Google Veo 3.x — สั่งยังไงให้ได้ดั่งใจ
Veo 3.1 สร้างวิดีโอ 4-8 วินาทีพร้อมเสียงซิงค์จากคำสั่งข้อความ กุญแจสำคัญคือการเรียงโครงสร้างพรอมต์ให้ถูกต้อง โดยวาง Cinematography (มุมกล้อง) ไว้หน้าสุด ใช้คำศัพท์เทคนิคจริงแทนคำคลุมเครือ และจำกัดแต่ละช็อตให้มี 1 การเคลื่อนไหวหลัก พร้อม modifier ไม่เกิน 2-3 ตัว ถ้าต้องการความต่อเนื่องของตัวละคร ให้ใช้ระบบ continuity block หรือรูปอ้างอิง (reference images) ส่วนงานซับซ้อนแนะนำให้ใช้ JSON schema แทนพรอมต์ข้อความยาวเพื่อควบคุมแต่ละองค์ประกอบอย่างแม่นยำ
ความยาวและความละเอียดที่รองรับลิมิต
Veo 3.1 สร้างคลิปได้ 4, 6 หรือ 8 วินาที ที่ความละเอียด 720p, 1080p หรือ 4K อัตราส่วนภาพ (aspect ratio) รองรับแค่ 16:9 (แนวนอน) และ 9:16 (แนวตั้ง) เท่านั้น ถ้าเลือก 1080p หรือ 4K จะต้องใช้ระยะ 8 วินาทีเสมอ อัตราเฟรม (frame rate) คงที่ที่ 24fps พรอมต์สูงสุด 1,024 tokens ต่อครั้ง ถ้าต้องการยาวกว่านี้ต้องแบ่งเป็นหลายฉาก
โครงสร้างพรอมต์ 5 ส่วนที่ให้ผลลัพธ์สม่ำเสมอโครงสร้าง
เรียงตามสูตร [Cinematography] + [Subject] + [Action] + [Context] + [Style & Ambiance] โดย Cinematography (มุมกล้อง การเคลื่อนไหว เลนส์) ต้องอยู่หน้าสุดเสมอ เพราะ Veo ให้น้ำหนักกับคำแรกๆ มากที่สุด ตามด้วยตัวละคร (Subject) การกระทำ (Action) บริบทสถานที่ (Context) และบรรยากาศโทนสี (Style & Ambiance) ท้ายสุดสามารถเพิ่มคำสั่งเสียง (Audio) ได้
ยัดคำสำคัญไว้หน้าสุด 10 tokens แรกกติกา
Veo ประมวลผลคำแรกๆ ในพรอมต์ด้วยน้ำหนักสูงสุด ถ้าฝังคำสั่งกล้องไว้ท้ายประโยค AI มักจะเพิกเฉย ให้วางชนิดช็อต (shot type) และการเคลื่อนไหวกล้อง (camera movement) ไว้ในตำแหน่ง 10 tokens แรกของประโยคเสมอ นี่คือกฎที่สำคัญที่สุดในการเขียนพรอมต์ Veo
หนึ่งฉากทำได้แค่หนึ่งการกระทำกติกา
Veo 3.1 ทำงานได้ดีเมื่อแต่ละฉาก (scene) มีการกระทำเดียว (atomic action) ถ้าต้องการหลายจังหวะ ให้แบ่งเป็นหลายฉากย่อย ๆ อย่าบีบการกระทำหลายอย่างลงในฉากเดียวกัน เพราะจะทำให้ Veo สับสนและผลลัพธ์ไม่ตรงตามที่สั่ง การทำงานแบบ atomic นี้เป็นหัวใจของการควบคุม Veo 3.1
ศัพท์กล้องและมุมมองที่ Veo เข้าใจเทคนิค
Veo รู้จักคำสั่งกล้องแบบมืออาชีพ เช่น dolly shot (กล้องเลื่อนไปมา), tracking shot (กล้องติดตามแนวนอน), crane shot (ยกกล้องขึ้นลง), aerial view (มุมสูงจากบน), slow pan (หมุนกล้องแนวนอนช้า ๆ), POV shot (มุมมองบุคคลที่หนึ่ง), handheld (ถือกล้องมือสั่น) สำหรับองค์ประกอบ (composition) ใช้ wide shot, close-up, extreme close-up, low angle, two-shot, over-the-shoulder ส่วนเลนส์และโฟกัสใช้ shallow depth of field, wide-angle lens, macro lens, deep focus, soft focus
จำกัด modifier แค่ 2-3 ตัวต่อช็อตลิมิต
ถ้าใส่คำขยาย (modifier) มากกว่า 3 ตัวในช็อตเดียว ผลลัพธ์จะเริ่มเบลอและหาค่าเฉลี่ยระหว่างคำสั่งที่ขัดแย้งกัน ให้เลือกคำขยายที่สำคัญที่สุด 2-3 ตัว เช่น medium close-up + 35mm + handheld หรือ wide + 24mm + low angle นี่เป็นข้อจำกัดของทั้ง Veo 3 และ Kling ที่ผ่านการทดสอบจาก 200 พรอมต์
สร้างเสียงพูด เสียงประกอบ และเสียงบรรยากาศเทคนิค
Veo 3.1 สร้างเสียงซิงค์กับวิดีโอโดยอัตโนมัติ สำหรับบทพูด (dialogue) ให้ใส่ในเครื่องหมายคำพูด เช่น 'A woman says, "We have to leave now."' สำหรับเสียงเอฟเฟกต์ (sound effects) ใช้คำนำหน้า 'SFX:' เช่น 'SFX: thunder cracks in the distance' ส่วนเสียงพื้นหลัง (ambient noise) ใช้ 'Ambient:' หรือ 'Ambient noise:' เช่น 'Ambient noise: the quiet hum of a starship bridge' Veo จะสร้างเสียงเสมอเว้นแต่จะปิดเสียง (mute) ทีหลัง
เวิร์กโฟลว์ Image-to-Video, Ingredients และ First/Last Frameเวิร์กโฟลว์
Veo 3.1 รองรับ 3 โหมดสำคัญ: Image-to-Video (ทำให้รูปนิ่งเคลื่อนไหวพร้อมเสียง), Ingredients to Video (ป้อนรูปอ้างอิง 3 รูปเพื่อรักษาสไตล์และตัวละครให้สม่ำเสมอ), First and Last Frame (สร้างวิดีโอเชื่อมต่อระหว่างรูปเริ่มต้นและรูปจบพร้อมเสียง เหมาะสำหรับการควบคุมการเคลื่อนไหวกล้องแบบแม่นยำ) นอกจากนี้ยังมีฟีเจอร์ Add/Remove Object แต่ใช้โมเดล Veo 2 และไม่มีเสียง
พรอมต์แบบ Timestamp สำหรับหลายช็อตเวิร์กโฟลว์
สามารถสั่งให้สร้างฉากหลายจังหวะในคลิปเดียวโดยกำหนด timestamp ในรูปแบบ [MM:SS-MM:SS] เช่น [00:00-00:02] กล้อง wide shot ที่ตัวละคร, [00:02-00:04] ซูมเข้าที่ใบหน้า, [00:04-00:06] ตัดไปแฮนด์ close-up วิธีนี้ช่วยสร้างความต่อเนื่องทางภาพ (visual consistency) และจังหวะจากการตัดต่อ (cinematic pacing) ภายในการสร้างครั้งเดียว กฎ one-dominant-move ยังใช้ได้ต่อ beat ไม่ใช่ต่อคลิป
ใช้ JSON Schema เมื่องานซับซ้อนโครงสร้าง
สำหรับซีเควนซ์ที่ซับซ้อน ให้ใช้ JSON แทนพรอมต์ข้อความยาว โครงสร้าง JSON ประกอบด้วย 5 บล็อก: output (resolution, aspect ratio, duration), global_style (mood, color grading, safety), continuity (character definitions), scenes[] (แต่ละช็อต), audio (SFX cues พร้อม timestamp) JSON ช่วยแยกแต่ละองค์ประกอบให้ชัดเจน ป้องกัน character morphing และเพิ่มอัตราความสำเร็จ จำกัดไว้ที่ไม่เกิน 10 scenes ต่อพรอมต์
Character Bible ล็อกรูปลักษณ์ตัวละครเทคนิค
ใช้ continuity block เพื่อกำหนดตัวละคร (character) ด้วย id และรายละเอียดรูปลักษณ์ เช่น 'Woman in chrome jacket, glowing blue eyes' แล้วอ้างอิง id นี้ในทุกฉาก วิธีนี้ป้องกันไม่ให้ตัวละครเปลี่ยนรูปร่าง (character morphing) ระหว่างช็อต หรือจะอัปโหลดรูปอ้างอิงหลายมุม เช่น host_front.jpg, host_threequarter.jpg เพื่อให้ Veo จำรูปลักษณ์ได้แม่นยำขึ้น
อธิบายให้เฉพาะเจาะจง หลีกเลี่ยงคำคลุมเครือกติกา
ตัวอย่างที่ไม่ดี: 'Person working on computer' ตัวอย่างที่ดี: '30-year-old woman in business casual attire typing on laptop at modern wooden desk, side angle medium shot, natural window lighting from camera left, focused expression, contemporary office with plants visible in background' ระบุอายุ เสื้อผ้า สีหน้า ทรงผม ภาษากาย ตำแหน่งแสง และสภาพแวดล้อมให้ละเอียด ความเฉพาะเจาะจงทำให้ Veo เข้าใจและทำตามได้แม่นยำ
หนึ่งช็อตหนึ่งการเคลื่อนไหวหลักกติกา
ห้ามผสมคำสั่งการเคลื่อนไหวหลายอย่างในช็อตเดียว เช่น pan + tilt + orbit + zoom + handheld พร้อมกัน ให้เลือกการเคลื่อนไหวหลัก (dominant camera move) หนึ่งอย่าง แล้วเสริมด้วย modifier อีก 1-2 ตัว ถ้าต้องการหลายการเคลื่อนไหว ให้แบ่งเป็นหลายช็อตแทน นี่คือคำแนะนำอย่างเป็นทางการจาก Google
เลนส์มีผลต่อจิตวิทยาการมองเทคนิค
35mm และ 85mm ให้ภาพที่แตกต่างกันมาก เลนส์กว้าง (24-28mm) ให้ความรู้สึกกว้างไกล เหมาะกับ establishing shot เลนส์ยาว (85mm+, 135mm) บีบภาพให้แบนและใกล้ชิด เหมาะกับ portrait และ emotional shot ถ้าไม่ระบุเลนส์ Veo จะเดาเอง แต่ละเลนส์มีน้ำหนักอารมณ์ (emotional weight) ในภาษาภาพยนตร์มืออาชีพ การเลือกเลนส์ตั้งใจช่วยควบคุมความรู้สึกของผู้ดู
Negative Prompt แบบสร้างสรรค์เทคนิค
แทนที่จะพูดว่า 'no man-made structures' ให้เขียนว่า 'A desolate landscape stretching endlessly, untouched by roads or buildings' หรือ 'A barren landscape with no buildings or roads' คือบรรยายสิ่งที่มีอยู่ในภาพ (การขาดหายไป) อย่างชัดเจน แทนการสั่งว่าอย่าให้มีอะไร Veo ตอบสนองกับการบรรยายเชิงบวก (constructive language) ดีกว่าการห้าม
กับดักที่พบบ่อย: ผสมคำขัดแย้งและใช้ cinematicกับดัก
ข้อผิดพลาดที่พบบ่อย: (1) ผสมคำที่ขัดแย้ง เช่น 'Wide shot close-up zoom' ให้เลือก framing หนึ่งอย่างต่อช็อต (2) ใช้คำว่า 'cinematic' ซึ่งเป็นคำคลุมเครือ ทำให้ได้ภาพที่ปรับสีเกินจริงและไม่มีการควบคุม ให้ระบุเทคนิคจริงแทน เช่น film grain, shallow depth of field, anamorphic flare, golden-hour backlight, 35mm Veo เรียนรู้จากคลิปมืออาชีพที่มีคำบรรยายด้วยศัพท์อุตสาหกรรม ดังนั้นคำเทคนิคจริงจะกระตุ้นรูปแบบภาพและอารมณ์ที่เรียนรู้ไว้
Audio Timestamp ต้องตรงกับจังหวะในฉากกติกา
ถ้าเสียงแก้วแตก (glass break SFX) เกิดที่วินาทีที่ 00:04.5 ต้องกำหนด timestamp ของเสียงให้ตรงกับจุดนั้นพอดี Veo 3.1 รองรับความแม่นยำระดับ millisecond การซิงค์เสียงที่แม่นยำทำให้ภาพและเสียงเชื่อมต่อกันอย่างสมจริง ถ้าไม่ตรงจะรู้สึกแปลกปลอมทันที
ระบุ Static ถ้าไม่ต้องการให้กล้องขยับกติกา
ถ้าไม่บอกว่า 'static' หรือ 'locked-off' Veo จะเพิ่มการเคลื่อนไหวเล็กน้อย เช่น drift, sway หรือ slow push-in เข้ามาเอง ต้องระบุชัดเจนว่าต้องการให้เฟรมนิ่ง (held frame) เพื่อหลีกเลี่ยงการเคลื่อนไหวที่ไม่ได้ตั้งใจ นี่เป็นพฤติกรรมเริ่มต้นของ Veo ที่ต้องรู้ไว้
คำศัพท์แสงและบรรยากาศเทคนิค
คำหลักที่ควรรู้: low-key (แสงน้อย มืดมาก), noir (ละครดำตัดกันสูง), high-key (สว่างทั่วถึง สดใส), cool/warm practicals (แหล่งแสงที่มองเห็นในเฟรม), motivated lighting (แหล่งแสงที่ไม่เห็นแต่สมเหตุสมผล), backlighting (แสงส่องจากด้านหลัง), haze (หมอกควันบาง ๆ) การระบุรูปแบบแสงทำให้ควบคุมอารมณ์ (mood) ได้แม่นยำ เช่น 'Low-key noir with motivated LED backlighting, deep shadows, dusty haze' หรือ 'soft early morning golden hour light streaming through large windows from camera left'
ชุดคำขยายที่ทำงานได้ดีเทคนิค
สูตรที่ผ่านการทดสอบ (ไม่เกิน 3 modifiers): Medium CU + 35mm + handheld = documentary intimacy (สัมภาษณ์ใกล้ชิด), Wide + 24mm + low angle = hero shot (ช็อตฮีโร่), Long lens (85mm+) + shallow DoF + backlit = editorial portrait (โปรเทรตนิตยสาร), Dutch tilt + 35mm + low light = tension (ตึงเครียด), Orbit + 35mm + centered subject = reveal (เปิดเผยตัวละคร) แต่ละสูตรควบคุมอารมณ์เฉพาะและให้ผลลัพธ์ที่คาดเดาได้
ปรับแต่งวิธี (How) ไม่ใช่เนื้อหา (What)เทคนิค
เมื่อทำซ้ำเพื่อหาลุคที่ต้องการ อย่าเปลี่ยนตัวละครหรือการกระทำ (Subject และ Action) แต่ให้เปลี่ยนแสง เลนส์ และการเคลื่อนไหวกล้องแทน (Lighting, Lens, Camera) วิธีนี้ทำให้ได้ผลลัพธ์ที่ใกล้เคียงเร็วขึ้น โดยไม่ทำให้เจตนาหลัก (core intent) เบลอ เป็นเทคนิคการทำซ้ำที่มีประสิทธิภาพ
Veo vs Kling: เลือกโมเดลให้เหมาะกับงานเวิร์กโฟลว์
Veo 3: เหมาะสำหรับเสียง (audio), บทพูด (dialogue), เฟรมนิ่ง (static framing), ความละเอียดสูงสุด 4K, ความยาว 8 วินาทีต่อคลิป Kling: เหมาะสำหรับการเคลื่อนไหว (motion), การหมุนกล้อง (orbit), การติดตาม (follow), Professional Mode สำหรับควบคุมกล้องแบบแม่นยำ กลยุทธ์: ทำ prototype ในโมเดลถูกกว่า ล็อก framing แล้วสร้างใหม่ในโมเดลที่เหมาะกับความแข็งแรงของช็อตนั้น (shot strength)
หยิบไปใช้ได้ทันที
- โครงสร้างพรอมต์: [Cinematography] + [Subject] + [Action] + [Context] + [Style & Ambiance]
- วาง shot type และ camera movement ใน 10 tokens แรกเสมอ
- จำกัด 2-3 modifiers ต่อช็อต มากเกินไปจะเบลอ
- หนึ่งช็อตหนึ่งการเคลื่อนไหวหลัก ห้ามผสม pan+zoom+orbit พร้อมกัน
- บทพูดใส่เครื่องหมายคำพูด เสียงเอฟเฟกต์ใช้ SFX: เสียงพื้นหลังใช้ Ambient:
- ใช้ continuity block กับ character id ป้องกัน character morphing
- ระบุ static ถ้าไม่ต้องการให้กล้องขยับ ไม่งั้น Veo จะเพิ่ม drift ให้เอง
- แทนที่จะใช้ cinematic ให้ระบุเทคนิคจริง: film grain, shallow DoF, 35mm, golden-hour backlight
- Veo สร้างเสียงอัตโนมัติ Kling เงียบจนกว่าจะเปิด รู้ค่าเริ่มต้นไว้
- ใช้ JSON เมื่องานซับซ้อน มี continuity หลายฉาก หรือต้องการ audio timestamp แม่นยำ
OpenAI Sora 2 — ฟิสิกส์ คาเมโอ และการเล่าเป็นช็อต
Sora 2 เป็นโมเดลสร้างวิดีโอของ OpenAI ที่เข้าใจฟิสิกส์และสร้างภาพยนตร์แบบช็อตต่อช็อต รองรับคาเมโอ (cameo) สำหรับตัวละครที่สอดคล้องข้ามฉาก และใช้ JSON ควบคุมฉากยาวกว่า 20 วินาที **สำคัญมาก: OpenAI ปิด Sora 2 แล้ววันที่ 26 เมษายน 2026 และจะปิด API วันที่ 24 กันยายน 2026** ห้ามสร้างเวิร์กโฟลว์ระยะยาวบนระบบนี้ บทความนี้เก็บไว้เป็นความรู้ทางประวัติศาสตร์และเปรียบเทียบแนวคิดกับโมเดลรุ่นอื่น
Sora 2 ถูกยกเลิกแล้ว — อย่าสร้างโปรเจกต์ใหม่ลิมิต
OpenAI ปิดเว็บและแอป Sora 2 วันที่ 26 เมษายน 2026 และจะปิด API อย่างเป็นทางการวันที่ 24 กันยายน 2026 โดยไม่มีตัวทดแทน สาเหตุหลักคือเศรษฐศาสตร์แพลตฟอร์มล้มเหลว: OpenAI จ่ายค่าคอมพิวต์ทุกครั้งที่ผู้ใช้สร้างคลิป ในขณะที่แพลตฟอร์มอย่าง TikTok ให้ผู้ใช้รับภาระต้นทุนการถ่ายทำเอง ดาวน์โหลดลดลงจาก 6.1M (พฤศจิกายน 2025) เหลือ 1.1M (มีนาคม 2026) ห้ามสร้างเวิร์กโฟลว์ระยะยาวบน Sora 2
สเปกเอาต์พุต: 10 วินาที แนวตั้ง พร้อมเสียงพากย์และเอฟเฟกต์ลิมิต
Sora 2 สร้างวิดีโอแนวตั้ง (vertical) ความยาว 10 วินาที พร้อมเสียงบทพูด (dialogue) เอฟเฟกต์เสียง (sound effects) และเสียงบรรยากาศ (ambient noise) ซิงค์กันอัตโนมัติ รองรับช็อตแบบภาพยนตร์ (cinematic shots) สไตล์อนิเมะ และฉากโฟโต้เรียลลิสติกที่มีฟิสิกส์จำลองแม่นยำ รูปแบบนี้ออกแบบมาสำหรับโซเชียลมีเดียฟีดอย่าง TikTok
