเอนจิน มันใส่ noise หมุนภาพ ±2.4 องศาตลอดเวลาและขยายภาพตามจังหวะเสียงพากย์ ผลคือสั่นทั้งฉากรวมซับด้วย จุดที่เจ็บคือ ตรวจด้วยภาพนิ่งจับไม่ได้เลย ต้องเปิดดูเป็นคลิปถึงจะเห็น ฟุตเทจที่ตัดมาเองต้องสั่งให้กล้องนิ่งทุกฉาก หลักที่ได้จากรอบนั้นใช้ได้กับทุกฟิลด์ในคอนฟิก — ค่าดีฟอลต์คือค่าที่ไม่มีใครเลือก

AI พากย์เสียงไทยอ่านผิด แก้ได้ทีละคำ — มันไม่ได้พังทั้งระบบ พังเป็นคำๆ

คนส่วนใหญ่เจอเสียงอ่านผิดแล้วสรุปว่าเอนจินยังไม่เก่งพอ แล้วรอเวอร์ชันหน้า ทั้งที่มันแก้ได้เดี๋ยวนั้นทีละคำ วิธีที่ใช้ได้จริงคือเก็บเป็นทะเบียนคำสามช่อง แล้วเปิดทะเบียนก่อนส่งบททุกครั้ง

จุดที่ต้องอ่านให้ดีคือสองแถวกลาง ยูทูปช็อต ต้องติดกัน แต่ ไอจี รีล ต้องเว้น ไม่มีสูตรเหมารวม รอบหนึ่งเคยลองแก้ทั้งประโยคด้วยการลบเว้นวรรคออกให้หมด ผลคือคำที่เคยพังหายไปจริง แต่อีกสองคำเพี้ยนขึ้นมาแทน ต้องแก้ทีละคำแล้วฟังยืนยันทีละคำ ไม่มีทางลัด

มีคำที่ต้องเลิกใช้ถาวรด้วย คำว่า โฆษณา ที่ความเร็ว 1.22 เจน 3 เทค ได้ผลพังทั้ง 3 เทค และสิ่งที่ออกมามีคำหยาบปน ไม่ใช่แค่ออกเสียงเพี้ยน คำนี้เลยถูกเปลี่ยนเป็น การตลาด ถาวร จุดที่เจ็บกว่าคือคำเดียวกันนี้เคยผ่านมาแล้วที่ความเร็ว 1.13 กฎที่ได้จึงเป็น คำที่ผ่านที่ความเร็วหนึ่ง ไม่ได้แปลว่าผ่านอีกความเร็ว ขยับความเร็วเมื่อไหร่ต้องเทสคำเสี่ยงใหม่ทุกครั้ง ไม่ใช่เทสรอบเดียวตอนตั้งค่าแล้วเชื่อไปทั้งงาน

ท่าที่แก้ได้ทั้งระบบคือ แยกไฟล์บทเป็นสองตัว ตัวหนึ่งเก็บคำอังกฤษเต็มไว้ทำซับบนจอ อีกตัวสะกดไทยทุกคำไว้ป้อนตัวเจนเสียงอย่างเดียว เหตุผลคือเอนจินอ่านคำอังกฤษพิมพ์ใหญ่สั้น ๆ แบบแยกตัวอักษรแรกออกมาเป็นชื่อตัวอักษร ซับบนจอกับสิ่งที่ป้อนเข้าเครื่องจึงไม่จำเป็นต้องเป็นไฟล์เดียวกันตั้งแต่แรก จอไว้อ่าน เสียงไว้ฟัง

และมีคำที่ดันยังไงก็ไม่ผ่าน เคสจริงคือคำหนึ่งที่เทสทั้งฝั่งไทยทั้งฝั่งอังกฤษ ไม่ผ่านสักทาง แถมไฟล์เสียงยืดจาก 4.0 เป็น 5.7 วินาที ซึ่งแปลว่าโมเดลสะดุดจริง ไม่ใช่แค่ออกเสียงเพี้ยน ทางออกคือตัดคำนั้นออกจากเสียงไปเลย แล้วให้ตัวหนังสือบนจอเป็นคนบอกแทน ความเชื่อที่ว่าซับต้องตรงกับเสียงคำต่อคำ คือความเชื่อที่ทำให้คนเผาเครดิตดันคำที่มันพูดไม่ได้

