มีแต่ภาพร้าน ไม่อยากอัดเสียงทับเอง ให้ AI วางภาพตามเสียง ทีละประโยค ได้คลิป 29 วินาที ทำยังไงทีละขั้น

คุณน่าจะเคยเป็นแบบนี้ครับ ถ่ายภาพร้านมาเยอะมาก ทั้งเมล็ดกาแฟ ตอนชง ตอนเทนม มุมโต๊ะ แต่ไม่ได้พูดอะไรไว้ในคลิปเลย จะโพสต์ก็รู้สึกว่าภาพเฉย ๆ ไม่มีใครเล่าเรื่อง

ทางแก้ที่คนทำร้านส่วนใหญ่ทำคือเขียนบทสั้น ๆ อัดเสียงบรรยาย แล้วมานั่งวางภาพให้ตรงกับเสียงทีละประโยค พูดว่า "บดสด" ภาพต้องเป็นตอนบด พูดว่า "เทนม" ภาพต้องเป็นตอนเทนม ขั้นนี้แหละที่กินเวลา เพราะต้องฟังเสียงไป เลื่อนหาภาพไป ตัดให้พอดีจังหวะไป

บทความนี้ผมลองให้ AI ทำขั้นนั้นแทน โดยใช้แอป MakeMoneyCut Ai ของผมเองในโหมด "พากย์เสียงทับฟุตเทจ" แล้วจดทุกขั้นพร้อมจับเวลา รวมถึงจุดที่ AI ทำพลาดด้วย

ขอบอกก่อนสองเรื่องครับ เรื่องแรก ฟุตเทจชุดนี้ไม่ใช่ร้านของผม เป็นฟุตเทจตัวอย่างจาก Mixkit (Mixkit Stock Video Free License) ที่ใช้แทนภาพร้านจริง เรื่องที่สอง เสียงบรรยายผมเตรียมมาเองก่อนเข้าแอป เป็นไฟล์เสียง 8 ประโยค ยาว 29 วินาที อัดด้วยเสียงโคลนของผม ถ้าคุณอัดเสียงตัวเองด้วยมือถือก็ใช้วิธีเดียวกันได้

ผลลัพธ์ก่อน แล้วค่อยดูวิธี

ความยาวของคลิปที่ได้คือ 29 วินาที เท่ากับเสียงบรรยายพอดี เพราะในโหมดนี้เสียงเป็นตัวกำหนดความยาว ภาพแค่ตามเสียงไป

ขั้นที่ 1 บอกแอปว่าอยากได้งานแบบไหน

เปิดแอปแล้วกดสร้างโปรเจกต์ หน้าแรกจะถามว่าอยากทำงานแบบไหน ผมเลือก "พากย์เสียงทับฟุตเทจ"

ค่าเริ่มต้นของแบบงานนี้คือให้ AI เขียนบทและพากย์เสียงให้เอง แต่รอบนี้ผมมีเสียงบรรยายอยู่แล้ว จึงปรับช่องเสียงเป็น "เสียงในฟุตเทจ" แล้ววางไฟล์ voiceover.wav ไว้ในโฟลเดอร์เดียวกับคลิปภาพ ตั้งเป็นแนวตั้ง 9:16 ยาวประมาณ 29 วินาที จำนวน 1 คลิป

ช่องบรีฟผมพิมพ์แบบนี้ครับ คุณก๊อปไปเปลี่ยนชื่อร้านใช้ได้เลย

คลิปแนะนำร้านกาแฟเล็ก ๆ
(ร้านสมมติสำหรับเดโม
ไม่ต้องตั้งชื่อร้าน)
ในโฟลเดอร์มีไฟล์เสียงบรรยาย
voiceover.wav ที่อัดไว้แล้ว 8 ประโยค
ใช้ไฟล์นี้เป็นเสียงบรรยายตลอดทั้งคลิป
ห้ามสร้างเสียงพากย์ใหม่
ปิดเสียงเดิมของคลิปภาพทุกฉาก
เลือกภาพให้ตรงกับแต่ละประโยค
ที่พูด ประโยคละ 1 ภาพ
ความยาวรวมเท่ากับเสียงบรรยาย
ใส่ซับคาราโอเกะตามเสียงบรรยาย