โปรมต์ 50-100 คำให้ผลลัพธ์เชื่อถือได้สุดกติกา
โปรมต์ควรยาว 50-100 คำเพื่อผลลัพธ์ที่น่าเชื่อถือ คำอธิบายที่กระชับและมีรายละเอียดทำงานได้ดีกว่าโปรมต์ที่ยาวเกินไปหรือคลุมเครือ วิดีโอสั้นกว่าปฏิบัติตามคำสั่งได้แม่นกว่า: แนะนำให้สร้างคลิป 4 วินาที 2 คลิปแทนคลิปเดียว 8 วินาทีถ้าโปรเจกต์อนุญาต
โครงสร้างโปรมต์หกองค์ประกอบหลักโครงสร้าง
สร้างโปรมต์รอบหกองค์ประกอบ: subject (ตัวละคร/วัตถุหลัก), setting (สถานที่), motion (การกระทำ), camera style (ประเภทช็อต/มุมกล้อง), pacing (ความเร็ว/จังหวะ), audio (เสียง/บทพูด/ดนตรี) ใช้ภาษาถ่ายทำภาพยนตร์นำหน้าด้วยเฟรม (lead with frame) แทนคำบรรยายแบบนวนิยาย สำหรับโปรมต์ที่ซับซ้อน แบ่งเป็น 7 ชั้น: Scene Setup, Subject and Action, Camera Grammar, Lighting and Color, Physics and Materials, Audio Cues, Exclusions
ระบบคาเมโอ (cameo) รักษาตัวละครสอดคล้องข้ามช็อตเทคนิค
ตัวละครได้รับ unique identifier (เช่น @detective_jack) ผูกกับรูปอ้างอิงหรือ seed ป้องกันตัวละครผันแปร (morphing) ระหว่างช็อต และใช้ AI actor ตัวเดิมซ้ำในโปรเจกต์ต่างๆ ได้โดยบันทึกและเรียกคืน cameo seed แก้ปัญหาคาเมโอเพี้ยนด้วยการเพิ่มคำอธิบายเสื้อผ้าและลักษณะเฉพาะลงใน global_style block
JSON สำหรับฉากยาว JSON ใช้เวลา 20 นาที โปรมต์ข้อความเหมาะแค่ไอเดียโครงสร้าง
โปรมต์ข้อความเหมาะสำหรับแรงบันดาลใจเท่านั้น สำหรับวิดีโอยาวกว่า 5 วินาทีหรือหลายช็อต ต้องใช้ JSON ที่มีโครงสร้างเพื่อควบคุมระดับเฟรมกับ character ID, physics constraints, scene stitching การสร้าง JSON ด้วยมือใช้เวลาประมาณ 20 นาทีต่อวิดีโอ ใช้เครื่องมือ visual JSON generator ลดเหลือน้อยกว่า 2 นาที ฟิลด์หลัก JSON: storyboard (boolean สำหรับ narrative parsing), cameos[] (เก็บ character DNA), physics_hints (พารามิเตอร์ความเป็นจริงของการเคลื่อนไหว), scene_stitching (อ้างอิง frame continuity)
Scene stitching เชื่อมช็อตไร้รอยต่อ ป้องกัน scene driftเทคนิค
scene_stitching อ้างอิง end_frame ของฉากก่อนหน้าเพื่อ match cut ระดับเฟรม ล็อกเลย์เอาต์ฉากหลังระหว่างช็อตและป้องกัน scene drift ในวิดีโอยาว Sora 2 สร้างลำดับต่อเนื่อง 20s+ ผ่าน scene stitching (เทียบกับ Veo 3.1 ที่สร้างครั้งเดียว 60s) ถ้าสภาพแวดล้อมเลื่อนไหลระหว่างฉาก ใช้ scene_stitching ล็อกเลย์เอาต์ฉากหลัง
ระบุฟิสิกส์ชัดเจนป้องกันพฤติกรรมประหลาดเทคนิค
ระบุกฎฟิสิกส์อย่างชัดเจนเพื่อป้องกันข้อผิดพลาดเช่น 'ลูกฟุตบอลโค้งเข้าประตูอย่างเป็นธรรมชาติ' หรือ 'ลูกบาสเกตบอลตีคานหลังกระดอน' ระบุวัสดุและแรง: 'ผ้าไหมพลิ้วในลมเร็ว 5 mph' หรือ 'หยดฝนกระเพื่อมในแอ่ง เงาสมจริงจากไฟเหนือศีรษะ' พารามิเตอร์ physics_hints ใน JSON ควบคุมแรงโน้มถ่วง (gravity: 9.8), fluid_viscosity และ fluid_dynamics: realistic_rain_interaction ถ้าวัตถุลอย เพิ่มแท็ก physics_hints: { gravity: standard } เพื่อยึดฟิสิกส์สมจริง Sora 2 เข้าใจฟิสิกส์ดีกว่ารุ่นก่อน—เหมาะกับยานพาหนะ ของเหลว กีฬา และสตั๊นท์ ไม่เหมาะกับแฟนตาซีนามธรรมที่ท้าทายฟิสิกส์
กฎหนึ่งช็อตหนึ่งการเคลื่อนกล้อง + หนึ่งแอ็กชันกติกา
แต่ละช็อตต้องมีการเคลื่อนกล้องชัดเจนหนึ่งอย่างและแอ็กชันของหัวเรื่องชัดเจนหนึ่งอย่าง การรวมหลายการเคลื่อนไหวหรือแอ็กชันที่ขัดแย้งทำให้การเคลื่อนไหวอ่านไม่ออก จำกัดแต่ละช็อตด้วย single camera movement และระบุประเภทเลนส์ด้วยความยาวโฟกัส (เช่น 24mm wide-angle) เพื่อความแม่นยำ การปรับปรุง steerability ของ Sora 2 ปี 2025 ลด motion artifacts และเพิ่ม interpretability
อธิบายแอ็กชันเป็น beats พร้อมไทม์มิ่งเทคนิค
แยกการเคลื่อนไหวเป็นขั้นตอนเล็กๆ พร้อมหยุดพัก: 'เดินสี่ก้าวไปหน้าต่าง หยุด ดึงผ้าม่านในวินาทีสุดท้าย' แทนที่จะเป็น 'เดินข้ามห้อง' beats ที่แม่นยำทำให้ไทม์มิ่งเป็นไปได้ ใช้กริยาการเคลื่อนไหวอย่าง 'drifts, slides, swings, flickers' เพื่อถ่ายทอดจังหวะและไทม์มิ่ง กริยาสื่อสารจังหวะได้ดีกว่าคุณศัพท์เพียงอย่างเดียว
บทพูดต้องมีฉลากผู้พูดและบรรทัดสั้นเทคนิค
วางบทพูดในบล็อกแยกต่างหากใต้ prose ใช้บรรทัดสั้น: จำกัดเป็นประโยคไม่กี่ประโยคสำหรับคลิป 4 วินาที อีกไม่กี่ประโยคสำหรับ 8 วินาที คำพูดยาวทำลายจังหวะและ sync ไม่ดี รูปแบบ: '[Name] says [exact dialogue] in [tone] while [action]' ซิงค์เสียงกับภาพได้แม่นยำ Sora 2 เหมาะกับเนื้อหาที่ขับเคลื่อนด้วยบทพูด (documentaries, comedy skits, short ads) ที่ไทม์มิ่งและอารมณ์ทำงานร่วมกัน ถ้าบทพูด sync ไม่ได้ ให้ลดความยาวบรรทัด หรือบันทึกเสียงแยก (ADR) และ sync ในโปสต์โปรดักชันด้วยเครื่องมืออย่าง Adobe Premiere ข้อจำกัดปัจจุบัน: audio_description field ยังไม่สร้างเสียง วิธีแก้: ใช้ JSON พร้อม timestamp บทพูดแม่นยำเพื่อ export timing map สำหรับ post-production syncing กับ ElevenLabs
เวิร์กโฟลว์สามเฟสประหยัดเครดิตเวิร์กโฟลว์
Pre-Production: script beat sheet, storyboard, กำหนด style spine (องค์ประกอบความสวยงามสอดคล้อง) Low-Res Exploration: สร้าง 3-5 variants คุณภาพต่ำสั้นๆ ต่อช็อตเพื่อทดสอบไอเดีย Refinement: ปรับโปรมต์ด้วยรายละเอียดอย่าง 'เพิ่มความลึกเงา' หรือ 'ชะลอแพน 20%' วิธีนี้ลดการใช้เครดิตขณะเพิ่มคุณภาพสูงสุด กำหนดเกณฑ์การยอมรับก่อนสร้าง: subject clarity และการส่งอารมณ์, การเคลื่อนกล้องเรียบไม่สั่น, ฟิสิกส์สมจริงและความต่อเนื่อง, ไม่มี artifacts (ข้อความบิดเบี้ยว การเคลื่อนไหวผิดธรรมชาติ), audio sync และระยะเวลาถูกต้อง
ฟีเจอร์ Remix สำหรับการปรับแต่งเฉพาะจุด ไม่ใช่การเสี่ยงโชคเทคนิค
ใช้ฟีเจอร์ remix เพื่อแก้ไขคลิปที่มีอยู่โดยไม่ต้องสร้างใหม่ตั้งแต่ต้น ทำการเปลี่ยนแปลงควบคุมทีละครั้งด้วยคำสั่งชัดเจน: 'ช็อตเดียวกัน เปลี่ยนเป็น 85mm' หรือ 'แสงเดียวกัน จานสีใหม่: teal, sand, rust' ปักหมุดผลลัพธ์ที่ใกล้เคียงและอธิบายเฉพาะการปรับแต่ง เพิ่มการปรับแต่งเฉพาะ: 'ทำให้สีอุ่นขึ้นและเพิ่มเอฟเฟกต์ฝน' ประหยัดเวลาการทำซ้ำ
หลีกเลี่ยง text artifacts ด้วยการซ้อนกราฟิกในโพสต์กับดัก
ตัดข้อความที่อ่านได้ออกจากโปรมต์ Sora 2 ทั้งหมด ('ไม่มีข้อความที่อ่านได้บนป้าย') เพิ่ม text overlays เป็นกราฟิกในโพสต์โปรดักชันแทนเพื่อหลีกเลี่ยง distortion artifacts
Negative prompting สั้นและมีจุดประสงค์ ไม่ใช่รายการยาวกติกา
Negative prompts ใช้ได้แต่ต้องสมดุลกับ positive cues ใช้การตัดออกสั้นๆ มีจุดประสงค์อย่าง 'no motion blur' แทนรายการห้ามทำยาวๆ สำหรับทุก don't ให้เพิ่ม do การโอเวอร์โหลดด้วย exclusions ทำให้ negative prompts ถูกเพิกเฉย ใช้ descriptive negation แทน: ฝังการตัดออกตามธรรมชาติในโปรมต์ เช่น 'No overexposed highlights; maintain natural skin tones'
ความละเอียดสูงปรับปรุงรายละเอียดและความสอดคล้องกติกา
ความละเอียดสูงกว่าสร้างรายละเอียด เท็กซ์เจอร์ และการเปลี่ยนแสงที่แม่นยำกว่า ความละเอียดต่ำอัดข้อมูลภาพ ทำให้เกิดความนุ่มหรือ artifacts ความละเอียด ระยะเวลา และคุณภาพไม่สามารถเปลี่ยนแปลงผ่านข้อความโปรมต์ได้ ตั้ง model (sora-2 หรือ sora-2-pro), size (1280x720, 720x1280, 1024x1792, 1792x1024) และ seconds (4, 8, 12) อย่างชัดเจนใน API call เท่านั้น
คำนามภาพเฉพาะเจาะจงชนะคุณศัพท์คลุมเครือเทคนิค
แทนที่ 'ถนนสวยยามค่ำ' ด้วย 'ยางมะตอยเปียก ทางม้าลายซีบรา ป้ายนีออนสะท้อนในแอ่งน้ำ' ใช้กริยาและคำนามชี้ไปที่ผลลัพธ์ที่มองเห็นได้ ไม่ใช่คุณภาพนามธรรม ระบุวัสดุ (แข็ง/ยืดหยุ่น, ลื่น/หยาบ), น้ำหนัก (หนัก/เบา), กริยาการเคลื่อนไหว (ตีกลับ, สาด, ลื่น), แรง (ลม, เอียง, พื้นไม่เรียบ), และความเป็นเหตุเป็นผล (การกระทำไหลตามธรรมชาติ วัตถุไม่หายไป)
Style anchor ควบคุมทางเลือกภาพทั้งหมดกติกา
สร้างความสวยงามตั้งแต่เนิ่นๆ (เช่น '1970s film,' 'IMAX-scale,' '16mm black-and-white') style frame นี้กำหนดว่ารายละเอียดทั้งหมดอ่านอย่างไรและควรระบุก่อนรายละเอียดช็อต เมื่อตัดหลายคลิปมารวมกัน ให้ตรรกะแสง (lighting logic) สอดคล้อง อธิบายทั้งคุณภาพแสง (diffuse vs. single strong source) และ color anchors (ตั้งชื่อ 3-5 สี) เพื่อล็อกจานสีข้ามช็อต
Input image ยึดเฟรมแรก ล็อกตัวละครและฉากเทคนิค
ใช้พารามิเตอร์ input_reference กับ JPEG, PNG หรือ WebP ที่ตรงกับความละเอียดวิดีโอเป้าหมาย โมเดลใช้รูปเป็นหลักสำหรับเฟรมแรก โปรมต์ข้อความกำหนดสิ่งที่เกิดขึ้นต่อไป ล็อกการออกแบบตัวละคร เสื้อผ้า ฉาก และความสวยงาม
ถอดช็อตปัญหากลับไปสร้างใหม่ทีละชั้นกับดัก
ถ้าช็อตพลาดอยู่เรื่อยๆ: หยุดกล้อง ทำแอ็กชันให้ง่าย เคลียร์ฉากหลัง ตรวจสอบว่าใช้งานได้ จากนั้นเพิ่มความซับซ้อนเพิ่มเติมทีละขั้น สำหรับฉากซับซ้อน สร้างองค์ประกอบช็อตแยกกัน จากนั้น composite รวมกันในเครื่องมือโพสต์โปรดักชัน วิธีนี้จัดการความซับซ้อนได้ดีกว่าการสร้างโปรมต์เดียว
Batching และ compositing สำหรับฉากซับซ้อนเวิร์กโฟลว์
สร้างองค์ประกอบช็อตแยกกัน จากนั้น composite รวมกันในเครื่องมือโพสต์โปรดักชัน วิธีนี้จัดการความซับซ้อนได้ดีกว่าการสร้างโปรมต์เดียวและเหมาะกับลำดับหลายช็อตเป็นพิเศษ ถ้าเกิดการเปลี่ยนสีหรือกะพริบ จำกัดจานสีในโปรมต์ (เช่น 'cool blue and pink neon palette') ใช้ color grading และ stabilization fixes ในโพสต์โปรดักชัน
Depth of field หล่อความสนใจเทคนิค
Shallow focus ทำให้หัวเรื่องโดดเด่นกับฉากหลังเบลอ Deep focus ทำให้ foreground และ background คมชัด ระบุอย่างชัดเจนในส่วน cinematography
ช็อตเงียบใช้เสียงน้อยที่สุดเป็น rhythm cueเทคนิค
สำหรับคลิปเงียบ แนะนำเสียงเล็กๆ อย่าง 'distant traffic hiss' หรือ 'crisp snap' เป็นจังหวะจังหวะแทน soundtrack เต็ม
หยิบไปใช้ได้ทันที
- Sora 2 ปิดแล้ว 26 เม.ย. 2026 | API หมดอายุ 24 ก.ย. 2026
- โปรมต์ 50-100 คำ = น่าเชื่อถือสุด
- หนึ่งช็อต = หนึ่งการเคลื่อนกล้อง + หนึ่งแอ็กชัน
- Cameo @character_name รักษาตัวละครข้ามช็อต
- JSON จำเป็นสำหรับวิดีโอ >5s หรือหลายช็อต (สร้างมือ ~20 นาที)
- physics_hints: { gravity: 9.8 } แก้วัตถุลอย
- scene_stitching อ้างอิง end_frame ป้องกัน scene drift
- บทพูดสั้นๆ + [Name] says [dialogue] in [tone] while [action]
- ตัด text ออกจากโปรมต์ | ใส่ overlay ในโพสต์
- Negative prompts: สั้น มีจุดประสงค์ สมดุลกับ positive
- ระบุฟิสิกส์: วัสดุ + น้ำหนัก + แรง + กริยา
- Style anchor ก่อน → ควบคุมทุกอย่าง (เช่น '1970s film')
- Remix = ปรับแต่งเฉพาะจุด ไม่ใช่สร้างใหม่
- input_reference ยึดเฟรมแรก ล็อกตัวละคร/ฉาก
Kling / Seedance / Runway / Hailuo / Grok — ตัวไหนเก่งอะไร
บทความนี้เปรียบเทียบเครื่องมือสร้างวิดีโอ AI ห้าตัวหลัก พร้อมข้อจำกัดความยาว ความละเอียด และจุดแข็ง-จุดอ่อนของแต่ละตัว รวมถึงกลเม็ดการเขียนพรอมพ์ตให้ได้ภาพเคลื่อนไหวจริง ไม่ warp ไม่แข็งทื่อ สิ่งสำคัญที่สุดคือต้องเลือกเครื่องมือให้ตรงกับงาน เข้าใจข้อจำกัดความยาวกับความละเอียด และเขียนพรอมพ์ตแบบมีโครงสร้าง บอก action ชัดเจน ไม่ใช่แค่บรรยายฉากนิ่ง
ลิมิตความยาวและความละเอียดของแต่ละเครื่องมือลิมิต
Kling VIDEO 3.0 สร้างได้สูงสุด 15 วินาที ความละเอียดถึง 4K รองรับ 720p/1080p/4K และอัตราส่วน 16:9, 1:1, 9:16 | Runway Gen-4.5 จำกัดที่ 720p เท่านั้น ความยาว 2–10 วินาที | Seedance 2.5 รองรับ 1080p แล้ว (รุ่นเก่ากว่านี้ต่ำกว่า) ความยาว 4–15 วินาที | Kling 3 Pro ผ่าน FAL สร้างได้ 3–15 วินาที | LTX 2.3/2.5 รองรับยาวที่สุดถึง 20 วินาทีในโหมด Fast | ระยะเวลาและความละเอียดมักผูกกัน ถ้าตั้งผิดอาจโดนระบบปฏิเสธเงียบๆ
สามโหมดความล้มเหลวหลักของวิดีโอปลอมกับดัก
วิดีโอ AI มีปัญหาหลักสามแบบ: (1) ไม่มี motion คือระบุ action ไม่ชัด จึงแทบนิ่ง มีแค่แสงกับผมพริ้ว (2) warping/morphing คือร่างกายหรือวัตถุบิดเบี้ยวตอนเคลื่อนไหว เพราะ temporal consistency พัง (3) obviously synthetic คือดู fake ชัดเพราะฟิสิกส์ แสง หรือ micro-motion ไม่เป็นธรรมชาติ แต่ละแบบมีวิธีแก้ต่างกัน การเขียนพรอมพ์ตแบบมีโครงสร้างและระบุ action ชัดช่วยลดปัญหาเหล่านี้
โครงสร้างพรอมพ์ตแบบสามชั้นสำหรับภาพยนตร์คุณภาพโครงสร้าง
เขียนพรอมพ์ตแบบแยกชั้น: (1) scene setting กำหนดฉากและบรรยากาศ (2) camera direction บอกการเคลื่อนไหวกล้อง แสง มุม (3) subject action บอกว่าตัวละครทำอะไรอย่างไร โครงสร้างนี้ทำให้ได้ภาพที่ดูเหมือนมืออาชีพถ่ายจริง ไม่ใช่แค่คลิปสมัครเล่น ควรยาว 50–100 คำขึ้นไป แต่เป็นโครงสร้างชัดเจน ไม่ใช่พล่าม
ต้องบอก motion ไม่ใช่แค่บรรยายฉากนิ่งเทคนิค
อย่าเขียนแค่ 'A cat on a table' ต้องบอกว่ามันเคลื่อนไหวยังไง เช่น 'A tabby cat slowly stretches across a wooden table, then lazily bats at a dangling string, tail swishing' การบรรยายแบบนิ่งทำให้ได้วิดีโอที่ดูนิ่ง ต้องระบุ action หนึ่งอย่างชัดเจนต่อหนึ่งช็อต ถ้ายัดสี่ action ลงในแปดวินาทีจะเกิด morphing เพราะโมเดลพยายามยัดทุกอย่างเข้าไป
ลำดับพรอมพ์ต Kling แบบ camera-lastโครงสร้าง