สองข้อสุดท้ายประหยัดเงินตรง ๆ

ตัวเจนเสียงจับกลุ่มคำใหม่เองข้ามช่องว่าง เขียนไว้ว่า "เฮ้ย อย่าเลย / พี่ไม่อยากดัง" ออกมาเป็น "เฮ้ย อย่าเลยพี่ / ไม่อยากดัง" ซึ่งเปลี่ยนคนที่ถูกพูดถึงไปเลย เว้นวรรคเพิ่มในสคริปต์ไม่ช่วย เครื่องไม่ได้อ่านช่องว่างแบบที่คนอ่าน ท่าเดียวที่การันตีได้คือเจนแยกไฟล์แล้วต่อกันเองโดยคั่นด้วยความเงียบ 0.20 ถึง 0.25 วินาที

งบความยาวบทวัดเป็นตัวอักษรต่อวินาที ตัวเจนเสียงที่ใช้อยู่ให้ค่ากลาง 12.2 ตัวอักษรต่อวินาที ช่วงที่วัดได้จริงคือ 10.8 ถึง 13.0 · ประโยคสั้นไม่เกิน 30 ตัวจะช้าลงเหลือ 8 ถึง 12 เพราะเครื่องเผื่อหัวท้ายให้ ตัวเลขชุดนี้แปลว่านับตัวอักษรในบทแล้วหารก็รู้ความยาวคลิปได้ตั้งแต่ยังไม่จ่ายค่าเสียงสักบาท กฎที่ตามมาคือ บทยังไม่นิ่งห้ามยิงเสียง เพราะเท่ากับจ่ายค่าเสียงให้ท่อนที่กำลังจะถูกทิ้ง บทที่ยังแก้อยู่ให้เสนอเป็นตัวหนังสือพร้อมจำนวนวินาทีที่คำนวณจากตัวอักษร เคาะแล้วค่อยเจนรวดเดียวทั้งคลิป แก้ทีหลังเฉพาะจุดคือการซ่อม ไม่ใช่การลอง

ด่านตรวจคลิปอัตโนมัติเชื่อได้แค่ไหน — 3 ครั้งที่มันโกหกจนเกือบทิ้งของดี

หัวข้อนี้เป็นเรื่องที่ทำผิดเอง ทั้งสามครั้ง และทั้งสามครั้งเสียเงินจริง

ครั้งที่หนึ่ง อ่านผลตัวถอดเสียงผิดเกณฑ์ เกณฑ์ที่ถูกคืออ่านออกเสียงสิ่งที่มันถอดมา แล้วถามว่าเสียงนี้เหมือนคำต้นฉบับไหม ไม่ใช่ดูว่าสะกดตรงไหม One ถอดมาเป็น วัน · โปรไฟล์ เป็น โปรไฟ · ขั้นแรก เป็น คันแรก ทั้งหมดนี้อ่านออกเสียงแล้วถูก ไม่ต้องแก้อะไร ส่วนที่ผิดจริงคือคำที่ออกเสียงคนละอย่างและความหมายกลับด้าน เช่น แถมให้ กลายเป็น แทบไม่ อันนี้อันตรายที่สุดเพราะประโยคยังอ่านรู้เรื่องแต่สื่อตรงข้าม

รอบที่พลาดคือสคริปต์รายงานว่า 7 ใน 16 ท่อนพัง เกือบสั่งเจนใหม่ทั้งคลิป พอถอดซ้ำแบบใส่บทให้มันรู้ล่วงหน้าว่าจะเจอคำอะไร ปรากฏว่าอ่านถูกเกือบหมด แล้วนั่งฟังเองทั้ง 79 วินาที จับได้จริงคำเดียว ตัวถอดเสียงภาษาไทยสับสนคู่เสียงใกล้กันเป็นเรื่องปกติ เอามาเป็นผู้ตัดสินไม่ได้ ใช้เป็นตัวชี้จุดให้ไปฟังเท่านั้น