สองบรรทัดที่สำคัญที่สุดคือ "ห้ามสร้างเสียงพากย์ใหม่" กับ "ประโยคละ 1 ภาพ" บรรทัดแรกกันไม่ให้ AI ไปสร้างเสียงอื่นทับเสียงของคุณ บรรทัดที่สองบอกจังหวะตัด ถ้าไม่บอก AI อาจใช้ภาพเดียวลากยาวหลายประโยค

บทที่ผมอัดไว้มีแค่นี้ครับ เขียนให้แต่ละประโยคพูดถึงภาพที่มีอยู่จริงในฟุตเทจ

ทุกแก้วของเราเริ่มจาก
เมล็ดกาแฟคั่วใหม่ทุกสัปดาห์
บดสดก่อนชงทุกครั้ง กลิ่นหอมเต็มร้าน
ค่อย ๆ รินน้ำร้อน
ให้กาแฟได้คลายรสชาติเต็มที่
กาแฟเข้มข้นไหลลงแก้ว สีสวยทุกหยด
เทนมสดเย็น เห็นเป็นชั้นสวยน่ากิน
หรือจะเป็นแก้วร้อน
วาดลายนมสด ๆ ต่อหน้า
มุมนั่งสบาย แสงสวย
นั่งทำงานได้ทั้งวัน
แวะมาพักที่ร้านเราสักแก้วนะ

ขั้นที่ 2 โยนฟุตเทจ แล้วเลือกคอนเซปต์

ลากโฟลเดอร์ใส่แอป แอปอ่านครบ 11 ไฟล์ (ภาพ 10 ไฟล์ กับเสียง 1 ไฟล์) แล้ว AI ฟังไฟล์เสียงของผมก่อน จากนั้นเสนอคอนเซปต์มา 2 แบบ

• จากเมล็ด ถึงแก้ว (เน้นขั้นตอน) เปิดด้วยภาพเมล็ดกาแฟใกล้ ๆ พร้อมข้อความ "คั่วใหม่ทุกสัปดาห์" แล้วไล่ตามขั้นตอนชง
• บรรยากาศชวนแวะ (เน้นร้านและแก้วสวย) ใช้ภาพแก้วสวยและมุมร้านมากกว่า

ทั้งสองแบบ AI เขียนกำกับมาเองว่า "ใช้เสียงบรรยาย voiceover.wav ที่อัดไว้ทั้งคลิป ไม่สร้างเสียงใหม่ ปิดเสียงเดิมทุกฉาก" ตรงกับบรีฟ ผมเลือกแบบแรก

ขั้นที่ 3 ตรวจสตอรีบอร์ดก่อนตัด

สตอรีบอร์ดรอบนี้ได้ 8 ฉาก เท่ากับจำนวนประโยคพอดี แต่ละฉากบอกว่าประโยคไหนคู่กับไฟล์ไหน

1. "เมล็ดกาแฟคั่วใหม่" → ภาพเมล็ดกาแฟใกล้ ๆ
2. "บดสดก่อนชง" → เทกาแฟบดลงกระดาษกรอง
3. "รินน้ำร้อน" → รินน้ำร้อนดริปกาแฟ
4. "กาแฟเข้มข้นไหลลงแก้ว" → กาแฟไหลจากเครื่องลงแก้ว (ไฟล์แนวตั้งไฟล์เดียวในชุด)
5. "เทนมสดเย็น" → เทนมลงแก้วเย็น เห็นเป็นชั้น
6. "วาดลายนม" → เทลายนมบนแก้วร้อน
7. "มุมนั่งสบาย" → ภาพในร้านจากมุมสูง
8. "แวะมาพักที่ร้านเรา" → ลูกค้าจิบกาแฟ

จุดที่ผมชอบคือ AI ตัดแต่ละฉากให้เริ่มตรงกับจังหวะที่ประโยคนั้นเริ่มพูด เช่น ฉากที่ 3 เริ่มที่วินาทีที่ 8.1 ของเสียง ซึ่งเป็นจังหวะที่คำว่า "ค่อย ๆ รินน้ำร้อน" เริ่มพอดี ถ้าทำเอง ผมต้องเปิดคลื่นเสียงแล้วไล่หาจุดเริ่มของทุกประโยค

อีก 2 ไฟล์ AI ไม่ได้ใช้ คือภาพเสิร์ฟคาปูชิโน่กับภาพแก้วกาแฟมีไอร้อน เพราะบทมีแค่ 8 ประโยค ถ้าคุณอยากใช้ไฟล์ไหน ให้พิมพ์บอกในขั้นนี้ แล้วกดอนุมัติเมื่อโอเค