สำหรับ Kling ให้เรียงพรอมพ์ตตามลำดับ: Subject (ตัวละคร) + Environment (สภาพแวดล้อม) + Action (การกระทำ) + Lighting (แสง) + Style (สไตล์) + Camera Movement (การเคลื่อนไหวกล้อง) วางคำสั่งกล้องไว้ท้ายสุดเพื่อให้ AI สร้างฉากก่อน แล้วค่อยเคลื่อนกล้องผ่านฉากนั้น เทคนิคนี้ช่วยให้ได้ภาพที่สอดคล้องกันมากขึ้น
Runway Gen-4.5: shape consistency สมบูรณ์แบบ แต่ over-styleกติกา
Runway Gen-4.5 รักษารูปทรงได้สมบูรณ์แบบตอนหมุนสินค้า 360 องศา เหมาะกับงาน product shot แต่มีข้อเสีย คือชอบ over-produce คอนเทนต์ social media ทำให้ได้ภาพคุณภาพ commercial เกินไป ไม่เหมาะกับงานที่ต้องการความรู้สึก user-generated-content แบบสบายๆ ปัจจุบันออกที่ 720p เท่านั้น ไม่รองรับความละเอียดสูงกว่า
Kling v3: motion realism สูง แต่ติดกฎฟิสิกส์กับดัก
Kling v3 ได้คะแนน motion realism 9.0/10 แต่มีปัญหากับพรอมพ์ตแนว surreal ที่ขัดกฎฟิสิกส์ เช่น น้ำตกไหลขึ้น physics engine จะพยายามบังคับให้น้ำไหลลง ทำให้ได้ภาพไม่ตรงตามที่ต้องการ นอกจากนี้ยังมี subtle warping ตอนหมุนประมาณ 270 องศา ไม่เรียบเท่า Runway หรือ Hailuo 02 ในงานหมุนสินค้า
MiniMax Hailuo 02: rotation สะอาด แต่ flickering ที่รายละเอียดละเอียดกับดัก
MiniMax Hailuo 02 หมุนสินค้าได้สะอาด รักษารูปทรงสม่ำเสมอ แต่มีปัญหา flickering เป็นครั้งคราวที่รายละเอียดละเอียดเช่นต่างหู เส้นผม ตอนทำวิดีโอ talking head ส่งผลต่อความเป็นธรรมชาติของ micro-expression และการเคลื่อนไหวขณะคุย ควรเลี่ยงใช้กับช็อตที่ต้องการรายละเอียดใบหน้าคมชัดมาก
Kling multi-shot: รองรับสูงสุด 6 ช็อต ความยาวรวม 3–15 วินาทีโครงสร้าง
Kling 3.0 รองรับ multi-shot ด้วยไวยากรณ์ 'shot n, m, words' โดย n คือเลขช็อต (1–6), m คือความยาววินาที, words คือพรอมพ์ต (สูงสุด 512 ตัวอักษรต่อช็อต) ความยาวทั้งหมดต้องรวมกันได้ตามที่กำหนด settings.multi_shot ค่า default เป็น true พรอมพ์ตรวมรับได้สูงสุด 3,072 ตัวอักษร แนะนำไม่เกิน 2,500 ถ้าใช้ web interface แบบหลวมๆ ไม่ต้องใส่ความยาว แค่ 'Shot 1, [description]. Shot 2, [description].' ตั้ง multi_shot เป็น false ได้ถ้าต้องการ one-take ไม่ตัด
Wan 2.7: รองรับพรอมพ์ตยาวสุด 5,000 ตัวอักษร พร้อม negative promptลิมิต
Wan 2.7 รับความยาว 2–15 วินาที และพรอมพ์ตสูงสุด 5,000 ตัวอักษร มีฟีลด์ negative_prompt จริง ใช้ timestamp-based shot prompting สำหรับจัดลำดับหลายช็อต เหมาะกับงานที่ต้องการพรอมพ์ตยาวและละเอียดมาก พารามิเตอร์ shot_type ไม่มีผลจริง
ระบุ temporal pacing ชัดเจน: slow motion / real-time / time-lapseเทคนิค
ใช้คำบอกจังหวะเวลาชัดๆ เช่น slow motion, real-time, time-lapse, match cut to เพื่อควบคุม time feel หลีกเลี่ยง AI drift effect ที่ทำให้คลิปดูเร็วหรือช้าผิดธรรมชาติ เขียนเช่น 'time-lapse of a red rose blooming from tight bud to full bloom' หรือ 'continuous smooth motion' ดีกว่า 'flower blooming' ทั่วไป ควรใส่ความยาววินาทีด้วย
Environmental micro-details ทำให้ดูสมจริงเทคนิค
ใส่รายละเอียดเล็กๆ ที่ยึดฉากให้สมจริง เช่น ฝุ่นละอองเห็นในแสง น้ำค้างบนแก้ว กล้องสั่นนิดหน่อย lens flare จากหน้าต่าง รายละเอียดเหล่านี้ส่งสัญญาณ realism ให้โมเดลเข้าใจว่าต้องการภาพแบบถ่ายจริง ไม่ใช่ render ดิจิทัลเรียบเกินไป
ไม่ระบุ look = โมเดลเลือก clean digital render ให้กับดัก
ถ้าไม่บอกสไตล์ภาพ (look) โมเดลจะใช้ house style default คือ clean digital render ที่ดูเรียบเกิน ค่อนข้าง plastic การระบุ look ตั้งแต่แรกช่วยให้โมเดลรักษาความสอดคล้องของสไตล์ตลอดทั้งคลิป ถือเป็น aesthetic choice ที่ควรควบคุมเองไม่ใช่ปล่อยให้ระบบเลือก
Template สมบูรณ์: SHOT TYPE / ENVIRONMENT / CAMERA / SUBJECT / DETAILS / DURATION FEELโครงสร้าง
พรอมพ์ตที่สมบูรณ์ควรมี: [SHOT TYPE] ประเภทช็อต เช่น wide, close-up พร้อมสไตล์ / [ENVIRONMENT] สถานที่ เวลา แสง / [CAMERA] กริยาการเคลื่อนกล้อง ทิศทาง ความเร็ว / [SUBJECT] ใคร ทำอะไร อารมณ์ไร / [DETAILS] รายละเอียดเล็กๆ 2–3 อย่าง / [DURATION FEEL] คำบอกจังหวะเวลา Template นี้ช่วยให้ไม่พลาดองค์ประกอบสำคัญ
Kling 2.5 Turbo: เร็ว motion ดี สี cinematic ด้อยกว่ากติกา
Kling 2.5 Turbo เหมาะสำหรับทำซ้ำเร็วและ motion quality สูง แต่จุดอ่อนคือ color grading ไม่ cinematic เท่ารุ่น standard ถ้างานต้องการสีโทนหนังให้ใช้รุ่นอื่นหรือ grade สีทีหลัง
Aspect ratio ต้องตรงกับพรอมพ์ตกติกา
อย่าเพิกเฉยต่ออัตราส่วนภาพ พรอมพ์ตที่เขียนสำหรับ widescreen cinematic จะดูแปลกถ้าสร้างที่ 9:16 ต้อง match ภาษาในพรอมพ์ตกับรูปแบบที่ตั้งใจจะสร้าง Kling รองรับ 16:9, 9:16 และ 1:1
Seedance 2.0: เก่ง speed ramp และ time playเทคนิค
Seedance 2.0 จัดการ speed ramp, freeze, hyperlapse ได้แม่นยำ เป็นภาษาพื้นเมืองของ music video และ sports edit ถ้าระบุในพรอมพ์ตว่าความเร็วต้องเปลี่ยนตรงช่วงไหน Seedance จะทำได้ดี Seedance 2.5 รองรับ 1080p แล้ว รุ่นเก่ากว่านี้อาจต่ำกว่า
Luma Dream Machine: โทนสีมักเย็นกว่าที่ระบุกับดัก
Luma Dream Machine บางครั้งทำ color grading เย็นกว่าที่บอกในพรอมพ์ต golden hour ที่สั่งอาจได้สีเย็นกว่าที่ต้องการ ควรตรวจสอบและ grade สีเพิ่มเติมถ้าโทนสีสำคัญกับโปรเจกต์
Seedance inline flag syntax แบบเก่ายังใช้ได้โครงสร้าง
BytePlus ModelArk ยังรองรับ flag แบบต่อท้ายพรอมพ์ต: '--rs 720p --rt 16:9 --dur 5 --seed 11 --cf false --wm true' แต่แนะนำใช้ JSON body แทนเพื่อให้ได้ validation เข้มงวดและ error return ชัดเจนเมื่อใส่ค่าผิด
Kling ไม่มี frame rate เผยแพร่อย่างเป็นทางการลิมิต
ไม่มีคำว่า 'fps', 'frame rate' หรือ 'frames per second' ใน API spec หรือ llms.txt ของ Kling 3.0 ตัวเลข frame rate ของ Kling ที่เจอตามออนไลน์ไม่ได้มาจาก Kling โดยตรง
หยิบไปใช้ได้ทันที
- Kling 3.0: 3–15 วินาที, สูงสุด 4K, 16:9/1:1/9:16, multi-shot สูงสุด 6 ช็อต, พรอมพ์ตรวม ≤3,072 ตัวอักษร (แนะนำ ≤2,500)
- Runway Gen-4.5: 2–10 วินาที, 720p เท่านั้น, shape consistency สมบูรณ์แบบ, over-style casual content
- Seedance 2.5: 4–15 วินาที, 1080p, เก่ง speed ramp กับ time play
- Hailuo 02: rotation สะอาด แต่ flickering ที่รายละเอียดละเอียด
- Wan 2.7: 2–15 วินาที, พรอมพ์ตสูงสุด 5,000 ตัวอักษร, มี negative_prompt
- LTX 2.3/2.5: รองรับยาวที่สุด 20 วินาที Fast mode
- ลำดับพรอมพ์ต Kling: Subject → Environment → Action → Lighting → Style → Camera (camera last)
- พรอมพ์ตต้องบอก motion ไม่ใช่แค่บรรยายฉากนิ่ง — หนึ่ง action ชัดเจนต่อหนึ่งช็อต
- ใส่ temporal pacing: slow motion / real-time / time-lapse / match cut to
- ใส่ micro-details: ฝุ่นในแสง น้ำค้างบนแก้ว กล้องสั่นเล็กน้อย lens flare
Midjourney — sref, oref และการล็อกสไตล์
--sref (Style Reference) คือเครื่องมือล็อกสไตล์ภาพของ Midjourney โดยดึงสี เนื้อผิว แสง บรรยากาศจากภาพอ้างอิง แต่ไม่ดึงเนื้อหาหรือตัวละคร ใช้คู่กับคำสั่งข้อความเสมอ ปรับแรงด้วย --sw (0-1000 ค่าเริ่มต้น 100) ส่วน --oref (Omni Reference) ใช้ได้แค่ V7 เท่านั้น V8.1/V8.2 ไม่รองรับ รุ่น V8.2 เป็นค่าเริ่มต้นปัจจุบัน (24 ก.ค. 2026) มีภาพคมชัดและสร้างสรรค์กว่ารุ่นก่อน การล็อกสไตล์ที่แข็งแรงต้องอาศัยภาพอ้างอิงที่มีเอกลักษณ์ชัด และใช้ชุดอ้างอิง 2-3 ภาพร่วมกันจะคงที่กว่าภาพเดียว
--sref ดึงสไตล์ ไม่ดึงเนื้อหากติกา
--sref คัดลอกเฉพาะสี (colours) สื่อ (medium) เนื้อผิว (texture) แสง (lighting) และบรรยากาศ ไม่คัดลอกวัตถุ คน หรือหัวเรื่องในภาพ คุณต้องบอกว่าอยากได้ภาพอะไรในคำสั่งข้อความ ส่วนสไตล์ปล่อยให้ --sref ทำงานเงียบๆ อย่าพยายามสั่งแก้ไขภาพ ให้อธิบายภาพที่ต้องการแทน
ต้องมีคำสั่งข้อความคู่กับ --sref เสมอกติกา
Style reference ไม่สามารถใช้แทนคำสั่งข้อความได้ Midjourney ต้องการทั้งคำสั่งข้อความ (text prompt) และภาพอ้างอิงทำงานร่วมกัน ห้ามใส่แค่ --sref อย่างเดียว
--sw ควบคุมแรงดึงสไตล์ 0-1000 ค่าเริ่มต้น 100ลิมิต
--sw (Style Weight) ปรับว่าให้ภาพอ้างอิงมีอิทธิพลแค่ไหน ค่า 0-1000 ค่าเริ่มต้น 100 ยิ่งค่าสูงยิ่งดึงแรง ที่ 400 ภาพอ้างอิงเกือบครอบงำ ที่ 40 แค่แต้มสีเบาๆ ใน V7 ค่า --sw มีผลมากกว่าเมื่อใช้กับโค้ดสไตล์มากกว่าภาพอัปโหลด
ภาพอ้างอิงล็อกสไตล์ได้ดีกว่าโค้ดตัวเลขโครงสร้าง
--sref รับได้ 2 แบบ โค้ดตัวเลข (--sref 2841) ชี้ไปยังพื้นที่สไตล์นามธรรมในไลบรารี่ ซึ่งอาจลอยไปมาระหว่างเวอร์ชัน ส่วนภาพอ้างอิง (--sref https://s.mj.run/<id>) ชี้ไปภาพจริง ล็อกลุคได้ทำซ้ำได้ ถ้าต้องการสร้างสไตล์บ้านที่คงที่ข้ามหลายภาพ ให้ใช้ภาพอ้างอิง
V8.2 เป็นรุ่นปัจจุบัน --oref ใช้ไม่ได้กติกา
V8.2 กลายเป็นค่าเริ่มต้นตั้งแต่ 24 ก.ค. 2026 เน้นสุนทรียภาพ คุณภาพภาพ และ Personalization ภาพสร้างสรรค์ กล้า ซับซ้อน และมีขอบเขตมากกว่า V8.1 แต่ --oref และ --ow ใช้ไม่ได้บน V8.1/V8.2 ถ้าแนบภาพ omni จะถูกส่งไปรุ่น omni เก่าแทน ให้ใช้แค่ --sref สำหรับล็อกสไตล์ใน V8
ข้อกำหนดไฟล์และโฮสติ้งภาพอ้างอิงลิมิต
ภาพต้องลงท้ายด้วย .png, .gif, .webp, .jpg หรือ .jpeg และต้องอยู่ออนไลน์แล้วที่ URL สาธารณะ ไฟล์ในเครื่องต้องอัปโหลดโฮสต์ก่อน ลิงก์ s.mj.run เป็นของ Midjourney ส่วนตัว และอาจหมดอายุได้ สินทรัพย์ที่คงทนคือเวิร์กโฟลว์และ DNA สไตล์ที่ถอดรหัสได้ ไม่ใช่ URL
--sv เลือกเวอร์ชันอัลกอริทึมสไตล์โครงสร้าง
V6 รองรับ --sv 1, 2, 3, 4 (ค่าเริ่มต้น 4) V7 รองรับ 6 เวอร์ชัน --sv 6 เป็นค่าเริ่มต้น --sv 4 เป็นรุ่นเก่า V8.1/V8.2 ยังไม่มีเอกสาร โค้ด/random ใช้ได้แค่ --sv 4 และ --sv 6 เท่านั้น
รองรับเวอร์ชัน V6, V7, V8.1, V8.2ลิมิต
Style Reference ทำงานบน Midjourney ทุกเวอร์ชันปัจจุบันตั้งแต่ V6 ขึ้นไป Character Reference (--cref) ใช้ได้แค่ V6 เท่านั้น Omni Reference (--oref) ใช้ได้แค่ V7 ไม่มีใน V8 Niji 7 รองรับ --sref ที่ปรับปรุงแล้วและ backwards-compatibility กับ --sv 4 แต่ตัด --cref ออก
ใช้ชุดอ้างอิง 2-3 ภาพให้คงที่กว่าภาพเดียวเวิร์กโฟลว์
เก็บ 2-3 ภาพอ้างอิงที่ดีที่สุดเป็นชุดคู่แทนที่จะใช้ภาพเดียว เช่น SxrlUBCPpb4 + lMrYN1a0H2M มีเสถียรภาพมากกว่าใช้ใดใดภาพเดียว เพราะสองภาพเฉลี่ยไปสู่สไตล์บ้านที่คงที่ แทนที่จะโดนลักษณะแปลกๆ ของภาพเดียวดึงไป สามารถใช้หลาย URL ต่อกันด้วยเว้นวรรค
--sw ไม่ทำงานกับ Moodboardsกติกา
--sw ใช้ไม่ได้กับ Moodboards เมื่อใช้ moodboards ให้ควบคุมแรงด้วย --stylize แทน --stylize เป็นปุ่มปรับอิสระทางศิลปะโดยทั่วไป ไม่ใช่ปุ่มปรับแรงดึง style reference โดยตรง ปุ่มที่จัดเตรียมไว้สำหรับ style reference คือ --sw
ภาพอ้างอิงที่อ่อนแอส่งสไตล์ได้น้อยกับดัก
ภาพถ่ายสินค้าแบนราบบนพื้นขาวให้ --sref เกือบไม่มีอะไรจับได้ นี่คือฟีเจอร์ทำงานถูกต้องบนข้อมูลนำเข้าที่อ่อนแอ การบรรยายลุคเป็นคำมักแก้ปัญหาได้เร็วกว่าการยก --sw ขึ้น ภาพนามธรรม ภาพวาด ลวดลายผ้า ฟิล์มขาวดำเม็ดหยาบ มักทำงานได้ดีกว่า
โค้ดสไตล์เก่าอาจใช้ไม่ได้บนรุ่นใหม่กับดัก
โค้ดที่สร้างก่อน 16 มิ.ย. 2025 อาจทำซ้ำไม่ได้บน V7/V8 ปัจจุบัน เพิ่ม --sv 4 เพื่อใช้รุ่นเก่า หรือลงมาที่ --v 6 ไม่สามารถสร้างโค้ดสไตล์จากภาพอัปโหลดได้ ถ้าต้องการใช้ลุคจากภาพถ่ายของคุณซ้ำ ให้ส่ง URL ภาพนั้นทุกครั้ง
Reference Fishing และ Promotionเทคนิค
สร้างคอนเซปต์ด้วย --sref ที่ไม่สำคัญหรือไม่ใส่เลย บวก --chaos สูงเพื่อหาเฟรมที่ฟีลถูกใจ (ไม่ใช่เรื่องหัวข้อ แต่เรื่องฟีล) พอเจอเฟรมที่ถูกใจแล้ว ให้ promote มันโดยดึง URL ใส่เข้า --sref แล้วรันคอนเซปต์จริง V8.1 แสดงพฤติกรรม reference เร็วกว่ารุ่นก่อน
--cref คัดลอกตัวละครคงที่โครงสร้าง
--cref (Character Reference) รับ URL ภาพอ้างอิงและคัดลอกใบหน้า ผม เสื้อผ้าของตัวละครไปสู่ภาพใหม่ ไวยากรณ์: <prompt> --cref <URL> --cw (Character Weight) ช่วง 0-100 ควบคุมความซื่อสัตย์ --cw 100 (ค่าเริ่มต้น) คัดลอกหน้า ผม เสื้อผ้า --cw 0 คัดลอกแค่หน้า ให้เปลี่ยนชุดได้ ใช้ได้แค่ V6 เท่านั้น
ใช้ --cref และ --sref ร่วมกันได้เวิร์กโฟลว์
ใช้ทั้งสองพารามิเตอร์ร่วมกันเพื่อวางตัวละครคงที่เข้าฉากที่มีสไตล์คงที่: <prompt> --cref <character URL> --sref <style URL> --cw <value> วิธีนี้ให้สร้างสินทรัพย์ภาพระดับมืออาชีพด้วยการควบคุมเต็มที่
--raw ปิดสุนทรียภาพเริ่มต้น เพิ่มการยึดคำสั่งเทคนิค
--raw ปิดชั้นสไตล์เริ่มต้นของ Midjourney (V5.1+) ทำให้ใกล้เคียงที่สุดกับการใช้ภาพอ้างอิงเพียงอย่างเดียว และเพิ่มความเข้มงวดที่โมเดลทำตามคำสั่งข้อความ ใช้ร่วมกันเป็น: --sref ref --sw value --raw เหมาะสำหรับงานที่ต้องการควบคุมตามตัวอักษร
Image Prompt กับ --sref ต่างกันกติกา
Image prompts (URL ที่ต้นคำสั่ง) บอก Midjourney ว่า 'ทำอะไรแบบนี้' ยืมหัวเรื่อง องค์ประกอบ และสี ส่วน --sref บอกว่า 'เรนเดอร์คำสั่งของฉันในสไตล์นี้' แยกสุนทรียภาพนามธรรมออกโดยไม่มัดติดหัวเรื่อง Image prompts มีอิทธิพลต่อ 'อะไร' --sref มีอิทธิพลต่อ 'อย่างไร'