ครั้งที่สอง ด่านตรวจที่ไม่ได้วัดอะไรเลย ด่านตรวจหางเสียงรายงานว่า "ผ่าน 34 จาก 34" ทั้งที่ตกจริง 5 ไฟล์ สาเหตุคือไลบรารีที่ใช้อ่านไฟล์เสียงแบบสตรีมไม่ได้ อ่านได้ 0 sample แล้วคืนค่าเดียวกันเป๊ะทุกไฟล์ บทเรียนสั้นและใช้ได้กับด่านตรวจทุกชนิด — ตัวเลขที่สวยเท่ากันเป๊ะทุกไฟล์คือสัญญาณว่าไม่ได้วัด ไม่ใช่สัญญาณว่าผ่าน เห็นค่าเท่ากันหมดเมื่อไหร่ให้สงสัยตัวสคริปต์ก่อนดีใจ

ครั้งที่สาม ปัญหาที่เกิดตอนประกอบ ไม่ได้เกิดในไฟล์ เอนจินเลื่อนเสียงล่วงหน้าภาพให้อยู่แล้ว 0.15 วินาที แล้วยังไปทำเทคนิคเสียงนำภาพซ้อนเข้าไปอีกชั้นในไฟล์เสียงเอง ผลคือหัวประโยคเล่นทับกันสองชั้น ใช้ทุกวัน กลายเป็น ใจทุกวัน ด่านตรวจรายไฟล์จับไม่ได้เลยเพราะไฟล์ต่อฉากถูกทุกไฟล์ มันพังตอนประกอบ กฎที่ได้คือต้องถอดเสียงจากไฟล์ที่เรนเดอร์เสร็จแล้วอีกรอบเสมอ ไม่ใช่ตรวจแค่ชิ้นส่วน

และจุดที่คนไทยเจอทุกคลิปแต่ไม่รู้ตัว สูตรตัดความเงียบท้ายไฟล์ที่ก๊อปกันมาใช้ตัดที่ -40dB พยางค์ท้ายภาษาไทยเสียงเบากว่านั้น วัดจริงได้ว่า 0.15 วินาทีสุดท้ายของไฟล์ยังดังอยู่ที่ -19 ถึง -25 dB คำลงท้ายเลยหายไปทั้งคำโดยไม่มีใครสังเกต ไฟล์จบตอนที่ยังพูดอยู่ วิธีแก้คือบีบเฉพาะช่องเงียบตรงกลางประโยค แล้วเติมความเงียบท้ายไฟล์เข้าไปแทน ห้ามตัดหาง

ต้นทุนเจนคลิป AI อยู่ที่อัตราทิ้ง ไม่ใช่ราคาต่อครั้ง — เขียนพรอมป์ยังไงให้ทิ้งน้อยลง

ต้นทุนต่อคลิปไม่ได้ถูกกำหนดด้วยราคาต่อการเจนหนึ่งครั้ง แต่ถูกกำหนดด้วยอัตราทิ้ง คนที่เจนสิบครั้งได้ของใช้ได้หนึ่งชิ้น จ่ายแพงกว่าคนที่เจนสองครั้งได้ของใช้ได้หนึ่งชิ้นห้าเท่า ทั้งที่จ่ายค่าเจนต่อครั้งเท่ากัน

ข้อแรก เขียนพรอมป์เป็นลิสต์ข้อห้ามยาว ๆ คือวิธีที่ทำให้ได้สิ่งที่ห้ามพอดี เคสจริงคือเจนคลิปจากบอร์ดหลายช่อง แล้วเขียนกำกับไว้ว่าห้ามมีเส้นตารางของบอร์ดติดมา ผลคือตารางหลุดเข้ามาในคลิปเต็ม ๆ เพราะพอเอ่ยชื่อสิ่งนั้น มันก็นึกถึงสิ่งนั้น รอบที่ผ่านคือลบข้อห้ามออกทั้งหมด เปลี่ยนเป็นประโยคบวกล้วน สั่งว่าทุกเฟรมของผลลัพธ์คือภาพเดียวเต็มจอ ขอบจดขอบ ไม่มีคำว่าห้ามอยู่ในพรอมป์เลยสักคำ