ขั้นที่ 4 รับคลิป แล้วดูให้จบหนึ่งรอบ

แอปตัด ปรับเป็นแนวตั้ง ถอดเสียงทำซับ ปรับระดับเสียง ตรวจคุณภาพ แล้วส่งออกเป็น MP4 ทั้งหมดใช้เวลา 3 นาที 33 วินาที นับจากโยนฟุตเทจจนได้ไฟล์ และผ่านการตรวจคุณภาพของแอปในรอบแรก

ตอนถอดเสียง แอปถอดผิดอยู่ 3 คำ คือ "บดสด" เป็น "บทสด" "เข้มข้น" เป็น "เข้มคน" และ "เทนมสด" เป็น "เทมสด" แต่ AI ตรวจกับบทแล้วแก้ให้เองก่อนส่งออก ซับในคลิปจึงสะกดถูก

จุดที่ AI ยังทำแทนคุณไม่ได้

ผมอยากให้คุณเห็นภาพตรงตามจริง 5 ข้อนี้ครับ

• คุณต้องเตรียมเสียงเอง ในบทความนี้ AI ไม่ได้เขียนบทหรือพากย์ให้ ผมเขียนบทและทำไฟล์เสียงมาก่อน แอปทำหน้าที่จับภาพให้ตรงกับเสียง (ถ้าอยากให้ AI พากย์ให้ ใช้ค่าเริ่มต้น "เสียงพากย์ AI" ได้ แต่ต้องมีโควตาเสียงพากย์เหลือ)
• ซับบางท่อนคร่อมสองประโยค ซับถูกแบ่งเป็นท่อนสั้นตามจำนวนตัวอักษร ไม่ได้ตัดตามจุดจบประโยค เลยมีท่อนอย่าง "ร้านค่อยรินน้ำร้อนให้" ที่คำว่า "ร้าน" มาจากประโยคก่อน และ "ทำงานได้ทั้งวันแวะมา" ที่คร่อมฉากสุดท้าย อ่านแล้วไม่ผิดความหมาย แต่ดูไม่เนียน
• ภาพไม่ได้ตรงคำทุกคำ ประโยค "นั่งทำงานได้ทั้งวัน" AI ใช้ภาพในร้านจากมุมสูงที่มีคนนั่งกินข้าว ไม่มีใครนั่งทำงาน เพราะในฟุตเทจไม่มีภาพคนทำงานเลย ถ้าบทพูดถึงอะไร ฟุตเทจต้องมีภาพนั้น
• AI เชื่อบรีฟของคุณ ฟุตเทจชุดนี้ถ่ายจากหลายร้าน แต่ผมบอกว่าเป็นร้านเดียว AI จึงเรียงเป็นร้านเดียวกัน ถ้าเป็นร้านจริงของคุณ เรื่องนี้ไม่ใช่ปัญหา
• แอปใช้คู่กับบัญชี Claude แบบเสียเงินของคุณเอง ซึ่งไม่รวมอยู่ในราคาแอป

ถ้าจะลองกับร้านของคุณเอง

1. ถ่ายภาพให้ครบทุกอย่างที่จะพูดถึง อย่างน้อยหนึ่งไฟล์ต่อหนึ่งประโยค
2. เขียนบทสั้น ๆ ประโยคละหนึ่งเรื่อง และให้ทุกประโยคพูดถึงภาพที่มีอยู่จริง
3. อัดเสียงเป็นไฟล์เดียว เว้นจังหวะระหว่างประโยคนิดหนึ่ง แล้ววางไว้ในโฟลเดอร์เดียวกับภาพ
4. ปรับช่องเสียงเป็น "เสียงในฟุตเทจ" และเขียนในบรีฟว่า "ห้ามสร้างเสียงพากย์ใหม่"
5. ตอนตรวจสตอรีบอร์ด ดูว่าแต่ละประโยคได้ภาพที่ตรงไหม
6. ดูคลิปจบหนึ่งรอบ แล้วเช็กซับท่อนที่คร่อมประโยค

งานฟังเสียงแล้วนั่งวางภาพทีละประโยค รอบนี้เหลือหน้าที่ของผมแค่ 3 อย่าง คือเตรียมเสียง เขียนบรีฟ และตรวจสตอรีบอร์ดครับ