ลำดับคำสั่งมีความหมาย หัวเรื่องก่อนเทคนิค
ลำดับคำและตำแหน่ง token กำหนดอิทธิพล เริ่มด้วยหัวเรื่อง (ใคร/อะไร) แล้วรายละเอียดหัวเรื่อง บริบท สไตล์/อารมณ์ คำทางเทคนิค และพารามิเตอร์สุดท้าย การสแปมคีย์เวิร์ด ('beautiful, stunning, 8k') ทำให้ผลลัพธ์ V7+ แย่ลงอย่างชัดเจน 10-30 tokens: เปิดกว้างมาก (นามธรรม) 30-80 tokens: ควบคุมสมดุล (คำสั่งส่วนใหญ่) 80-150 tokens: ควบคุมละเอียด (ฉากเฉพาะ) 150+ tokens ให้ผลตอบแทนลดลงและอาจขัดแย้งกัน
V7 เข้าใจภาษาธรรมชาติกติกา
V7 เข้าใจประโยคเต็มและบริบท ไม่ใช่แค่คีย์เวิร์ด อธิบายฉากเหมือนคุณกำลังสรุปให้กับช่างภาพฝีมือดี รูปแบบภาษาธรรมชาติแซงหน้าการแท็กคีย์เวิร์ด คำบรรยายแสง ('golden hour light casting long shadows' หรือ 'Rembrandt lighting') วัสดุ/เนื้อผิว ('oxidized copper with verdigris patina') บรรยากาศ ('melancholic twilight') และคำทางกล้องเทคนิค ('85mm lens, f/1.8 aperture') ให้ผลกระทบสูงสุด
V8.1/V8.2 รองรับฟีเจอร์เดียวกันลิมิต
ทั้งสองรองรับ: Raw, style references, image prompts/weights, personalization, moodboards, seeds (เหมือน 99% ไม่เป๊ะ 100%), chaos, stylize, weird, --no, --exp และ HD ที่ 2048px ทั้งสองไม่รองรับ: Omni Reference, Character Reference, multi-prompts, Quality, Niji และ Turbo Seed ใน V8 เป็นแบบโดยประมาณ 99% เหมือนกัน ไม่ใช่ byte-identical รัน seed ซ้ำจะได้ภาพใกล้เคียง ไม่ใช่สำเนาตรง
--oref ทำงานผ่าน V7 บน V8ลิมิต
--oref และ --ow ใช้ได้บน V8.1/V8.2 แต่ถูกประมวลผลโดย V7 ดังนั้นผลลัพธ์จะมีสุนทรียภาพของ V7 ไม่ใช่ V8.2 พารามิเตอร์คุณภาพ --q ไม่รองรับบน V8 family ให้ใช้ V7 สำหรับเวิร์กโฟลว์ --q 2 / --q 4
ไม่สามารถ reverse-engineer sref จากภาพได้กับดัก
ไม่มีเครื่องมือใดดึง sref ที่สร้างภาพสำเร็จรูปออกมาได้ โค้ดตัวเลขเป็นพิกัดสุ่ม และภาพอ้างอิงเป็น URL ส่วนตัว ทั้งสองไม่สามารถกู้คืนจากพิกเซลผลลัพธ์ การอ่าน DNA สไตล์ (องค์ประกอบภาพที่ถอดรหัสได้) เป็นเรื่องจริง แต่การอ้างว่าสามารถ reverse sref ได้คือการเดา
ข้อมูล GPU และ HDลิมิต
Basic $10/เดือน: 3.3 ชม. Fast GPU, Standard $30/เดือน: 15 ชม. Fast GPU + Unlimited Relax, Pro $60/เดือน: 30 ชม. Fast GPU + Unlimited Relax + Video Relax, Mega $120/เดือน: 60 ชม. Fast GPU + Unlimited Relax + Video Relax ผลลัพธ์ HD แบบ native 2048px ผ่าน --hd ใช้ 1.3 นาที GPU SD ปกติใช้ 0.8 นาที Aspect ratio สูงสุดปกติ 14:1 แต่แคบลงเหลือ 4:1 สำหรับ HD การแก้ไข (Pan, Zoom Out, Edit/Vary Region) ลด HD กลับเป็น SD ต้อง re-upscale เพื่อกลับไป 2048px
หยิบไปใช้ได้ทันที
- --sref <URL> ล็อกสไตล์ ไม่ล็อกเนื้อหา ใช้คู่กับคำสั่งข้อความเสมอ
- --sw 0-1000 ปรับแรงดึงสไตล์ ค่าเริ่มต้น 100 ที่ 400 แรงสุด ที่ 40 แค่แต้มสี
- --cref <URL> คัดลอกตัวละคร --cw 0-100 ปรับความซื่อสัตย์ (V6 เท่านั้น)
- --oref ใช้ได้แค่ V7 V8.1/V8.2 ไม่รองรับ ให้ใช้ --sref แทน
- ภาพอ้างอิง (https://s.mj.run/<id>) ดีกว่าโค้ดตัวเลข (--sref 2841) ในการล็อกสไตล์
- ใช้ชุด 2-3 ภาพอ้างอิงร่วมกันเพื่อความคงที่ แยกด้วยเว้นวรรค
- --raw ปิดสไตล์เริ่มต้น ใช้ร่วมกับ --sref เพื่อควบคุมตามตัวอักษร
- ภาพอ้างอิงที่อ่อนแอ (สินค้าพื้นขาว) ให้สไตล์น้อย ใช้ภาพที่มีเอกลักษณ์ชัด
- Reference Fishing: รัน --chaos สูงหาฟีล แล้ว promote เฟรมที่ชอบเข้า --sref
- V8.2 เป็นค่าเริ่มต้นปัจจุบัน (24 ก.ค. 2026) เร็วและคมกว่า V8.1
ทำให้ตัวละคร/โลก คงเส้นคงวาข้ามช็อต
หมวดนี้สอนวิธีรักษาหน้าตา ชุด บุคลิกของตัวละครให้เหมือนเดิมตลอดทุกช็อต แก้ปัญหาที่หน้าละครค่อยๆ 'ลอยหาย' ออกจากโปรเจกต์ เทคนิคหลักคือใช้ภาพอ้างอิง (reference image) แทนการพึ่ง prompt เพียงอย่างเดียว ควบคุมแสง กล้อง และการเคลื่อนไหวให้สม่ำเสมอ และสร้างเฟรมต่อเฟรม (frame chaining) เพื่อลด drift ระหว่างช็อต สิ่งสำคัญที่สุดคือต้องล็อกอ้างอิงตั้งแต่เฟรมแรก ไม่ใช่ทำทีหลัง
ภาพอ้างอิงเอาชนะ prompt ข้อความเสมอกติกา
ใช้ reference image แทนการเขียนบรรยายตัวละครด้วย prompt อย่างเดียว ภาพหนึ่งภาพบอกได้ทั้งโครงสร้างใบหน้า สัดส่วน ทรงผม เสื้อผ้า อารมณ์ ทำให้โมเดลเทียบกับข้อมูลจริงแทนที่จะสร้างคนใหม่จาก prompt ที่คลุมเครือ เทคนิคนี้ใช้ได้ทันทีไม่ต้อง train ไม่ต้อง GPU เป็นเส้นทางที่เร็วที่สุดสำหรับผู้สร้างเกือบทุกคน
สร้างภาพอ้างอิงฮีโร่คุณภาพสูงก่อนเริ่มถ่ายเทคนิค
ก่อนสร้างวิดีโอให้สร้างภาพนิ่งที่แสดงหน้า ชุด ทรงผม สัดส่วน อารมณ์ของตัวละคร ต้องเห็นหน้าชัด มีชุดเต็ม แสงเรียบง่าย ไม่มืนหรือเงามาก ควรความละเอียดขั้นต่ำ 1024×1024 พิกเซล ใช้พื้นหลังสีเทาหรือขาวเรียบ ภาพนี้จะเป็น baseline ตอบคำถามเรื่องรูปลักษณ์ก่อนใส่การเคลื่อนไหว
Character Pack ขั้นต่ำ 7-10 ภาพหลายมุมโครงสร้าง
สร้าง reference set: ตัวเต็มหันหน้า (full-body front), มุม 3/4, ด้านข้าง (side profile), ใกล้หน้าแบบเฉย (close-up neutral), มุมหลัง ฉากกลาง (medium shot) แสดงลำตัว 2-3 ภาพ เพราะโมเดล train จากหน้าตรงเป็นหลัก พอหันหลังหรือก้มหน้าจะเพี้ยนได้ ชุดหลายมุมนี้เรียก turnaround sheet ช่วยให้รูปร่างคงตัวข้ามช็อต
Frame chaining ลด drift ระหว่างช็อตเทคนิค
สร้างคลิปแรกจาก reference และ prompt ส่งออกเฟรมที่หน้าชัดเห็นเต็มที่ เอาเฟรมนั้นเป็น reference สำหรับคลิปที่สอง วนซ้ำ วิธีนี้ลดการดริฟต์เอกลักษณ์ระหว่างซีนอย่างมาก เพราะแต่ละคลิปเริ่มจากเฟรมจริงของคลิปก่อนหน้าแทนที่จะเริ่มสุ่มใหม่
ล็อก prompt โครงสร้างตัวละครให้เหมือนกันทุกช็อตโครงสร้าง
รักษาส่วนบรรยายตัวละคร (อายุ เพศ รูปหน้า สีตา ผม เสื้อผ้า) ให้เหมือนกันทุกคลิป เปลี่ยนแค่ส่วนฉาก (สภาพแวดล้อม คำสั่งกล้อง) การเปลี่ยน prompt จะทำให้โมเดลตีความเอกลักษณ์ใหม่ เรียงลำดับ prompt ให้ identity anchor มาก่อน (ชื่อ อายุ รูปหน้า สีตา ผม) แล้วถึงจุดเด่น (แผลเป็น สัดส่วน) แล้วถึงฉาก ท่าทาง และตัวแต่งทางเทคนิคท้ายสุด
แสงเปลี่ยนแปลง = หน้าถูกสร้างใหม่กติกา
เมื่อย้ายตัวละครจากแสงอ่อนกลางวันไปไฟนีออนสีน้ำเงินหรือแสงเหนือศีรษะจัด โมเดลอาจสร้างหน้าใหม่ เปลี่ยนอายุ ความคม เรขาคณิตใบหน้า ห้ามใส่คำที่ขัดแย้งเช่น 'แสงเย็นสีน้ำเงิน' ในฉากที่โทนสีผิวอบอุ่นสำคัญ เพราะคำอธิบายแสงสิ่งแวดล้อมจะซึมเข้าไปในผิวหนัง ระบุแหล่งแสง ทิศทาง คุณภาพ และตั้งชื่อสี 3-5 สีหลักเพื่อคงพาเลตต์ข้ามช็อต
การเคลื่อนไหวเร็วทำลายเอกลักษณ์กติกา
การเคลื่อนไหวรุนแรง กล้องหมุนเร็ว หมุนตัวฉับพลัน แสงเปลี่ยนทันที ทำให้โมเดลต้องประดิษฐ์ข้อมูลระหว่างเฟรมมากขึ้น ทำให้เอกลักษณ์เริ่มยืด กล้อง push-in ช้าปลอดภัยกว่ากล้องแกว่ง หันหน้าเล็กน้อยปลอดภัยกว่าหมุนเต็มรอบ เริ่มด้วยการเคลื่อนไหวอ้อมรอบเพื่อสร้าง consistency ก่อนทดสอบการเคลื่อนไหวซับซ้อน แยกการเคลื่อนไหวหัวใหญ่เป็นก้าวเล็ก หมุนหัว 10 องศารักษาได้ง่ายกว่าหมุนเต็มรอบ
คลิปสั้นคงตัวดีกว่าคลิปยาวลิมิต
คลิปสั้นทำให้โมเดลรักษาเอกลักษณ์ได้เชื่อถือกว่า หากวางแผนเรื่องยาว ให้สร้างหลายคลิปสั้นแล้วเย็บต่อกัน แทนที่จะสร้างคลิปยาวเดียว โมเดล image-to-video ส่วนใหญ่จำกัดคลิปเดียวที่ 5-15 วินาที การสร้างช็อตยาวต้องดึงเฟรมสุดท้ายจากคลิปหนึ่งมาเป็น start frame ของคลิปถัดไป ทุกจุดต่อเป็นโอกาสใหม่ที่ตัวละครจะ drift
ใช้ negative prompt ป้องกันฟีเจอร์เปลี่ยนเทคนิค
ใส่ negative prompt: 'different face, inconsistent features, changed eye color, altered hair length, morphed facial structure, different skin tone' งานวิจัยพบว่า negative prompting ลดความแปรปรวนของฟีเจอร์ที่ไม่ต้องการ 30-40% ในการทดสอบที่ควบคุมได้
ปรับ face weight ตามระยะช็อตลิมิต
ปรับพารามิเตอร์ face weight เพื่อควบคุมการให้น้ำหนักภาพอ้างอิง: 0.8-0.9 สำหรับซีนบทสนทนาใกล้ ลดเหลือ 0.5-0.6 สำหรับ establishing shot กว้างที่ตัวละครเล็กในเฟรม การจดจำใบหน้าทำงานดีที่สุดกับมุมหน้าตรงและสามในสี่
บันทึก seed และพารามิเตอร์ของทุกภาพที่สำเร็จกติกา
จดเลข seed, prompt, model version และการตั้งค่าพารามิเตอร์ทั้งหมดของทุก reference image ที่ใช้ได้ผล แม้การเปลี่ยนพารามิเตอร์เล็กน้อยก็ทำให้ตัวละครดริฟต์เห็นได้ชัดข้ามหลายซีน
ใช้ multi-reference assignment ของ Seedance 2.0โครงสร้าง
Seedance 2.0 รับ text, images, video, audio พร้อมกัน กำหนดบทบาทเฉพาะให้ทุก reference เพื่อหลีกเลี่ยงความคลุมเครือ: ระบุว่า reference ไหนให้รูปลักษณ์ตัวละคร, ไหนให้การเคลื่อนไหว, ไหนให้ timing หรือบรรยากาศ Seedance 2.5 มี multimodal precision architecture ลึก เหมาะกับ composition ทางเทคนิคและสเปกภาพที่แม่นยำ
Kling 3.0 Omni Element binding และ start/end frameโครงสร้าง
Kling VIDEO 3.0 ใช้ Omni Element binding พาตัวละคร สินค้า วัตถุที่เกิดซ้ำข้ามช็อต เสียงตัวละครบันทึกและใช้ซ้ำได้โดยไม่ต้องเขียนใน prompt ใหม่ รองรับ start frame และ end frame เพื่อยึดจุดเปิดปิดของฉาก รักษา visual continuity ข้ามลำดับหลายช็อต Kling 3.0 รองรับความยาว 15 วินาทีขึ้นไป รักษา character consistency ข้ามหลายซีนได้แข็งแกร่ง เหมาะกับการเล่าเรื่องแบบภาพยนตร์ที่มี narrative arc สอดคล้อง Kling v3 เด่นที่รักษารูปหน้ามนุษย์ การกระพริบตาธรรมชาติ การขยับริมฝีปากที่น่าเชื่อข้ามเฟรม ประสิทธิภาพดีที่สุดในการทดสอบสำหรับ talking head video
ใช้ style reference ล็อกโลกให้คงตัวเทคนิค
ล็อกโลกข้ามเฟรม (แสง พาเลตต์สี production design) ด้วย style reference เช่น 'ร้านอาหารกลางดึกหน้าตาแบบนี้' ใช้ต่อเนื่องทุกช็อตเพื่อให้ตัวละครรู้สึกสอดคล้องในสภาพแวดล้อม หลังจากอนุมัติภาพอ้างอิงฮีโร่แล้วให้บันทึกเป็น custom style reference เพื่อป้องกัน visual drift จากสมจริงไปเป็นภาพวาดหรือจาก cinematic realism ไปเป็นการ์ตูน style reference พาภาษาภาพ: อารมณ์แสง พื้นผิว สไตล์การ render พฤติกรรมสี และ aesthetic โดยรวม ไม่ใช่วัตถุแต่ละชิ้น
ทดสอบ consistency ก่อนใช้จริงเทคนิค
สร้าง storyboard 10 เฟรมของตัวเอกเดินผ่าน 10 สถานที่ต่างกัน วางเฟรมเรียงกัน หากระบุตัวละครเดียวกันได้ทั้ง 10 เฟรมโดยไม่ลังเล เครื่องมือนั้นพร้อมใช้งานระดับ production หรือสร้าง 10 ภาพของตัวละครใน 10 สภาพแวดล้อมต่างกัน (ชายหาด ออฟฟิศ ป่า ยานอวกาศ) ด้วย prompt และ reference เหมือนกัน ใส่ในกริด หากผู้ดูที่ไม่คุ้นเคยระบุคนเดียวกันได้ทั้ง 10 แสดงว่า workflow แข็งแกร่ง
Multi-character ต้องมีความแตกต่างทางสายตาเทคนิค
เพิ่มความแตกต่างระหว่างตัวละครสูงสุดเพื่อป้องกันฟีเจอร์ปนกัน: จับคู่ตัวละครสูงผมดำข้างตัวสั้นผมบลอนด์ สร้างแต่ละคนแยกกับพื้นหลังเขียว/เป็นกลางแล้วประกอบใน post-production เพื่อตัด blending หมด บรรยายหลายตัวละครตามลำดับเคร่งครัดด้วยตัวแบ่งชัด: '[Character 1: ชื่อ, คำบรรยาย] ยืนตรงข้าม [Character 2: ชื่อ, คำบรรยาย]' ป้องกัน AI เฉลี่ยฟีเจอร์ข้ามคนที่อธิบาย
mStudio workflow สำหรับโปรเจกต์ยาวเวิร์กโฟลว์
ขั้น 1: ล็อก character references ตั้งแต่เริ่มโปรเจกต์ สร้างหรืออัปโหลดภาพหนึ่งภาพต่อตัวละครหลัก ตั้งชื่อ (Anna, Ray, Kid) บันทึกเป็น references ขั้น 2: ชื่อ reference คงอยู่ทั้งโปรเจกต์ เมื่อสร้างฉาก 4 เฟรม 12 reference ของ Anna จะใช้อัตโนมัติไม่ต้องอัปโหลดหรือ prompt ใหม่ ขั้น 3: Variations ใช้ reference ตัวเดียวกัน Anna ยิ้ม, Anna วิ่ง, Anna ใส่แจ็คเก็ตต่างสี ล้วนมาจาก reference เดียว เอกลักษณ์คงที่ เปลี่ยนแค่ฟีเจอร์บริบท mStudio มีผู้สร้าง 10,000 คนใช้ First Frame / End Frame ต่อเดือนเพราะแก้ consistency ที่มักเสียตรงการ interpolate ภายในคลิป
กับดัก: ละเว้นการระบุ Shot / Subject / Setting / Lightกับดัก
ไม่ระบุ Shot = framing สุ่มทุก seed แต่ละรอบเลือกระยะและการเคลื่อนไหวต่างกัน คลิปตัดต่อกันไม่ได้ Shot ควบคุมตำแหน่งผู้ดู ไม่ใช่โลก / ไม่ระบุ Subject = คลิปทั่วไปไม่มีตัวละครเฉพาะหรือตัวละครเปลี่ยนทุกรอบ ใช้รายละเอียดที่ระบุได้ชัด (เช่น 'ผมน้ำตาลเป็นคลื่นและมีกระฝ้าอ่อน') แทนคำบรรยายทั่วไป / ไม่ระบุ Setting = พื้นหลังเบลอนิ่มไม่มีที่หมาย พื้นหลังกลายเป็นคุณภาพ stock-footage Setting พา continuity ข้ามลำดับ เขียนครั้งเดียวแล้ววางเหมือนเดิมทุกช็อตในลำดับ / ไม่ระบุ Light = ทิศทางแสงหลักแปรปรวนทุกรอบ แต่ละรอบประดิษฐ์ทิศทางของตัวเอง คลิปสองคลิปที่มีแสงจากด้านตรงข้ามตัดต่อกันไม่ได้
First Frame / End Frame ต้องเปลี่ยนแปลงเล็กที่ควบคุมได้กติกา
End frame ควรแสดงการเปลี่ยนแปลงเล็กที่ควบคุมจาก first frame: สีหน้าเฉยไปยิ้มเล็กน้อย, มองออกไปเป็นมองกล้อง, มือลงเป็นมือถือของ, ยืนนิ่งเป็นก้าวไปข้างหน้าหนึ่งก้าว อย่าให้โมเดลแก้หลายปัญหาพร้อมกัน เช่นเปลี่ยนจาก close-up เป็น wide shot และกลางวันเป็นฝนนีออนพร้อมกัน เมื่อใช้ First Frame / End Frame เขียน prompt เป็นคำสั่งทิศทาง ไม่ใช่ประวัติตัวละคร เฟรมบอกเอกลักษณ์แล้ว prompt แค่บอกโมเดลว่าจะเคลื่อนไหวระหว่างสถานะที่กำหนดอย่างไร ลดความสับสนจากคำสั่งผสม