ข้อสอง คลิปเสียบางช่วงไม่ต้องเจนใหม่ทั้งใบ ยิงสองคลิปด้วยพรอมป์โครงเดียวกันเป๊ะ ตัวหนึ่งสะอาดทั้งเส้น อีกตัวมีตารางโผล่ช่วง 0.0 ถึง 0.9 วินาที นั่นคือความแปรปรวนของเอนจิน ไม่ใช่ความผิดของพรอมป์ เพราะเอนจินชอบเปิดคลิปด้วยภาพที่ป้อนเข้าไปแล้วค่อยไหลเข้าช็อตแรก รอบนั้นตัดหัวทิ้ง 1.02 วินาที เหลือของสะอาด 8.96 วินาที 8 ช็อต ประหยัดไป 15 เครดิตโดยไม่ต้องเจนใหม่

ถ้าจะเขียนสคริปต์ตรวจหาเฟรมเสียเอง ต้องวัดกับฟุตเทจของตัวเองก่อนตั้งเกณฑ์ ครั้งที่ตั้งเกณฑ์จากตัวเลขที่จำมา ค่า 15 ให้ผลบวกลวง 43 เฟรม เพราะขอบโต๊ะกับเส้นทางเดินในภาพปกติก็ให้ค่าราว 16 ถึง 23 อยู่แล้ว ส่วนเฟรมที่มีเส้นตารางจริงอยู่ที่ 177 ต้องขยับเกณฑ์ขึ้นไปราว 100 แล้วเปิดเฟรมจริงดูยืนยันด้วยตาทุกครั้ง สคริปต์ตรวจที่ไม่เคยเปิดเฟรมดูเลย คือสคริปต์ที่พร้อมจะสั่งทิ้งของดี

ข้อสาม สั่ง AI เรื่องอุปกรณ์คือสั่งเรื่องฟิสิกส์ ไม่ใช่เรื่องคำ สั่งว่าจอมือถือเป็นแสงเปล่าไม่มีตัวหนังสือ ไม่มีไอคอน ได้ภาพคนถือมือถือกลับด้าน เพราะแผ่นสว่างที่ไม่มีอะไรอยู่บนนั้นเลย ไม่เหลือเบาะแสว่าด้านไหนคือจอ ความจริงของฉากคือกล้องอยู่หน้าคน คนก้มมองจอ จากมุมกล้องต้องเห็นหลังเครื่อง เห็นจอไม่ได้เลยสักนิด ท่าที่ถูกคือสั่งให้มือถือเป็นเงาดำ แล้วบรรยายเฉพาะแสงที่รอดออกมาตามขอบ แสงเลียใต้คาง ปลายจมูก ริมฝีปากล่าง ด้านในนิ้ว ใช้ได้กับทุกอย่างที่มีหน้าจอ ทั้งแล็ปท็อป ทีวี และจอในรถ

ฟุตเทจที่ AI เจนมาแล้วใช้ในคลิปไม่ได้ — ภาพสวยตอนเปิดเดี่ยวๆ คนละเรื่องกับภาพที่ใช้ได้

เกณฑ์แรกเป็นตัวเลขล้วน วัดความสว่างเฉลี่ยของภาพแล้วเทียบ ภาพชุดที่ถูกตีกลับเพราะลงคลิปแล้วมืดจนดูไม่รู้เรื่อง วัดได้ 30 ถึง 50 ส่วนฟุตเทจจริงที่เอามาแทนวัดได้ 148 เกณฑ์ที่ตั้งหลังจากนั้นคือภาพหลักของฉาก ต้องไม่ต่ำกว่า 80