เทคนิคขั้นสูง: LoRA training และ ComfyUIเวิร์กโฟลว์
Train LoRA จาก 50+ ภาพอ้างอิงตัวละคร ใช้ตอน generate เพื่อผลิตวิดีโอที่คง consistency ตลอดทั้งฟิล์ม โมเดลอย่าง Wan 2.2 ดีที่สุดสำหรับแนวทางนี้ / ComfyUI รวม PuLID, InstantID, IP-Adaptor กับ custom trained character LoRA บวก pose control และ face-detailing nodes เส้นทางเทคนิคสุดแต่เปิดให้สร้างในเครื่องไม่จำกัดโดยไม่มี drift และควบคุมได้สัมบูรณ์
การเปลี่ยน provider ตามความท้าทายเทคนิค
Provider ต่างกันจัดการ consistency ต่างกัน Google Imagen รักษาตัวละครแข็งแกร่งด้วย references Gemini Image เด่นที่ emotion variation สลับ provider ตามช็อตเมื่อหนึ่งในนั้นจัดการความท้าทายเฉพาะได้ดีกว่า แต่อย่าผสม provider กลางลำดับเพราะแต่ละตัวตีความ references แตกต่างเล็กน้อย ใช้ provider เดียวต่อซีนอย่างน้อยเพื่อคง consistency
Character DNA Blueprint และ Do-Not-Allow Listโครงสร้าง
กำหนดตัวละครครั้งเดียวด้วย: silhouette, face anchors (รูปตา จมูก แผลเป็น), hair anchors (สไตล์ สี ความยาว), อุปกรณ์ประจำตัว, ชุดพื้นฐาน, style lock (2D flat / 3D Pixar / anime cel), พาเลตต์สี (3-5 สี), กฎกล้อง และ do-not-allow list สร้างข้อจำกัดที่ป้องกัน AI drift เขียนโครงสร้างใบหน้า (bone structure) เพื่อป้องกันรูปหน้าดริฟต์: 'โหนกคิ้วเด่น', 'ตาห่าง', 'กรามสี่เหลี่ยม' ย้ายไปต้น prompt ลดหรือลบตัวแต่งสไตล์ศิลปะอย่าง 'anime style', 'caricature', 'painterly' ที่ทำให้รูปหน้าบิดเบี้ยว
หยิบไปใช้ได้ทันที
- ใช้ภาพอ้างอิงคุณภาพสูง 1024×1024 px ขึ้นไป พื้นหลังเรียบ หน้าชัด แสงเรียบ
- สร้าง turnaround sheet 7-10 ภาพ: หน้า 3/4 ข้าง หลัง ใกล้ ตัวเต็ม
- Frame chaining: ดึงเฟรมสุดท้ายของคลิป 1 มาเป็น reference ของคลิป 2
- ล็อก prompt ส่วนตัวละคร (อายุ หน้า ตา ผม ชุด) ให้เหมือนกันทุกช็อต เปลี่ยนแค่ฉาก
- ระบุแสงทุกครั้ง: แหล่ง ทิศทาง คุณภาพ และสี 3-5 สีหลัก
- ใช้ negative prompt: 'different face, inconsistent features, changed eye color'
- Face weight 0.8-0.9 ช็อตใกล้ | 0.5-0.6 ช็อตกว้าง
- คลิปสั้น 3-5 วินาทีคงตัวดีกว่าคลิปยาว แล้วเย็บต่อกัน
- บันทึก seed, prompt, model version ของทุกภาพที่ใช้ได้
- ทดสอบก่อนใช้: สร้าง 10 เฟรมของละครคนเดียว 10 สถานที่ ดูว่าระบุได้ไหม
ไปป์ไลน์การผลิตจริง ตั้งแต่บทถึงไฟล์ส่งงาน
การผลิตวิดีโอ AI ที่ใช้งานจริงไม่ได้เริ่มจากความอยากได้คลิปสวย แต่เริ่มจากงานที่ต้องส่ง ไปป์ไลน์ที่แข็งแรงต้องจัดการต้นฉบับ รักษาความต่อเนื่อง แก้ไขผิดพลาด และส่งมอบในรูปแบบที่ถูกต้อง โปรมต์ที่ดีคือคำสั่งกล้องแบบชอตต่อชอต ไม่ใช่บทหนังทั้งเรื่อง คาดหวังว่าต้องเจนเนอเรต 3-5 ครั้งต่อชอตที่ได้ และเลือกโมเดลตามประเภทงาน ไม่ใช่ตามชื่อเสียง
งานก่อน คลิปทีหลังกติกา
ไม่มีไปป์ไลน์ที่แก้ได้ด้วยคุณภาพภาพเพียงอย่างเดียว เริ่มจากงานที่ต้องส่ง (task-oriented workflow) ทีมต้องการระบบจัดเก็บต้นฉบับ เครื่องมือรักษาความต่อเนื่องทางภาพ ที่ตรวจสอบซีน แก้ความผิดพลาด จัดการแอสเซ็ท และส่งมอบในฟอร์แมตที่ถูกต้อง การยอมรับเทคโนโลยีขึ้นกับระบบทำงานทั้งหมด ไม่ใช่แค่โมเดลเดี่ยว
โปรมต์แบบ single-shot brief คือกฎเหล็กกติกา
การเจนเนอเรตหนึ่งครั้งควรครอบคลุมหนึ่งชอตหรือซีเควนซ์สั้น อย่าให้โปรมต์เดียวทำหลายโลเคชั่น หลายชุดเครื่องแต่ง หรือมุมกล้องที่ขัดแย้งกัน แยกไอเดียออกเป็นคลิปต่างหาก แล้วประกอบในตอนตัดต่อ การโหลดโปรมต์หนึ่งเดียวให้ทำงานเยอะเกินคือสาเหตุหลักที่ได้ผลงานไม่ตรงใจ
โครงสร้างโปรมต์ 6-7 ส่วนที่ชัดเจนโครงสร้าง
โปรมต์ที่แข็งแรงมี 7 ส่วน: Shot (มุมกล้อง การเคลื่อนที่), Subject (รายละเอียดตัวละคร/วัตถุ), Action (จังหวะเหตุการณ์), Setting (สถานที่ เวลา อากาศ), Light (แหล่งกำเนิด ทิศทาง สีโทน), Look (สื่อ ฟอร์แมต ยุคสมัย), Sound (บทพูด เสียงเอฟเฟกต์ หรือเงียบ) ไม่มีระบบไหนบังคับให้เรียงลำดับนี้ แต่โครงสร้างช่วยดีบักว่าส่วนไหนทำให้ผลลัพธ์เปลี่ยน โปรมต์ส่วนใหญ่ล้มเหลวเพราะคลุมเครือในฟิลด์ใดฟิลด์หนึ่ง ไม่ใช่เพราะขาดฟิลด์ทั้งหมด
เลือกโมเดลก่อนเขียนโปรมต์กติกา
สิ่งที่คุณกำลังจะสร้างตัดตัวเลือกออกไปครึ่งหนึ่งก่อนเขียนสักคำ การเลือกโมเดลกำหนดว่าคุณต้องการบทพูด คลิปยาวต่อเนื่อง ราคาต่ำ หรือความสามารถเฉพาะเช่น reference-to-video binding Multi-shot + reference: Kling VIDEO 3.0, Seedance 2.5, Wan 3.0 | Short directed scenes: Veo 3.1, Runway Gen-4.5 | Motion/existing footage: Hailuo 2.3, Ray3.2 | Cinematic: Kling 3.0 | Social media speed: Hailuo 02 (9.0/10 speed + cost) | Professional editing: Runway Gen-4/4.5 | Storyboarding: Seedance 2.5
คาดหวัง 3-5 รอบต่อชอตที่ใช้ได้เวิร์กโฟลว์
ไม่ใช่ทุกโมเดลจะตอบโจทย์ทุกโปรมต์ วางแผนให้เจนเนอเรต 3-5 ครั้งต่อคลิปสุดท้าย ลองสร้างใน 2-3 โมเดลแล้วเลือกผลลัพธ์ที่ดีที่สุดตามคุณภาพการเคลื่อนไหว ความสม่ำเสมอ และมูด เมื่อคลิปใกล้เคียงแล้ว ให้แก้ทีละอย่าง: ปรับความเร็วกล้องถ้าเร็วเกิน ปรับไทม์มิ่งถ้าคัตเร็วไป หรือเสริมความแข็งแรงของภาพต้นฉบับถ้าลุคเริ่มหลุด การแก้แบบแยกชิ้นช่วยแยกได้ว่าการแก้ไขอะไรทำให้เวอร์ชันถัดไปดีขึ้น
Image-to-video แยกงานจาก text-to-videoเทคนิค
สำหรับ image-to-video (เช่น Runway Gen-4.5) ภาพต้นฉบับกำหนดหน้าตัว องค์ประกอบ แสง และสไตล์ไปแล้ว ใช้โปรมต์เพื่ออธิบายสิ่งที่เปลี่ยน: การเคลื่อนไหวกล้อง การกระทำของตัวละคร ไทม์มิ่ง อย่าพรรณนาข้อมูลซ้ำที่โมเดลมองเห็นในภาพอ้างอิงแล้ว โปรมต์ควรเน้นที่การเคลื่อนไหว (motion-focused prompting) ไม่ใช่ลุคทั้งหมด
ไปป์ไลน์หกขั้นตอนของทีม AI videoเวิร์กโฟลว์
1. กำหนดกลุ่มเป้าหมาย/ข้อความ 2. Reel สร้าง shot list พร้อมกล้อง ระยะเวลา ความต่อเนื่อง เกณฑ์การตัดสิน 3. Iris เจนเนอเรตเฟรมต้นฉบับ 4. เจนเนอเรตเทคด้วยโมเดล 5. Reel เพิ่มเสียงพูด/ดนตรี/เสียงเอฟเฟกต์/คำบรรยาย 6. Vince จัดการ thumbnail/title/อัปโหลด YouTube ทุกเทคบันทึกไอดีโมเดลที่แน่นอน การทำงานแบบนี้รักษาต้นฉบับ ความต่อเนื่อง และให้ระบบแก้ไขที่ชัดเจน
Duration, resolution, aspect ratio อยู่ใน API ไม่ใช่โปรมต์กติกา
พารามิเตอร์เหล่านี้อยู่ในฟิลด์ API ไม่ใช่ข้อความโปรมต์ การพิมพ์ในโปรมต์ว่า 'ทำให้ยาวขึ้น' ไม่ได้เปลี่ยนความยาววิดีโอ ตั้งค่าให้ชัดเจนใน API call Wan 2.7 มี prompt_extend เป็น true โดยดีฟอลต์ (LLM เขียนโปรมต์ใหม่ก่อนเจนเนอเรต) เป็นประโยชน์สำหรับไอเดียสั้นๆ แต่เป็นปัญหาหลังจากปรับแต่งทั้ง 7 ส่วนแล้ว ปิด prompt_extend เป็น false เมื่อทำซ้ำกับโปรมต์ละเอียด
Multi-shot timing และ transitionโครงสร้าง
Kling VIDEO 3.0 Custom Multi-Shot mode ให้อธิบายแต่ละชอตแยกกันและตั้งระยะเวลาอิสระ ทำให้ทรานซิชันจาก wide shot ไป close-up, สลับมุมมอง และเปลี่ยนองศาได้ Seedance 2.5 สร้างได้นานถึง 30 วินาทีต่อการเจนเนอเรต รองรับเซ็ตรีเฟอเรนซ์ขนาดใหญ่ มีโครงสร้าง multi-shot, shot transitions และการแก้ไขระดับ timestamp Wan 3.0 รองรับสูงสุด 30 วินาที 1080p กับมัลติโมดัลอินพุต (text, image, video, audio, documents, web pages)
Native audio: เปิดหรือปิดตามไปป์ไลน์โครงสร้าง
Seedance 2 รองรับการเจนเนอเรตเสียงในตัว แต่เส้นทางของ Teamday ตั้ง generate_audio: false และขอคลิป 4–15 วินาที เพราะเสียงบรรยาย ดนตรี และการออกแบบเสียงจะเพิ่มทีหลังในขั้นตอนประกอบ Kling 3 Pro รองรับเสียงแต่ runner asset route ปิดไว้เพื่อให้โพสต์โปรดักชันคาดเดาได้กับคลิป 3–15 วินาที Wan 2.7 image-to-video ไม่มีเอาต์พุตเสียงในตัว Kling 3.0 รองรับ native audio sync โดยตรงโดยไม่ต้องโพสต์โปรเซสซิ่ง
ราคา Seedance 2 และ Wan 2.7 แบบต่อวินาทีลิมิต
Seedance 2 คิดราคาต่อวินาทีแปรตามความละเอียด (480p, 720p, 1080p) และโหมดอินพุต (text-to-video, image-to-video, reference-to-video, video-to-video, audio-to-video) ชั้นต่ำเหมาะสำหรับทำซ้ำ, 1080p สำหรับแอสเซ็ทสุดท้าย Wan 2.7 Video ใช้ 12 credits/sec ที่ 720p (~$0.06/วินาที) และ 18 credits/sec ที่ 1080p (~$0.09/วินาที) รองรับ text-to-video, image-to-video, reference-to-video และ edit-video workflows Hailuo 02 มีความเร็วในการเจนเนอเรตและต้นทุนต่อหน่วยที่ดีที่สุด: 9.0/10 ทั้งสองตัววัด
Keyframe anchoring ใน Ray3.2ลิมิต
Luma Ray3.2 รองรับคีย์เฟรมสูงสุด 64 เฟรม เพื่อยึดโมเมนต์เฉพาะในไทม์ไลน์วิดีโอต้นฉบับ ออกแบบมาสำหรับ video-to-video generation รักษาโครงสร้างจากต้นฉบับแต่ให้เปลี่ยนลุคทางภาพได้ เหมาะสำหรับงาน motion transfer และการรีสไตล์วิดีโอที่มีอยู่แล้ว
ระบุ focal length ในโปรมต์เพื่อควบคุมเพอร์สเปกทีฟเทคนิค
AI เข้าใจผิดเรื่อง perspective, depth, distortion และความสัมพันธ์เชิงพื้นที่หากไม่มีทิศทางออปติคัลที่ชัดเจน โปรมต์ที่แข็งแรงต้องระบุ focal length, ระยะกล้อง, ความสัมพันธ์ตัวละคร, depth of field และความรู้สึกออปติคัล แทนที่จะพิมพ์ 'cinematic portrait' ให้ระบุ '65mm full-frame lens, flattering facial geometry, shallow depth of field' ใช้ข้อจำกัดเชิงลบ (negative constraints) เพื่อป้องกันสิ่งผิดปกติ เช่น ultra-wide: 'no fisheye distortion' / telephoto: 'no impossible background scale, no melted edges' อ้างอิงเลนส์เป็น 35mm equivalent เสมอ (full frame 36mm x 24mm sensor) 200mm หาได้ในชุดเช่าโดยทั่วไป
ระบุโครงสร้างแสงแบบเฉพาะเจาะจงเทคนิค
อธิบายโครงสร้างแสงในโปรมต์แทนการบรรยายแค่มูด Seedance ตอบสนองดีกับคำสั่งทางภาพที่เป็นรูปธรรม ใส่ชื่อเทคนิคและอัตราส่วนแสง (lighting ratio) ระบุทั้งแสงและการเคลื่อนไหวพร้อมกันสำหรับชอตที่มีโมชันเยอะจะได้ผลลัพธ์แข็งแรงกว่า มีชุดแสง 24 แบบที่ใช้กันในโรงงานผลิตหนัง ฟีเจอร์ และเกม เป็นแนวทาง ไม่ใช่กฎตายตัว ควรทดลองผันแปรแสง hard และ soft ตามสถานการณ์
Conversational editing กับ Gemini Omni Flashเทคนิค
Gemini Omni Flash รองรับการเจนเนอเรตวิดีโอพร้อมการแก้ไขแบบสนทนาโดยใช้อินพุต text, image และ video รวมถึงเสียงในตัว เจนเนอเรตซีนออกมา ตรวจสอบ แล้วขอให้เปลี่ยนแปลงจุดเฉพาะโดยไม่ต้องสร้างโปรมต์ทั้งหมดใหม่ แยกสิ่งที่ควรเปลี่ยนออกจากสิ่งที่ต้องคงที่ เหมาะสำหรับการปรับแต่งละเอียดโดยไม่เสียเวลารีเจนทั้งคลิป
ElevenLabs Flows: node-based pipeline สำหรับระบบอัตโนมัติเวิร์กโฟลว์
Flows ใช้ canvas แบบ node-based เพื่อควบคุมสายการเจนเนอเรตหลายขั้นตอน แต่ละโหนดคือโมเดล AI (Sora 2 Pro, Veo 3.1, Kling 2.5, Flux, ElevenLabs TTS, ElevenMusic, SFX V2, lip-sync) หรือเครื่องมือช่วย การเปลี่ยนแปลงโหนดหนึ่งเจนใหม่เฉพาะโหนดนั้นและ downstream เท่านั้น ไม่ใช่ทั้งไปป์ไลน์ รองรับการทำงานร่วมกันแบบ real-time หลายคนพร้อมกัน มี template library สำหรับโฆษณา การแปลภาษา พอดแคสต์ และ AI filmmaking Flows Agent สร้างเวิร์กโฟลว์ทั้งหมดจากคำบรรยายภาษาธรรมชาติ รองรับ batch execution และการทดสอบตัวแปร API execution สำหรับการเรียกโปรแกรมกำลังจะเปิดให้ใช้งาน
Video-to-Sound สำหรับเติม foleyเวิร์กโฟลว์
ElevenLabs Video-to-Sound วิเคราะห์เฟรมต่อเฟรม ระบุวัตถุ การเคลื่อนไหว และซีน แล้วเจนเนอเรตเสียงเอฟเฟกต์ที่ตรงกันโดยอัตโนมัติ API คืนค่า 4 ตัวเลือกเสียงต่อการเรียก SFX V2 เด่นที่เสียงที่กำหนดเองและผิดปกติที่ไม่อยู่ในไลบรารีทั่วไป Eleven v3 TTS รองรับแท็ก SFX แบบอินไลน์เช่น [gunshot], [clapping] ในสคริปต์บทพูด เจนเนอเรตเสียงพูดและเสียงเอฟเฟกต์พร้อมกันในรอบเดียว ระบบรันไทม์สำหรับเกมสามารถเจนเสียงตอบสนองต่อสถานะเกม แทนการเล่นไฟล์สำเร็จรูป
เวิร์กโฟลว์ที่สมบูรณ์: 10-15 นาทีต่อคลิปที่ขัดเกลาเวิร์กโฟลว์
Concept (ประโยคเดียว) → Expand (โปรมต์ละเอียด 50-100 คำ) → Generate (2-3 โมเดล) → Compare (เลือกที่ดีที่สุด) → Refine (ปรับและเจนใหม่) → Edit (ประกอบคลิป เพิ่มดนตรี) กระบวนการเต็มใช้เวลา 10-15 นาทีต่อคลิปที่ขัดเกลาแล้ว สำหรับสเกลขึ้น: สร้าง template prompt พื้นฐานแล้วสลับตัวแปร (ชื่อสินค้า สถานที่ CTA text) เพื่อผลิตหลายร้อยคลิปต่อวัน ใช้ Batch API submission กับสคริปต์ QA อัตโนมัติและไปป์ไลน์โพสต์โปรเซสซิ่งสำหรับ text overlay, ดนตรี, แบรนดิ้ง คณิตศาสตร์: 550 วิดีโอต่อวันที่ประมาณ $5 ต่อวิดีโอ
โปรโตคอลทดสอบโมเดลอย่างยุติธรรมเวิร์กโฟลว์
ใช้คอนเซ็ปต์เดียว 20–30 วินาที แยกเป็น shot list เดียวกัน ให้โปรมต์และเฟรมต้นฉบับเหมือนกันทุกโมเดล ให้คะแนน first-frame fidelity, motion, continuity, prompt following, audio, generation time, rejection rate และ cost per approved video การทดสอบแบบนี้แยกความสามารถที่แท้จริงออกจากความชอบส่วนตัว เริ่มด้วย 5-10 รูปแบบของโปรมต์เดียว รีวิวผลลัพธ์ แล้วปรับแต่งก่อนสเกลขึ้น อย่ารีบไปทำระบบอัตโนมัติเต็มรูปแบบในวันแรก
ความเฉพาะเจาะจงแทนที่การเดาเทคนิค