เหตุผลที่คนพลาดข้อนี้เหมือนกันหมด คือตัดสินภาพจากจอคอมเต็มขนาดในห้องมืด แล้วคนดูเปิดบนมือถือกลางแดด และภาพที่จะไปอยู่ในกรอบเล็กยิ่งต้องสว่าง เพราะย่อแล้วรายละเอียดหายไปก่อนอย่างอื่น หลักที่ได้คือ ธีมมืดของแบรนด์อยู่ที่พื้นหลังกับการ์ด ไม่ใช่ที่ตัวภาพเนื้อหา

เกณฑ์ที่สองเรื่องฟุตเทจที่วางแล้วลอย ปัญหาไม่ได้อยู่ที่รูปทรงของกรอบอย่างที่คนส่วนใหญ่คิด อยู่ที่ความสว่างของฟุตเทจ สต็อกส่วนใหญ่สว่างจ้าเพราะถ่ายมาให้ใช้ได้กว้าง วางบนพื้นเข้มแล้วลอยทันทีไม่ว่าจะครอปเป็นทรงอะไร ท่าที่ใช้แล้วกลืน — ห้ามเส้นขอบ ห้ามการ์ดลอย ห้ามมุมมน แล้วเกรดสีลงมาที่ความสว่างราว 0.68 ความอิ่มสี 0.76 คอนทราสต์ 1.05 พร้อมทับสีเข้มบาง ๆ ให้ค่าสีของฟุตเทจไปนั่งใกล้พื้นหลัง ทำถึงตรงนี้ฟุตเทจจะอ่านเป็นภาพความทรงจำที่เด้งขึ้นมา ไม่ใช่คลิปที่ตัดมาแปะ ส่วนซับที่เป็นข้อมูลให้อ่านตามต้องอยู่ใต้คลิปบนพื้นหลัง ห้ามทับตัวฟุตเทจ ซับที่เป็นลูกเล่นเด้งตามเสียงทับได้ เพราะมันเป็นองค์ประกอบภาพ ไม่ใช่ข้อมูล

ข้อสุดท้ายไม่ค่อยมีใครนึกถึง ฟุตเทจที่ AI เจนให้หลอนโลโก้ปลอมขึ้นมาเอง ทะเบียนที่เจอจริงมีโลโก้ยี่ห้อหนึ่งอยู่บนแจ็กเก็ตช่วง 0 ถึง 1.5 และ 8.2 ถึง 10 วินาที กับหน้าร้านแบรนด์เนมที่วินาที 3.0 ถึง 4.5 ไม่ใช่ปัญหาลิขสิทธิ์เพราะเครื่องมันแต่งขึ้นมาเอง แต่คนดูอ่านว่าไปเอาคลิปคนอื่นมาแปะ ซึ่งแพงกว่า ท่าตรวจที่เร็วที่สุดคือครอปมุมซ้ายบนของทุกไฟล์ในถังมาต่อกันดูเป็นแผ่นเดียว เจอไฟล์เสียได้ในหนึ่งนาที และต้องสแกนสองจังหวะ ทั้งไฟล์ต้นทางก่อนเลือกช่วง และไฟล์ที่ตัดแล้ว เพราะคอมเมนต์ที่จดไว้ในโค้ดว่าข้ามช่วงนี้ไปแล้ว ไม่ใช่หลักฐาน เคสจริงคือจดไว้ว่าข้ามช่วง 5.0 ถึง 6.5 แต่ช่วงที่ตัดจริงคือ 1.6 ถึง 5.4 วิ่งชนกันอยู่ดี ภาพจากไฟล์ที่ตัดแล้วต่างหากที่ใช่

เช็คลิสต์ก่อนกดเรนเดอร์คลิป AI 8 ข้อ — ไล่บนภาพนิ่งได้ทุกข้อ

แกนของทั้งหมดคือ ดูภาพนิ่งของทุกฉากก่อน อย่าเพิ่งเรนเดอร์ เพราะเรนเดอร์รอบละ 10 ถึง 15 นาทีเพื่อแก้คำเดียว คือราคาที่ไม่มีเหตุผลจะจ่าย