เปลี่ยนคำบรรยายคลุมเครือเป็นรายละเอียดที่เป็นรูปธรรม 'ผู้หญิงคนหนึ่งเดินผ่านเมือง' ปล่อยให้ยุคสมัย อากาศ จังหวะ และชอตไม่ชัด '30 year old woman in a rain-slicked trench coat walks briskly through a neon-lit Tokyo crosswalk at night, tracking shot at eye level' ขจัดการเดา ตัวอย่างแอคชันที่แข็งแรง: อ่อน 'Actor walks across the room.' แข็งแรง 'Actor takes four steps to the window, pauses, and pulls the curtain in the final second.' รูปแบบที่เป็นรูปธรรมและมีไทม์มิ่งใช้ได้กับทุกโมเดล
โมเดลเฉพาะทางและข้อจำกัดกับดัก
HappyHorse 1.0 รองรับ text-to-video, image-to-video, reference-to-video และ video-edit workflows เหมาะสำหรับทดสอบคอนเซ็ปต์ภาพรวดเร็วและคลิปสั้นแบบซินีมาติก Kling 3.0 Motion Control เป็นเวิร์กโฟลว์แยกสำหรับ image animation และ motion transfer บน Poyo.ai Runway Gen-4.5 รวมโมเดลดิบกับเครื่องมือรอบข้างสำหรับการทำซ้ำ references และ editing ในสภาพแวดล้อมการผลิตเชิงสร้างสรรค์ Teamday ยังไม่รวม Kling 3.0: หลีกเลี่ยงโปรมต์ที่โหลดเกินไปใน multi-shot sequences มีความน่าเชื่อถือกว่าเมื่อมี subject, location, action และ progression ที่ชัด แทนที่จะเป็นบทภาพยนตร์ขนาดเล็กที่มีหกโลเคชั่นและสามชุดเครื่องแต่ง
Higgsfield Audio กับ deterministic visual foundationโครงสร้าง
Higgsfield Audio จัดการบทพูดในตัวด้วยเสียงมากกว่า 40 เสียง, การโคลนเสียงกำหนดเอง, lip-sync อัตโนมัติใน 10+ ภาษา และ Text-to-Speech ในแพลตฟอร์มเจนเนอเรตวิดีโอโดยตรง Foley และ ambient เหมาะที่สุดกับเครื่องมือเฉพาะเช่น ElevenLabs หรือ Stable Audio ในขณะที่บทพูด voice swapping และ lip-syncing จัดการดีที่สุดภายในแพลตฟอร์มวิดีโอ Higgsfield Cinema Studio ให้เครื่องมือฟิสิกส์ออปติคัลแบบ deterministic ควบคุมกล้องเสมือนจริง เลนส์ และความสม่ำเสมอตัวละครได้อย่างแม่นยำ
หยิบไปใช้ได้ทันที
- โปรมต์หนึ่งเดียว = หนึ่งชอต อย่าโหลดหลายโลเคชั่นหรือหลายชุดในครั้งเดียว
- คาดหวัง 3-5 รอบต่อชอตสุดท้าย ทดลอง 2-3 โมเดลแล้วเลือกที่ดีที่สุด
- เลือกโมเดลก่อนเขียนโปรมต์: Multi-shot → Kling/Seedance | Social media → Hailuo 02 | Professional → Runway Gen-4.5
- Image-to-video: ภาพกำหนดลุค โปรมต์กำหนดการเคลื่อนไหว ไม่ต้องเขียนซ้ำสิ่งที่มองเห็นแล้ว
- Duration, resolution, aspect ratio ตั้งใน API ไม่ใช่โปรมต์ | Wan 2.7 ปิด prompt_extend เมื่อปรับแต่งโปรมต์ละเอียดแล้ว
- โครงสร้างโปรมต์ 7 ส่วน: Shot/Subject/Action/Setting/Light/Look/Sound ไม่บังคับลำดับแต่ช่วยดีบัก
- ระบุ focal length ใน prompt: '65mm full-frame, shallow DoF' แทน 'cinematic' | ใช้ negative constraints ป้องกันสิ่งผิดปกติ
- Seedance 2.5: 30s, multi-shot, frame-lock | Wan 3.0: 30s 1080p 12-18 credits/sec | Ray3.2: 64 keyframes
- Native audio: Kling 3.0 sync ได้ตรง | Seedance/Wan ปิดเพื่อเพิ่มทีหลังในขั้นตอนประกอบ
- ElevenLabs Flows: node-based pipeline, เปลี่ยนโหนดเดียวเจนเฉพาะ downstream ไม่ต้องรีเจนทั้งหมด | Video-to-Sound: วิเคราะห์เฟรมเจน foley อัตโนมัติ
เลนส์และกล้อง — ภาษาที่โมเดลเข้าใจ
ภาษากล้องและเลนส์คือเครื่องมือที่ทรงพลังที่สุดในการควบคุมอารมณ์ของภาพ ตัวเลขบนเลนส์ (24mm, 50mm, 85mm) ไม่ใช่แค่ความกว้างของภาพ แต่ควบคุมทั้งระยะห่างทางจิตใจ รูปทรงใบหน้า และความรู้สึกของพื้นที่พร้อมกันทันที การเลือกเลนส์ตอบคำถามว่า 'ผู้ชมควรรู้สึกใกล้ชิดหรือห่างเหิน' ส่วนการเคลื่อนกล้อง (camera movement) เช่น push-in หรือ tracking shot เป็นสิ่งที่แยกภาพนิ่งออกจากภาพยนตร์ และเป็นรากฐานของการสร้างวิดีโอ AI ที่มีชีวิต โมเดลจะเข้าใจคำสั่งได้ดีที่สุดเมื่อคุณใช้ศัพท์ถ่ายภาพยนตร์โดยตรง เช่น 'slow dolly forward' หรือ '85mm shallow depth of field' แทนคำอธิบายทั่วไป
ตัวเลขเลนส์ (focal length) ควบคุมอารมณ์และระยะทางจิตใจกติกา
ตัวเลขบนเลนส์ (24mm, 35mm, 50mm, 85mm, 135mm) ควบคุมสามสิ่งพร้อมกัน: มุมมอง (field of view), ความบิดเบือนเปอร์สเปกทีฟ (perspective distortion), และความลึกของโฟกัส (depth of field) เลนส์กว้าง = กล้องใกล้ = ใบหน้ากลม เลนส์ยาว = กล้องไกล = ใบหน้าแบนและพื้นหลังเบลอ เลือกเลนส์ตามอารมณ์ที่ต้องการ: กว้างให้รู้สึกใกล้ชิด ปกติให้รู้สึกเป็นมนุษย์ telephoto ให้รู้สึกโดดเดี่ยว อย่าเลือกแค่เพื่อความสวย
เริ่มพรอมพท์ด้วยภาษากล้องโดยตรง (camera language)เทคนิค
ขึ้นต้นพรอมพท์ด้วยศัพท์ถ่ายภาพยนตร์เช่น 'Cinematic slow-motion shot', 'Tracking shot, Steadicam movement', 'Aerial drone footage, golden hour', 'Close-up macro lens, shallow depth of field' นี่คือองค์ประกอบที่มีผลกระทบสูงสุดต่อผลลัพธ์ ใช้คำเฉพาะเจาะจงเช่น 'slow dolly forward', 'low angle camera 2 feet above water', 'handheld camera movement' พร้อมระยะเวลาเป็นวินาที แทนการพรรณนาทั่วไป ภาษากล้อง 30 คำพื้นฐานใช้ได้กับทุกโมเดลเพราะพวกมันพรรณนาภาพยนตร์ ไม่ใช่ฟีลด์ API
Push-in และ pull-back แบกน้ำหนักอารมณ์สูงสุดเทคนิค
การเคลื่อนกล้องเข้าหาตัวละคร (push-in) สร้างความตึงเครียดและความเข้มข้นที่เพิ่มขึ้น การถอยออก (pull-back) สร้างมาตราส่วนและความเหงา ทั้งสองการเคลื่อนไหวนี้แบกน้ำหนักอารมณ์ต่อวินาทีมากกว่าภาษากล้องอื่นใด และใช้เปิด/ปิดภาพยนตร์ชั้นเยี่ยมส่วนใหญ่ การเคลื่อนกล้องเพียงจังหวะเดียว (single dolly push-in หรือ tracking shot) ยกระดับภาพจากนิ่งเป็นภาพยนตร์ทันที
50mm เลนส์มาตรฐาน — มุมมองเหมือนตามนุษย์เทคนิค
50mm ให้เปอร์สเปกทีฟใกล้เคียงตามนุษย์มองเห็น มีการบิดเบือนน้อยที่สุด เหมาะสำหรับ mid-shot และ close-up เรียกว่า 'nifty fifty' เพราะใช้งานได้หลากหลายและราคาถูก เป็นคำแนะนำเลนส์เดี่ยวที่ดีที่สุดสำหรับมือใหม่ ที่ระยะ medium close-up วางกล้องห่าง 6-7 ฟุต ทำให้ใบหน้าเรนเดอร์แบบเป็นกลาง ใกล้เคียงกับวิสัยทัศน์ของมนุษย์ เหมาะสำหรับบทสนทนาคลาสสิก clean shot และ over-the-shoulder ที่ไม่ต้องการให้เลนส์ดึงดูดความสนใจ f/1.8 เป็นตัวเลือกที่จ่ายได้ f/2 หรือ f/1.4 สำหรับแสงน้อยและควบคุม depth of field
85mm เลนส์ความงาม — บีบอัดและแยกตัวเทคนิค
85mm เป็น 'beauty lens' สำหรับพอร์ตเทรตและ close-up ทางอารมณ์ เพราะบีบอัดใบหน้าอย่างประจบประแจง (facial compression) และพื้นหลังเบลอนุ่ม เป็น focal length สูงสุดที่ใช้งานในร่มได้สะดวกก่อนที่ผู้ถ่ายต้องยืนห่างเกินไป ที่ระยะ medium close-up วางกล้องห่าง 10-12 ฟุต ใบหน้าแบนลง พื้นหลังนุ่มเป็นเท็กซ์เจอร์ ตัวละครรู้สึกแยกจากโลกในการแยกทางแสง (optical isolation) เหมาะสำหรับช็อตปฏิกิริยา single ทางอารมณ์ และสถานการณ์ที่ใบหน้าคือฉากทั้งหมด ต้องการ aperture f/2 หรือ f/1.4 เพื่อการแยกตัว depth of field บาง
24-35mm หาสมดุลระหว่างตัวละครกับสภาพแวดล้อมเทคนิค
ช่วง 24-35mm มีประโยชน์อย่างมากสำหรับภาพยนตร์สมัยใหม่ แสดงสภาพแวดล้อมในขณะที่ยังควบคุมได้ มีประสิทธิภาพสำหรับ walk-and-talk, handheld movement, environmental portrait และ master shot ที่หนักด้าน blocking สร้างการแสดงตน (presence), ความทันที (immediacy), พลัง และการเชื่อมต่อกับสภาพแวดล้อมโดยไม่มีการบิดเบือนรุนแรง 35mm ที่ medium close-up วางกล้องห่าง 4-5 ฟุต มีการหล่อหลอมใบหน้าเล็กน้อยแต่เห็นได้ชัด เป็นธรรมชาติสำหรับงาน indie เหมาะสำหรับ 2-shot บทสนทนาและ walking-and-talking ที่ location ทำงานเล่าเรื่อง ช่วงนี้ปลอดภัยสำหรับพรอมพท์ AI
135mm+ สร้างระยะห่างแบบสังเกตการณ์เทคนิค
135mm และยาวกว่านั้นทำให้มุมมองแคบลง บีบอัดระนาบที่ห่างไกล ขยายพื้นหลัง สร้างความรู้สึกของการดูจากไกล ทำให้พื้นหลังรู้สึกใหญ่โตเทียบกับตัวละคร วางกล้องห่าง 16+ ฟุต ความสัมพันธ์ระหว่างกล้องกับตัวละครกลายเป็นการสังเกต ไม่ใช่การมีส่วนร่วม สร้างความเป็นเฝ้าระวัง ความฝัน หรือถูกจับตามอง มีประสิทธิภาพสำหรับ shot แบบ surveillance, distant observation, compressed landscape, กีฬา สัตว์ป่า และการแยกตัวที่มีสไตล์ Safdie Brothers ใช้ 75-360mm anamorphic และ Canon 50-1000mm zoom เพื่อสร้างพลังงานประหม่า การเฝ้าระวัง และแรงกดดันดำรงอยู่
Tracking shot สร้างโมเมนตัมเคียงข้างแอ็คชันเทคนิค
Tracking shot เคลื่อนกล้องเคียงข้างตัวละครโดยรักษาระยะห่างสม่ำเสมอขณะแสดงสภาพแวดล้อม ดึงผู้ชมมาข้างๆ แอ็คชันแทนที่จะดูจากระยะไกล สร้างโมเมนตัมไปข้างหน้าและความเร่งด่วน ครอบงำฉากแอ็คชันและบทสนทนาเดินคุย ใส่ motion blur ที่พื้นหลังในพรอมพท์ นี่คือการเคลื่อนไหวที่แยกภาพนิ่งออกจากซีเควนซ์ภาพยนตร์
Kling 3.0 ควบคุมการเคลื่อนไหวด้วยพรอมพท์โดยตรงกติกา
Kling 3.0 แข็งแกร่งที่สุดเมื่อพรอมพท์รวมคำสั่งการเคลื่อนไหวเฉพาะ: dolly shot, close-up, wide shot, motion arc, character movement และทิศทางกล้อง สามารถสร้างคลิปเดี่ยวยาวที่สุด (3-15 วินาที) และมีไวยากรณ์หลายช็อตแบบ native Kling เป็นเงียบโดยปริยายเว้นแต่จะเปิดเสียงอย่างชัดเจน รองรับแผงควบคุมกล้องเฉพาะและฟีเจอร์ Motion Control สำหรับแอนิเมชั่นภาพแบบควบคุมการเคลื่อนไหวและความสอดคล้องตามองค์ประกอบ Kling 3 เป็นตัวเลือกแรกสำหรับการเคลื่อนไหวของตัวละคร การเคลื่อนกล้องอย่างมีชีวิตชีวา visual effect และแอนิเมชั่นจากเฟรมต้นทางที่แข็งแกร่ง ประเมินว่ารักษาผลิตภัณฑ์ บุคคล พื้นที่โลโก้ และเฟรมแรกได้ดีแค่ไหน ไม่ใช่แค่พลวัตการเคลื่อนไหว
Kling Professional Mode เปิดสไลเดอร์กล้องแมนนวลเทคนิค
Professional Mode เปิดค่า horizontal, vertical และ zoom ที่ปกติจะถูกเก็บไว้ระหว่าง 1 ถึง 3 เพื่อการเคลื่อนไหวที่ลื่นไหล ให้การควบคุมกล้องแบบแม่นยำต่อเฟรมที่ข้อความเพียงอย่างเดียวทำไม่ได้ เวอร์ชันใหม่กว่าเพิ่ม parallax depth เพื่อให้องค์ประกอบพื้นหลังเลื่อนตามระยะทางอย่างเป็นธรรมชาติ นี่คือเครื่องมือสำหรับการควบคุมแบบศัลยกรรม
ใส่สไตล์อ้างอิงสุนทรียภาพในพรอมพท์เทคนิค
รวมการอ้างอิงสไตล์ภาพเช่น 'Blade Runner aesthetic', 'anamorphic lens flares', 'shallow depth of field' และสภาพแวดล้อมเฉพาะ โมเดลปฏิบัติตามความตั้งใจของภาพยนตร์ได้ดีกว่าเมื่อการอ้างอิงสไตล์ชัดเจน ใช้อ้างอิงที่เป็นรูปธรรม ไม่ใช่คำพรรณนาทั่วไป
Shallow depth of field เป็นสัญญาณภาพยนตร์ทันทีเทคนิค
สามสิ่งที่ทำให้ดีขึ้นทันที: shallow depth of field (พื้นหลังเบลอ), การเคลื่อนกล้องเฉพาะ (dolly, track หรือ orbit), และการจัดแสงโดยตั้งใจ องค์ประกอบเหล่านี้ส่งสัญญาณความตั้งใจในการผลิตระดับมืออาชีพโดยไม่คำนึงถึงเนื้อหา นี่คือทางลัดสำคัญที่สุดสู่ลุคภาพยนตร์
Orbit หมุนรอบช่วงเวลาเพื่อเปิดตัวฮีโร่เทคนิค
Orbit เป็นการเคลื่อนไหวประจำตัวของ music video และการเปิดตัวฮีโร่ เพราะพวกมันเปลี่ยนตัวละครนิ่งให้เป็นศูนย์กลาง Orbit ช้าอ่านว่าโรแมนติก orbit เร็วอ่านว่าคลุ้มคลั่ง การเคลื่อนไหวแนวตั้งเปลี่ยนมาตราส่วนเรื่องเร็วที่สุด: ขึ้นเพื่อมาตราส่วนและความตระการ ลงเพื่อความใกล้ชิด โมเดล AI จัดการการเคลื่อนไหวแนวตั้งได้ดีเป็นพิเศษเพราะการเคลื่อนไหวลื่นไหลและคาดเดาได้
Low angle สร้างอำนาจ, high angle แสดงความเปราะบางเทคนิค
Low angle วางกล้องต่ำกว่าตัวละครเอียงขึ้น ทำให้ตัวละครดูครอบงำ ดีที่สุดสำหรับ hero shot, การสร้างอำนาจ และพอร์ตเทรตอย่างมีชีวิตชีวา High angle วางกล้องเหนือตัวละครเอียงลง ดีที่สุดสำหรับการสร้างบริบท แสดงความเปราะบาง และมุมมองทางอากาศ มุมกล้องกำหนดรูปร่างว่าผู้ชมรับรู้ตัวละครอย่างไร แปลความตั้งใจทางจิตวิทยาเป็นการดำเนินการทางภาพ
Dutch angle สำหรับความตึงเครียดทางจิตเทคนิค
Dutch angle หมุนกล้องเพื่อสร้างเส้นขอบฟ้าแนวทแยง โดยทั่วไปเอียง 15 องศา สร้างความไม่สบายทางภาพทันที ดีที่สุดสำหรับคอนเทนต์ thriller, ความตึงเครียดทางจิตวิทยา และซีเควนซ์แอ็คชันที่มีสไตล์ นี่คือทางลัดไปสู่ความรู้สึกไม่ปกติทันที
Anamorphic lens look ส่งสัญญาณการผลิตระดับพรีเมียมเทคนิค
เลียนแบบลักษณะเฉพาะของเลนส์ภาพยนตร์ anamorphic รวมถึง horizontal lens flare, oval background blur และ widescreen cinematic aspect ส่งสัญญาณความรู้สึกงบประมาณสูง ดีที่สุดสำหรับแคมเปญภาพยนตร์ที่แข่งขันกับโฆษณาโรงภาพยนตร์ นี่คือเครื่องหมายการค้าของการผลิตระดับไฮเอนด์
Depth of field เกิดจากระยะทำงาน ไม่ใช่คุณสมบัติเลนส์กติกา
สำหรับการกรอบภาพเหมือนกัน เลนส์ยาวให้ depth of field ตื้นกว่าเลนส์กว้าง เพราะมันบังคับกล้องถอยหลังไกลกว่า Shallow depth of field บนงานตัวละครมักหมายถึงเลนส์ยาวที่ระยะทำงานใกล้ ซึ่งยังนำมาซึ่งการแบนใบหน้าและการบีบอัดพื้นหลัง ไม่ใช่แค่การเปลี่ยน bokeh อย่างเดียว นี่คือความเข้าใจผิดที่พบบ่อยที่สุด
Sensor crop factor ส่งผลต่อ focal length ที่ปรากฏลิมิต
เซ็นเซอร์ Super 35 หรือ APS-C เรนเดอร์แคบกว่า full-frame ที่ focal length เดียวกัน คูณ focal length ด้วยตัวคูณ crop factor ~1.5 เพื่อรับค่าเทียบเท่า full-frame การตัดระหว่างขนาดเซ็นเซอร์ที่ต่างกันสามารถทำให้การติดฉลากเลนส์โกหกเกี่ยวกับสิ่งที่ผู้ชมเห็น 35mm บน Super 35 ≈ 25mm บน 16mm ≈ 50mm บน full frame รูปแบบเซ็นเซอร์เดียวกันให้ focal length มุมมองต่างกัน
14mm เลนส์ภูมิทัศน์แบบ rectilinearเทคนิค
14mm focal length สำหรับภูมิทัศน์กว้างใหญ่, overhead shot ในพื้นที่ขนาดใหญ่ และการใส่โครงสร้างขนาดใหญ่เข้าไปใน master shot ต้องเป็น rectilinear (ไม่ใช่ fisheye) เพื่อให้เส้นตรงยังคงตรงและหลีกเลี่ยงการบิดเบือนหนัก aperture f/2.8 เพียงพอเพราะความกว้างสุดโต่งป้องกัน shallow depth of field นี่คือเลนส์สำหรับขนาดและมาตราส่วน
28mm เลนส์กว้างอเนกประสงค์เทคนิค
28mm เป็น wide angle ขั้นพื้นฐานสำหรับพื้นที่คับแคบและงานสารคดี จับบริบทพื้นหลังในขณะที่รักษาตัวละครให้เด่นด้วยเปอร์สเปกทีฟที่สมจริง ทำงานได้สำหรับ low angle อย่างมีชีวิตชีวา, overhead shot และฉากแอ็คชัน ต้องการ aperture f/2.8 หรือเร็วกว่าสำหรับแสงน้อยและการแยกตัวเบื้องหน้าเล็กน้อย
200mm telephoto สำหรับระยะไกลและการบีบอัดเทคนิค
200mm จับรายละเอียดไกล (ดวงจันทร์, ภูเขา), ให้ถ่ายแอ็คชันจากระยะปลอดภัย และสร้างการบีบอัดพื้นหลังอย่างมีนัยสำคัญทำให้วัตถุไกลดูใกล้กว่า aperture f/4 ยอมรับได้สำหรับข้อจำกัดงบประมาณ ทางเลือก zoom lens เป็นไปได้ ต้องการขาตั้งหนักและการดึงโฟกัสอย่างระมัดระวังเนื่องจาก depth of field ตื้นมาก
กับดัก: Ultra-wide close-up บิดเบือนใบหน้ากับดัก
การวางเลนส์ 14-24mm ใกล้มากกับใบหน้าขยายฟีเจอร์ใกล้เช่นจมูก มือ และวัตถุเบื้องหน้า พื้นหลังดูเล็กกว่าและไกลกว่า นี่สามารถยืดฟีเจอร์ใบหน้าและดูเหมือนอุบัติเหตุแทนที่จะเป็นภาพยนตร์ ใน AI ปัญหานี้ถูกขยาย เครื่องมืออาจบิดมือ ใบหน้า ผนัง หรือสถาปัตยกรรมอย่างคาดเดาไม่ได้ สำหรับ tight close-up โดยไม่บิดเบือน ย้ายกล้องถอยหลังและใช้เลนส์ยาวแทนการย้ายกล้องไปข้างหน้าด้วยเลนส์กว้าง
กับดัก: ยิง 50mm ทุกฉากกับดัก
การใช้ 50mm เป็นค่าเริ่มต้นตลอดบทสนทนา ปฏิกิริยา และการเปิดเผยเพราะมัน 'เป็นธรรมชาติ' ทำให้เลนส์มองไม่เห็นในราคาของการเล่าเรื่อง ความเป็นธรรมชาติคือการเลือกโดยตั้งใจ ไม่ใช่ค่าเริ่มต้น การเลือกเลนส์ที่หลากหลายสร้างความแตกต่างทางภาพ การใช้เลนส์เดียวตลอดเรื่องเป็นตัวเลือกที่ปลอดภัยแต่ไม่มีชีวิตชีวา
หยิบไปใช้ได้ทันที
- เริ่มพรอมพท์ด้วย 'slow dolly forward' หรือ 'tracking shot, Steadicam' แทนคำอธิบายทั่วไป
- 50mm = มุมมองมนุษย์ เป็นกลาง | 85mm = beauty lens ใบหน้าแบนงาม | 24-35mm = แสดงโลกรอบตัว
- Push-in สร้างความตึงเครียด | Pull-back สร้างความเหงา | Orbit สำหรับเปิดตัวฮีโร่
- Shallow depth of field + การเคลื่อนกล้อง + แสงตั้งใจ = ลุคภาพยนตร์ทันที
- Kling 3.0: ใส่คำสั่งกล้องโดยตรง, Professional Mode ใช้สไลเดอร์ horizontal/vertical/zoom 1-3
- Low angle = อำนาจ | High angle = เปราะบาง | Dutch angle = ความตึงเครียดทางจิต
- เลนส์ยาว (85mm+) ทำให้ depth of field ตื้นเพราะกล้องถอยไกล ไม่ใช่คุณสมบัติเลนส์
- 135mm+ = ระยะห่างสังเกตการณ์ บีบอัดพื้นที่ รู้สึกถูกจับตามอง
- ใส่อ้างอิงสไตล์: 'Blade Runner aesthetic', 'anamorphic lens flares', 'shallow depth of field'
- หลีกเลี่ยง: 14-24mm ใกล้ใบหน้า = บิดเบือน | 50mm ทุกช็อต = ไม่มีชีวิตชีวา | 85mm wide master = โลกหายไป
แสง — สูตรจัดไฟที่สั่ง AI ได้จริง
แสงคือตัวแปรที่ควบคุมอารมณ์ของภาพได้มากที่สุด แต่ต้องสั่งให้ถูกโครงสร้าง บทความนี้รวมสูตรจัดไฟที่ AI ทุกตัวเข้าใจ ตั้งแต่โครงสร้าง prompt 5 ส่วน, อัตราส่วนแสง (contrast ratio) ที่กำหนดมู้ด, รูปแบบไฟคลาสสิก (Rembrandt, Loop, Split) ที่สร้างบุคลิกให้ตัวละคร, ไปจนถึงสไตล์ยอดนิยม (golden hour, film noir, volumetric, neon) ที่ใช้บ่อยที่สุดในงานจริง พร้อมจุดแข็งเฉพาะของแต่ละโมเดล และกับดักที่ทำให้ภาพพัง
โครงสร้าง prompt แสงแบบ 5 ส่วนโครงสร้าง
Prompt ที่ดีต้องครอบคลุม 5 ส่วน: (1) subject and setting (ใคร/อะไร, ที่ไหน, เวลา, วัตถุ), (2) action (การเคลื่อนไหวตามลำดับ), (3) camera (framing, angle, lens, movement), (4) lighting and style (ทิศทางแสง/คุณภาพแสง, สีสัน, texture, medium), (5) audio (บทพูด, เสียงแวดล้อม, ดนตรี, SFX) ส่วนแสงต้องระบุชัดเจนที่สุด เพราะกำหนดอารมณ์ทั้งฉาก
Three-Point Lighting — โครงสร้างพื้นฐานที่ต้องเข้าใจโครงสร้าง
แบ่งเป็น 3 ตัว: key light (แสงหลัก สว่างสุด มุม 45 องศา), fill light (แสงเติม อยู่ด้านตรงข้าม นุ่มกว่า ลดเงา), back light (แสงหลัง อยู่ข้างหลังตัวละคร สร้างขอบกรอบ/halo) ปรับความแรงและตำแหน่งเพื่อควบคุมมู้ด: key สว่าง + fill น้อย = ดราม่าสูง (high-contrast), เพิ่ม fill = โรแมนติก, ปรับ back light = เส้นขอบละเอียดหรือเรืองแสง กับดักบ่อย: fill แรงเกินไปทำให้ภาพแบน (erases modelling), back light แรงเกินสร้าง halo แทนที่จะแยกชั้น
ใช้คำบรรยายแสงแบบบรรยากาศ (atmospheric lighting)เทคนิค
ใช้ภาษาที่พรรณนาบรรยากาศ เช่น 'volumetric god rays filtering through canopy,' 'golden hour lighting,' 'soft studio lighting from the left,' 'misty morning atmosphere,' 'warm amber lighting,' 'cool blue tones,' 'neon-lit cyberpunk palette,' 'natural overcast diffused light' คำเหล่านี้ควบคุมมู้ดได้ทุกโมเดล และเพิ่มความสม่ำเสมอของอารมณ์ระหว่างเฟรมอย่างมาก
จุดแข็งเฉพาะโมเดล: Runway vs Lumaกติกา
Runway Gen-4.5 เด่นเรื่อง camera control ระดับ cinematic ให้ภาพที่แยกไม่ออกจากถ่ายจริง โดดเด่นที่ atmospheric effects, volumetric lighting, การเคลื่อนกล้องนุ่ม เหมาะกับ landscape และ commercial Luma Dream Machine เด่นเรื่อง 3D consistency สำหรับเนื้อหา surreal จัดการฟิสิกส์เหนือจริง (น้ำตกไหลขึ้น เมืองลอย) ได้ดีกว่า พร้อมแสง bioluminescent แบบหลายชั้น
มาตราอุณหภูมิสี Kelvin และอารมณ์โครงสร้าง
อุณหภูมิต่ำ (2000-3000K) ให้สีอุ่นแดงส้ม, อุณหภูมิสูง (5000-6500K) ให้สีเย็นน้ำเงิน แสงอุ่นกระตุ้นความรู้สึก cozy/intimate/nostalgic, แสงเย็นแนะนำ melancholy/isolation/tranquility ระบุใน prompt ด้วยคำอย่าง 'warm amber lighting' หรือ 'cool blue tones' เพื่อควบคุมอารมณ์ได้แม่นยำ
High-Key vs Low-Key — อัตราส่วนแสงที่กำหนดมู้ดโครงสร้าร
High-Key ใช้อัตราส่วน 2:1–3:1 ให้แสงนุ่ม ใช้ soft key ผ่าน diffusion, bounce ใหญ่สำหรับ fill, back light นุ่ม หลีกเลี่ยงผนังขาวที่สะท้อนแสงไม่ควบคุม สร้างบรรยากาศสดใส ethereal เบา Low-Key ใช้อัตราส่วน 5:1 ขึ้นไป สร้างดราม่า เริ่มจาก key เดียวจากข้างหรือเยื้องเล็กน้อย ตัดสินใจว่าอะไรควรมองเห็น (อาจเป็นแค่แก้มข้างเดียว มือข้างเดียว แสงระยิบในตา) กับดัก: ทำมืดจนผู้ดูงงว่ากำลังดูอะไร ต้องทดสอบบนหน้าจอจริงเพื่อไม่ให้เป็นโคลนบนมือถือ/แล็ปท็อป
Rembrandt Lighting — รูปแบบคลาสสิกสร้างบุคลิกเทคนิค
วาง key light สูงและเยื้อง 45° จนเงาจมูกและเงาแก้มมาบรรจบกัน เหลือสามเหลี่ยมแสงเล็กๆ บนแก้มด้านเงาใต้ตา ใช้ fill อย่างระวัง: มากเกินไปลบลาย น้อยเกินไปทำหน้าดุเกิน เหมาะกับ portrait นั่งสัมภาษณ์ มีทั้งแบบ Broad (ส่องจากด้านตรงข้าม ด้านใกล้กล้องสว่าง) และ Short (ส่องจากด้านตรงข้าม ด้านไกลกล้องสว่าง) สร้าง dramatic portrait effect ระดับ high-end commercial และ interview ที่มีน้ำหนัก
Loop Lighting — แสงกลางๆ ระหว่างแบนกับดราม่าเทคนิค
วางแสงเยื้อง 25-50 องศาจากตัวละคร เอียงลงที่ใบหน้า เงาจากจมูกจะสร้าง loop ชี้ไปที่มุมปาก (เงาจมูกและแก้มไม่มาบรรจบกัน) อยู่ระหว่างแสงแบนที่ประจบกับแสง split ที่ดราม่า มีแบบ Loop Rim Light (เพิ่ม rim light ที่หน้าและผมเพื่อแยกชั้น) และ Loop Background Light (เพิ่มแสงที่พื้นหลังสร้างมิติ)
Split Lighting — แสงเข้มครึ่งหน้าเทคนิค
วางแสงตั้งฉากกับตัวแคร มุม 90 องศาต่อทิศกล้อง ส่องสว่างครึ่งหน้าด้านเดียว อีกครึ่งตกเงา เน้น texture ผิวหนังและสร้างลุค intense, powerful ควรรักษาอัตราส่วน fill 3:1–4:1 เพื่อไม่ให้หนักเกินไป เผยให้เห็น texture ผ้า เนื้อไม้ รูขุมขน รูปร่างวัตถุ ไม่ให้อภัยพื้นผิวที่ไม่เรียบ สามารถเพิ่ม soft fill ข้างตรงข้าม (Split Fill variant) ถ้าผลลัพธ์ไม่เอื้ออำนวย
Golden Hour — สไตล์ยอดนิยมอันดับ 1เทคนิค
โทนส้มอุ่นพร้อมดวงอาทิตย์ใกล้ขอบฟ้าและเงานุ่ม เป็นสไตล์ที่ถูกขอบ่อยที่สุดใน prompt มืออาชีพ สร้างผลลัพธ์สวยได้เสมอและยกระดับคุณภาพทันทีทุกโมเดล ใช้คำอย่าง 'golden hour lighting' หรือ 'warm orange tones with sun near horizon and soft shadows'
Film Noir Lighting — ดราม่าทันทีด้วยเงาคมชัดเทคนิค
คอนทราสต์สูงพร้อมเงาดราม่าและการเล่นแสง-เงา สร้างสีดำลึก เป็นตัวบ่งบอกสไตล์ทันที เหมาะกับเนื้อหาลึกลับและความสง่างาม สื่อความคาดหวังแนวเรื่องทันที ใช้แหล่งแสงเดียวที่มี motivation (โคมไฟ ลำแสง สปอตไลต์) ต้องเก็บส่วนสำคัญของตัวละครให้อ่านได้ กับดัก: บดทุกอย่างลงเงาจนฆ่า texture และซ่อนตา ทำให้ฉากอ่อนแรง
Volumetric Lighting — เปิดเห็นลำแสงในอากาศเทคนิค
ทำให้ลำแสงมองเห็นได้ผ่านบรรยากาศหรืออนุภาค มี visible god rays สร้างบรรยากาศดราม่า เหมาะกับช่วงเวลาจิตวิญญาณหรือ epic และความลึกของสภาพแวดล้อม ใช้คำอย่าง 'volumetric god rays filtering through canopy' หรือ 'misty morning atmosphere' Runway Gen-4.5 เด่นเรื่องนี้เป็นพิเศษ
Neon Cyberpunk — magenta + cyan + สะท้อนเปียกเทคนิค
อาบฉากด้วยแสงสีประดิษฐ์พร้อมพื้นผิวสะท้อน ใช้ palette magenta และ cyan กับพื้นผิวเปียกสะท้อนแสง เหมาะกับเนื้อหาเทค ฉากกลางคืน แคมเปญแบรนด์อนาคต ใช้คำอย่าง 'neon-lit cyberpunk palette' หรือ 'magenta and cyan color palettes with wet reflective surfaces'
Butterfly Lighting — โนสเงาผีเสื้อใต้จมูกเทคนิค
วาง key light แบนแล้วยกขึ้นจนเงารูปผีเสื้อปรากฏใต้จมูกพอดี ใช้มากในยุค Hollywood เก่าสตูดิโอ Paramount รวมความประจบของแสงแบน (flat lighting) กับเงาที่มีลักษณะใต้จมูกและคาง
Practical Lighting — ใช้แสงในโลกเรื่องเทคนิค
ใช้แหล่งแสงในโลกเรื่อง (โคมไฟ หน้าจอ neon เทียน) เป็น motivation หลัก ฉากที่ดูมี practical light แรงๆ ส่วนใหญ่ยังใช้แสงซ่อนช่วย: โคมไฟ motivate ลุค แต่อุปกรณ์ซ่อนทำให้หน้าอ่านได้ ต้องจับคู่สีและควบคุม dimmer กับดัก: โคมไฟถูกที่ output แย่ทำลายทั้งฉาก เพิ่มความลึก ความสมจริง บรรยากาศ เมื่อจับคู่กับ tone แสงโดยรวม
Hard Light vs Soft Light — ควบคุมเงาและอารมณ์เทคนิค
Hard light สร้างเงาคมชัด คอนทราสต์และความลึกสูง ใช้เน้น texture, ดราม่า, ความลึกลับ, ความตึงเครียด film noir ใช้วิธีนี้สร้างผลกระทบภาพรุนแรง Soft light เป็นแสงกระจายนุ่ม โอบล้อมตัวละครและลดเงา สร้างลุคประจบ ethereal เหมาะกับฉากโรแมนติก dreamy หรือ flashback ที่มีบรรยากาศอุ่นใกล้ชิด
Rim Light — ขอบแสง 50-75% ของ key lightเทคนิค
Rim light ควรมีความแรง 50-75% ของ key light ควรสนับสนุนรูปร่างตัวละคร ไม่ใช่ประกาศว่ามีอุปกรณ์ตัวนี้ ทำงานดีเป็นพิเศษกับการเคลื่อนกล้องและ haze/particles เพื่อเปิดเผยลำแสง มากเกินไปทำให้ตัวละครดูถูกตัดออกมา โดนตรงเกินไปสร้าง lens flare ที่ไม่ต้องการ
สีผิวกับอุณหภูมิแสง — การจับคู่ที่ถูกต้องกติกา
ผิวสีเข้มได้ประโยชน์จากแสงอุ่น โทนแดง-เหลืองเสริมสีผิวที่มี eumelanin สูง เพิ่มความลึกและ texture ป้องกันภาพแบน เผยความเปล่งประกายธรรมชาติและรายละเอียดสีหน้า ผิวสีอ่อนทำงานดีกับแสงเย็น โทนน้ำเงินลงตัวกับผิวที่มี pheomelanin สูง เน้นสีผิวธรรมชาติ ป้องกันผิวอ่อนดูอุ่น/แดงเกินไปภายใต้แสงอุ่น ใช้ white balance ในกล้องดิจิทัลเพื่อรักษาความสม่ำเสมอของสีผิวทั้งเรื่อง
Color Palette เป็นหน้าที่เชิงเนื้อหากติกา
ความอุ่นแนะนำความสบาย ความทรงจำ ความใกล้ชิด ความปลอดภัย สีเย็นแนะนำระยะห่าง ความไม่สบายใจ กลางคืน เทคโนโลยี สร้าง palette ก่อนเริ่มถ่าย: ตัดสินใจว่าสีไหนเป็นของเรื่องแล้วเสริมให้สม่ำเสมอ แสงสีสุ่มสร้างดูสมัครเล่น ความสัมพันธ์สีที่มีเจตนารู้สึก cinematic ใช้ได้กับ AI generation เพื่อรักษา visual intent ข้ามช็อต
Diffusion, Negative Fill, Scrims — ควบคุมละเอียดเทคนิค
Diffusion ทำให้แสงนุ่มและกระจาย ลดความแรงและความคมชัดเงา ใช้ softbox (กล่องโปร่งแสง), silk (ผ้าใหญ่โปร่งแสง), diffusion filter ระยะห่างจาก diffuser กับแหล่งแสงกำหนดความนุ่มและการกระจาย Negative fill ใช้วัสดุมืด (black flag, board) ดูดแสงและทำให้เงาลึกขึ้นโดยไม่เพิ่มแสงใหม่ เพิ่มมู้ด สร้างดราม่า เน้น texture ผ่านการดูดแสงแบบเลือก Scrims เป็นจอบางหน้าแสง ความหนาแน่นต่างกันลดความแรงโดยไม่เปลี่ยนคุณภาพ ให้การสอบเทียบความสว่างแม่นยำตามความต้องการของฉาก
Chiaroscuro — เงาทำหน้าที่เล่าเรื่องเทคนิค
คอนทราสต์แรงระหว่างแสงและความมืด โดยให้เงาทำงานเล่าเรื่อง ต้องใช้แหล่งแสงเดียวที่มี motivation (โคมไฟ ลำแสง สปอตไลต์) เก็บส่วนสำคัญของตัวละครให้อ่านได้ กับดัก: บดทุกอย่างลงเงาจนฆ่า texture และซ่อนตา ทำให้ฉากอ่อนแรง เป็นหลักการแสงแบบ Renaissance ที่ใช้ได้จริงในยุคปัจจุบัน
Flat Lighting — แสงแบนจากมุมเลนส์เทคนิค
ส่องเข้าตัวละครตรงจากมุมเลนส์กล้อง สร้างลวดลายที่ดราม่าน้อยที่สุดและเงาน้อยที่สุด ส่องแสงจากสูงกว่าระดับหน้าเล็กน้อย (ส่องจากล่างสร้างลุคไม่ธรรมชาติ) ใช้ softbox สองตัวที่พลังเดียวกัน ระยะเดียวกัน และสูงเท่าหัวที่แต่ละด้านขจัดเงา ใช้สำหรับแสงสว่างเท่าเทียมทั่วทั้งหน้า