ไล่แปดข้อนี้บนภาพนิ่ง

1. เฟรม 0 มีสีครบ ไม่ใช่จอดำ ตัวหนังสืออ่านออกแล้ว
2. ตัวหนังสือทั้งหมดอยู่ในช่วง y 300-1500 เพราะมุมล่างซ้ายกับคอลัมน์ขวาเป็นเขต UI ของแอป
3. ตัวหนังสือไม่ทับหน้าคนและไม่ทับฉลากสินค้า
4. ซับไม่ตกบรรทัด นับด้วยตัวฐาน ไม่ใช่ len()
5. ภาพในฉากตรงกับคำพูดของฉากนั้น
6. เฉลี่ยทั้งคลิปไม่ต่ำกว่า 1.9 วินาทีต่อบีต
7. ไม่มีเรืองแสง ไม่มีไล่สี ไม่มีคำอังกฤษเท่ ๆ กลางจอ
8. ความสว่างเฉลี่ยของภาพหลักไม่ต่ำกว่า 80

เช็คลิสต์นี้มีข้อจำกัดของมันเอง และเจอมาแล้ว การแปะภาพนิ่ง 30 เฟรมมาดูรวมกันในแผ่นเดียวยังหยาบเกินไป คลิปหนึ่งผ่านทุกด่านแล้ว เปิดของจริงเจอทันทีว่าการ์ดบรรทัดเล็กนั่งทับคำใหญ่อยู่ สาเหตุคือสุ่มเฟรมทุก 1.7 วินาที แล้วดูบนภาพย่อขนาด 150px ซึ่งตัวหนังสือสองชั้นซ้อนกันอ่านเป็นก้อนขาวก้อนเดียว กฎที่เพิ่มเข้าไปคือ การ์ดที่มีข้อความตั้งแต่สองชั้นขึ้นไป ต้องแกะภาพนิ่งเต็มขนาดแล้วครอปเฉพาะแถบข้อความมาดู

สองข้อท้ายทำให้คลิปที่ผ่านแล้วไปได้ไกลขึ้น

เสียงประกอบใส่ 4 ถึง 6 จุดทั้งคลิปพอ ไม่ใช่ทุกจังหวะ จุดที่ควรมีคือฮุคเปิด · จังหวะเปลี่ยนความคิดจากผิดเป็นถูก · ตัวเลขหรือหลักฐานเด้ง · ตราปิด · ฉากจบ ท่าพื้นอย่างข้อความค่อย ๆ ลอยขึ้นตั้งใจให้เงียบ ไม่ต้องมีเสียง ถ้าทุกซับมีเสียงคลิก คลิปจะรกและน่ารำคาญจนคนปิดเสียงดู ซึ่งเท่ากับเสียเสียงพากย์ไปทั้งตัว

ไฟล์เดียวลงได้ทุกช่อง แต่ต้องเปลี่ยนสี่อย่างต่อช่อง คลิปแนวตั้งที่ใส่ซับแล้วใช้สเปกเดียวกันหมดทั้ง TikTok · IG Reels · Facebook · YouTube Shorts สี่อย่างที่ต้องเปลี่ยนคือ แคปชันเขียนใหม่ตามคนอ่านของแต่ละที่ · ที่ใส่ลิงก์ (บางช่องใส่ในโพสต์ได้ บางช่องต้องไปโปรไฟล์ ใส่ผิดที่คนกดไม่ได้แล้วเราไม่รู้ตัวด้วยซ้ำ) · ปก ให้เลือกเฟรมที่ตัวหนังสืออ่านออกตอนย่อเล็ก ไม่ใช่เฟรมที่สวยตอนเต็มจอ · และลายน้ำของแพลตฟอร์มอื่นที่ติดมากับไฟล์ รวมสี่อย่างใช้เวลาไม่ถึง 5 นาทีต่อช่อง