Far Key vs Close Key — ระยะห่างกำหนดความนุ่มเงาเทคนิค
Far Key วาง softbox ไกลจากตัวละคร สร้างเงาแข็งและลุคดราม่า Close Key วาง softbox ใกล้ตัวละคร สร้างเงานุ่ม ใช้ตำแหน่ง Rembrandt หรือ Loop เดียวกัน แต่ระยะห่างกำหนดความแข็งของเงา ใช้ควบคุมมู้ดโดยไม่เปลี่ยนรูปแบบไฟ
หยิบไปใช้ได้ทันที
- 'golden hour lighting' — ยอดนิยมอันดับ 1 สวยเสมอ
- 'volumetric god rays filtering through canopy' — ลำแสงมองเห็นได้
- 'soft studio lighting from the left' — นุ่มและมีทิศทาง
- 'warm amber lighting' / 'cool blue tones' — ควบคุมอารมณ์ด้วยสี
- 'neon-lit cyberpunk palette with wet reflective surfaces' — magenta + cyan + สะท้อน
- 'film noir high contrast with dramatic shadows' — ดราม่าทันที
- High-Key 2:1–3:1 / Low-Key 5:1+ — อัตราส่วนกำหนดมู้ด
- Rembrandt: key 45° สูง เงาจมูกบรรจบแก้ม สามเหลี่ยมใต้ตา
- Loop: key 25-50° เงาจมูกชี้มุมปาก กลางๆ ระหว่างแบนกับดราม่า
- Split: key 90° ส่องครึ่งหน้า เน้น texture
- Rim light 50-75% ของ key — แยกชั้นไม่ประกาศอุปกรณ์
- Runway Gen-4.5 = cinematic + volumetric, Luma = surreal + 3D consistency
- Three-point: key (หลัก 45°) + fill (ตรงข้าม นุ่ม) + back (หลัง กรอบ)
- 2000-3000K อุ่น cozy, 5000-6500K เย็น melancholy
- ผิวเข้ม + แสงอุ่น, ผิวอ่อน + แสงเย็น
เสียง พากย์ ลิปซิงก์ และดนตรี
หมวดนี้รวมข้อจำกัดและกฎการใช้งานเสียงจาก AI ทั้งเรื่องภาษาที่รองรับ คุณภาพเสียง ค่าใช้จ่าย และลิขสิทธิ์ สิ่งสำคัญสุด: โมเดลที่สร้างเสียงได้มักแต่งเพลงประกอบมาให้เอง (generic music) ถ้าไม่ต้องการต้องเขียน 'no music' ใน prompt และถ้าจะใช้เชิงพาณิชย์ต้องตรวจสอบว่าแผนที่ใช้อนุญาตหรือไม่ ทุกโมเดลมีภาษาและความยาวที่รองรับต่างกัน ต้องเช็กก่อนเขียนสคริปต์
ลิขสิทธิ์เชิงพาณิชย์ขึ้นกับแผนที่จ่ายกติกา
แผน Starter ($5/เดือนขึ้นไป), Creator ($22/เดือนขึ้นไป), Pro ($99/เดือนขึ้นไป) ของ ElevenLabs อนุญาตใช้เชิงพาณิชย์ได้ ไม่ต้องระบุที่มา ไม่มีค่า royalty ต่อแทร็ก แต่แผนฟรีห้ามใช้เชิงพาณิชย์ และต้องระบุ elevenlabs.io ข้อห้ามทุกแผน: ห้ามขายหรือให้สิทธิ์เครื่องมือเอง และห้ามเอาผลลัพธ์ไปพัฒนาเครื่องมือคู่แข่ง
ต้องตรวจสอบลิขสิทธิ์เสียงที่ AI สร้างก่อนขายกติกา
เสียงเอฟเฟกต์และ foley ที่ AI สร้างต้องยืนยันว่าใช้เชิงพาณิชย์ได้ก่อนนำไปใช้ในโฆษณา แคมเปญ หรือภาพยนตร์ที่ทำรายได้ แต่ละแพลตฟอร์มมีเงื่อนไขไม่เหมือนกัน
โมเดลแต่งเพลงประกอบให้เองถ้าไม่บอกกับดัก
โมเดลที่สร้างเสียงได้จะแต่ง soundtrack มาให้เสมอ (มักเป็น generic music) ถ้าไม่ต้องการต้องตัดออกตอนตัดต่อ หรือเขียน 'no music' ใน prompt ตั้งแต่แรก เสียงทุกอย่างควบคุมผ่าน prompt text ไม่ใช่พารามิเตอร์แยก ใช้กับทุกโมเดลปัจจุบัน
ภาษาที่ Kling VIDEO 3.0 พูดได้ลิมิต
การสร้างบทสนทนา (dialogue generation) รองรับจีน อังกฤษ ญี่ปุ่น เกาหลี สเปน รวมถึงฉากที่มีหลายภาษาปนกัน และสำเนียง/ถิ่นที่รองรับ
ภาษาที่ Vidu Q3 Series พูดได้ลิมิต
เอาต์พุตวิดีโอ-เสียงแบบ native รองรับอังกฤษ ญี่ปุ่น จีน สร้างได้ยาวสุด 16 วินาที มีการควบคุมกล้องและจังหวะในระดับเฟรม
พรอมต์ที่ละเอียดได้เสียงดีกว่าเทคนิค
พรอมต์ที่ดีควรระบุ: วัสดุ (เช่น 'corrugated metal'), ระดับความแรง, รายละเอียดเสียงเฉพาะ, สิ่งที่ไม่ต้องการ (เช่น 'no thunder'), ความต้องการทางเทคนิค (เช่น 'loopable') ตัวอย่างพรอมต์แย่ 'rain' พรอมต์ดี 'heavy rain on a corrugated metal roof, individual drops clearly audible, no thunder, consistent and loopable'
ค่าใช้จ่ายสร้างพอดแคสต์ด้วย AIเวิร์กโฟลว์
ไปป์ไลน์การผลิตตอนพอดแคสต์: ElevenLabs TTS (ลำโพง 2 คน) → Text to Dialogue → ElevenLabs SFX → ElevenMusic → การประกอบ ใช้ประมาณ 2,000–4,000 เครดิตต่อหนึ่งตอน
SFX V2 คุณภาพและความยาวลิมิต
SFX V2 สร้างเสียงคุณภาพระดับมืออาชีพที่ 48 kHz (สูงกว่า V1) รองรับคลิปยาวสุด 30 วินาที และมีความสามารถวนซ้ำแบบไร้รอยต่อ (seamless looping) ฟอร์แมตเอาต์พุตมี pcm_44100 หรือ mp3_44100_192
พารามิเตอร์ prompt_influence ควบคุมความใกล้เคียงกับคำสั่งโครงสร้าง
พารามิเตอร์ prompt_influence (Text-to-SFX) ควบคุมว่าโมเดลจะทำตาม natural language prompt มากแค่ไหน ค่าอยู่ระหว่าง 0–1 ตัวอย่างค่าที่สมดุล: 0.8
การวนซ้ำไร้รอยต่อสำหรับพื้นหลังบรรยากาศเทคนิค
ตั้งพารามิเตอร์ loop เป็น true/false ผ่าน API ทำให้สร้างเสียงต่อเนื่องจากคลิปสั้น (สูงสุด 30 วินาที) สำหรับ ambient และพื้นหลังได้โดยไม่ต้องตัดต่อเอง
ความสามารถเสียงขึ้นกับเส้นทาง APIกติกา
แม้โมเดลต้นน้ำจะรองรับเสียง ไม่ได้หมายความว่าทุก endpoint ทุกภูมิภาค ทุกแผน หรือทุกเส้นทาง (route) ของ Teamday จะเปิดความสามารถนั้น ต้องเช็กเอกสารของเส้นทางที่จะใช้โดยตรง
ไวยากรณ์วงเล็บของ Seedanceโครงสร้าง
Seedance 2.x ใช้ bracket-syntax (ไวยากรณ์วงเล็บ) สำหรับมาร์กเกอร์ของดนตรี เสียงเอฟเฟกต์ และบทสนทนาภายใน prompt
หยิบไปใช้ได้ทันที
- เขียน 'no music' ใน prompt ถ้าไม่ต้องการเพลงประกอบ
- Kling VIDEO 3.0: จีน อังกฤษ ญี่ปุ่น เกาหลี สเปน | Vidu Q3: อังกฤษ ญี่ปุ่น จีน สูงสุด 16 วินาที
- ElevenLabs แผนเสียเงินใช้เชิงพาณิชย์ได้ แผนฟรีห้าม + ต้องระบุที่มา
- SFX V2: 48 kHz, สูงสุด 30 วินาที, วนซ้ำไร้รอยต่อได้
- พรอมต์ดี = ระบุวัสดุ + ความแรง + รายละเอียด + สิ่งที่ไม่เอา + ข้อกำหนดเทคนิค
- พอดแคสต์หนึ่งตอน ≈ 2,000–4,000 เครดิต (ElevenLabs TTS + SFX + Music)
- prompt_influence = 0–1 ควบคุมความตรงตามคำสั่ง (แนะนำ 0.8)
- ตั้ง loop=true ผ่าน API ได้เสียงพื้นหลังวนซ้ำต่อเนื่อง
- เช็กเอกสาร API route โดยตรง อย่าสมมติว่าโมเดลรองรับแล้วทุก endpoint ก็รองรับ
- Seedance ใช้ bracket-syntax สำหรับ music, SFX, dialogue
มุมธุรกิจ/ต้นทุน/เครื่องมือ
หมวดนี้รวบรวมกติกาลิขสิทธิ์และการเปิดเผยข้อมูล AI วิธีวัดต้นทุนที่ถูกต้อง โครงสร้างราคาแบบ credit ของแต่ละโมเดล และตัวอย่างต้นทุน pipeline จริง สิ่งสำคัญที่สุดคือ: วัดต้นทุนที่คลิปที่ใช้ได้จริง ไม่ใช่วินาทีที่สร้าง เพราะคลิปถูกแต่พังผลิตภัณฑ์หรือเชื่อมต่อไม่ได้จะกลายเป็นแพง และต้องเข้าใจกติกาลิขสิทธิ์กับการเปิดเผยข้อมูลก่อนเผยแพร่หรือหารายได้
วัดต้นทุนที่วิดีโอที่อนุมัติใช้งานได้ ไม่ใช่วินาทีที่สร้างกติกา
เศรษฐศาสตร์ของวิดีโอ AI ไม่เป็นเส้นตรง คลิปถูกอาจกลายเป็นแพงถ้ามันทำลายผลิตภัณฑ์ เปลี่ยนเอกลักษณ์ตัวละคร ทำ action ผิด หรือเชื่อมต่อกับ shot ถัดไปไม่ได้ ตัวหารที่แท้จริงคือวิดีโอที่ผ่านการอนุมัติและประกอบเสร็จ รวมถึงการนำกลับมาใช้ซ้ำในหลายตลาด ต้นทุนต่อคลิปที่ขัดเกลาแล้วอยู่ที่ประมาณ $1 ต่อวิดีโอด้วย workflow นี้
ลิขสิทธิ์วิดีโอ AI ต้องมีส่วนสร้างสรรค์ของมนุษย์กติกา
สำนักงานลิขสิทธิ์สหรัฐระบุว่าเนื้อหาที่ AI สร้างล้วนๆไม่ได้รับการคุ้มครองลิขสิทธิ์ แต่องค์ประกอบที่มนุษย์สร้างได้ เช่น บทภาพ (script) การบรรยาย (narration) การตัดต่อ (editing) กราฟิก การจัดฉาก (scene arrangement) การเปลี่ยนแปลงฟุตเทจอย่างมีความหมาย การเขียน prompt เพียงอย่างเดียวอาจไม่ให้การควบคุมเชิงสร้างสรรค์เพียงพอ
แพลตฟอร์มโซเชียลบังคับเปิดเผยข้อมูลวิดีโอ AI แบบมีเงื่อนไขกติกา
YouTube บังคับเปิดเผยสำหรับฉากสมจริงที่ไม่เคยเกิด ฟุตเทจที่ดัดแปลงเหตุการณ์จริง หรือบุคคลจริง TikTok บังคับติด label สำหรับภาพ เสียง วิดีโอ AI ที่สมจริง Meta บังคับเปิดเผยวิดีโอ AI แบบ photorealistic หรือเสียงสังเคราะห์ที่เหมือนจริง การช่วยงานโปรดักชันเล็กน้อยมักไม่ต้อง label
YouTube ไม่ห้ามหารายได้จากวิดีโอ AI แต่ห้ามเนื้อหาซ้ำซากไร้คุณค่ากติกา
YouTube ไม่ตัดสิทธิ์หารายได้ (monetization) อัตโนมัติจากวิดีโอที่มีฟุตเทจ เสียง หรือองค์ประกอบ AI การเปิดเผยข้อมูล AI ไม่จำกัดผู้ชมหรือสิทธิ์หารายได้ ความเสี่ยงอยู่ที่การเผยแพร่เนื้อหาซ้ำซาก ผลิตมวลชน มีคุณค่าดั้งเดิมน้อย แต่ละวิดีโอควรมีการวิจัยดั้งเดิม ความคิดเห็น การเล่าเรื่อง การตัดต่อ การสอน หรือส่วนร่วมของมนุษย์ที่ชัดเจน
ระบบ credit: 1 credit ≈ $0.005 แต่ราคาจริงขึ้นกับโมเดลและการตั้งค่าโครงสร้าง
Poyo.ai ใช้ระบบ credit โดย 1 credit มีราคาประมาณ $0.005 แต่ต้นทุนจริงขึ้นกับโมเดล ความยาว ความละเอียด การตั้งค่าเสียง และช่องทางผู้ให้บริการ ใช้เป็นฐานอ้างอิงสำหรับการแปลงราคาแบบต่อวินาทีและแบบขั้นบันไดความยาวคงที่ (fixed-tier)
ต้องเก็บวันที่วิจัยและ model ID ก่อนจ่ายงบจริงกติกา
ผลผลิตของโปรดักชันควรเก็บ model identifier และหน้าเปรียบเทียบต้องมีวันที่วิจัยที่มองเห็น ยืนยัน model ID ที่แน่นอน region โควต้า ราคา ความยาว และ flag เสียงก่อนยืนยันงบโปรดักชัน เพราะราคาและความสามารถเปลี่ยนแปลงเร็ว
Runway Gen-4.5: ราคาขั้นบันไดคงที่ 75 credits/5s, 150 credits/10sลิมิต
Runway Gen-4.5 ใช้ขั้นบันไดความยาวคงที่บน Poyo.ai: 75 credits (~$0.375) สำหรับ 5 วินาที และ 150 credits (~$0.75) สำหรับ 10 วินาที ไม่มีราคาแบบต่อวินาทีแบบแปรผัน แพ็กเกจเริ่มที่ $28/user/month (2250 credits เมื่อจ่ายรายปี) 625 credits ≈ 25 วินาทีของ Gen-4.5
HappyHorse 1.0: 16 credits/sec ที่ 720p, 32 credits/sec ที่ 1080pลิมิต
HappyHorse 1.0 เรียกเก็บ 16 credits ต่อวินาทีสำหรับ 720p (~$0.08/sec) และ 32 credits ต่อวินาทีสำหรับ 1080p (~$0.16/sec) เป็นโมเดลแบบต่อวินาทีไม่มีขั้นบันไดความยาวคงที่
Kling 3.0: รองรับ 720p Standard, 1080p Pro และ 4K แท้ต่างขั้นต่างราคาลิมิต
Kling 3.0 เสนอราคาต่อวินาทีแยกตาม Standard (720p), Pro (1080p), 4K แท้ (native 4K) พร้อมตัวเลือกเสียงซิงค์และความสม่ำเสมอแบบ element-based ขั้น 4K สงวนไว้สำหรับ render ขั้นสุดท้ายเพราะต้นทุนสูง
Grok Imagine: 30 credits/6s, 40 credits/10s เหมาะทดลองโซเชียลลิมิต
Grok Imagine ใช้ราคาความยาวคงที่: 30 credits (~$0.15) สำหรับวิดีโอ 6 วินาทีและ 40 credits (~$0.20) สำหรับ 10 วินาทีรองรับ image-to-video และ video generation เหมาะสำหรับการทดลองโซเชียลเร็ว
Hailuo 02: 7 credits/sec ที่ 768p (~$0.035/sec) ถูกสุดสำหรับงานซีเนมาติกลิมิต
Hailuo 02 เสนอราคาต่อวินาทีเริ่มที่ 7 credits ต่อวินาทีสำหรับความละเอียด 768p Hailuo 2.3 ใช้ขั้นบันไดวิดีโอคงที่พร้อมตัวเลือก 768p และ 1080p ทั้งคู่แข็งแกร่งสำหรับวิดีโอซีเนมาติกประหยัดและคลิปที่นำทาง first-frame
ราคาต่อ node ใน Flow เท่ากับราคาเครื่องมือเดี่ยวโครงสร้าง
แต่ละ node generation เรียกเก็บ credit ตามโมเดลและการตั้งค่าที่ใช้ เหมือนกับราคาเครื่องมือเดี่ยว การรัน node ใหม่จะเรียกเก็บ generation และ credit ใหม่ การสร้างภาพใน Flows เรียกเก็บ credit เท่ากับเครื่องมือภาพเดี่ยว node Sora 2 Pro เรียกเก็บ 12,000 credits ต้นทุน Flow รวมคือผลรวมของต้นทุน node generation ทั้งหมด
Pipeline วิดีโอผลิตภัณฑ์: Flux → Kling 2.5 → ElevenLabs TTS+SFX ≈ 5,000–8,000 creditsเวิร์กโฟลว์
Pipeline สำหรับ e-commerce/marketing: Flux image generation → Kling 2.5 video → ElevenLabs TTS → ElevenLabs SFX → Composition เรียกเก็บประมาณ 5,000–8,000 credits ต่อการรันสำหรับการใช้งานวิดีโอผลิตภัณฑ์และการตลาด
Pipeline โฆษณาหลายภาษา: Flux → Kling 2.5 → TTS×3 → Dubbing ≈ 10,000–15,000 credits ต่อภาษาเวิร์กโฟลว์
Pipeline สำหรับแคมเปญโกลบอล: Flux image → Kling 2.5 video → ElevenLabs TTS (×3 ภาษา) → ElevenLabs Dubbing → Composition เรียกเก็บประมาณ 10,000–15,000 credits ต่อภาษาสำหรับ creative โฆษณาหลายภาษา
Pipeline ฉากสั้นซีเนมาติก: Sora 2 Pro → TTS+SFX+Music ≈ 15,000–25,000 creditsเวิร์กโฟลว์
Pipeline สำหรับหนัง/การเล่าเรื่อง: Sora 2 Pro → ElevenLabs TTS narration → ElevenLabs SFX events → ElevenMusic score → Composition เรียกเก็บประมาณ 15,000–25,000 credits ต่อฉากสำหรับโปรดักชันซีเนมาติก
Pipeline talking head จากภาพถ่าย: Photo → OmniHuman → TTS ≈ 4,000–6,000 creditsเวิร์กโฟลว์
Pipeline สำหรับ YouTube/การศึกษาแบบไร้ใบหน้า: Upload photo → OmniHuman lip-sync → ElevenLabs TTS narration เรียกเก็บประมาณ 4,000–6,000 credits ต่อวิดีโอ เหมาะสำหรับเนื้อหาการศึกษาและ faceless content
หยิบไปใช้ได้ทันที
- วัดต้นทุนที่คลิปที่ใช้ได้จริง ไม่ใช่วินาทีที่สร้าง
- 1 credit ≈ $0.005 แต่ขึ้นกับโมเดลและการตั้งค่า
- วิดีโอ AI ขัดเกลาแล้ว ≈ $1/คลิป
- Runway Gen-4.5: 75 credits/5s, 150 credits/10s
- HappyHorse 1.0: 16 credits/sec (720p), 32 credits/sec (1080p)
- Hailuo 02: 7 credits/sec (768p) ถูกสุด
- Grok Imagine: 30 credits/6s, 40 credits/10s
- Pipeline วิดีโอผลิตภัณฑ์ ≈ 5,000–8,000 credits
- Pipeline talking head ≈ 4,000–6,000 credits
- YouTube ต้องเปิดเผยฉากสมจริงที่ไม่เคยเกิดหรือบุคคลจริง
- ลิขสิทธิ์ต้องมีส่วนสร้างสรรค์มนุษย์ เขียน prompt เดียวไม่พอ
- เก็บ model ID และวันที่วิจัยก่อนยืนยันงบโปรดักชัน