สร้างวิดีโอจากภาพด้วย AI ทีละขั้น

ทำไมต้องเริ่มจากภาพ ไม่ใช่พิมพ์คำสั่งอย่างเดียว

Text-to-Video ให้ AI คิดทุกอย่างเอง ทั้งหน้าตัวละคร ฉาก แสง และมุมกล้อง ผลคือทุกครั้งที่เจนจะได้ของไม่เหมือนกัน เหมาะกับการหาไอเดีย แต่ไม่เหมาะกับงานที่ต้องคุมแบรนด์

Image-to-Video แบ่งงานให้ชัดขึ้น เรากำหนดภาพนิ่งเองว่าเฟรมแรกต้องเป็นอย่างไร แล้วให้ AI รับผิดชอบเฉพาะ “การเคลื่อนไหว” จากภาพนั้น เมื่อหน้าที่ของ AI แคบลง ผลลัพธ์ก็คาดเดาได้มากขึ้น และเราใช้ภาพชุดเดียวกันล็อกหน้าตัวละครหรือสินค้าข้ามหลายช็อตได้

ในงาน Production ของเรา ขั้นตอนนี้อยู่ถัดจาก Storyboard ทุกช็อตมีภาพเฟรมแรกก่อนจะไปถึงเครื่องมือวิดีโอ ภาพรวมของ Workflow ทั้งหมดอยู่ใน คู่มือสร้างวิดีโอด้วย AI ฉบับมือโปร

ขั้นที่ 1 เตรียมภาพต้นทางให้ AI ทำงานง่าย

ภาพต้นทางมาได้สามทาง คือ ภาพถ่ายจริง เช่น รูปสินค้าหรือรูปร้าน ภาพที่เจนจาก AI สร้างภาพ เช่น Nano Banana หรือภาพผสมระหว่างสองแบบ ไม่ว่ามาจากไหน ต้องผ่านเช็กลิสต์นี้ก่อน

• สัดส่วนภาพตรงกับวิดีโอที่จะใช้ 9:16 สำหรับ Reel และ TikTok หรือ 16:9 สำหรับ YouTube และจอแนวนอน
• ตัวแบบหลักไม่ถูกตัดขอบ เว้นพื้นที่ให้กล้องขยับได้
• แสงมีทิศทางชัด และทุกภาพในเรื่องเดียวกันใช้ทิศแสงเดียวกัน
• ไม่มีตัวหนังสือเล็ก ๆ ในภาพ เพราะ AI มักทำให้ตัวอักษรเพี้ยนเมื่อขยับ
• มือ นิ้ว และหน้าคนถูกต้องตั้งแต่ภาพนิ่ง
• ความละเอียดภาพสูงพอ ภาพแตกตั้งแต่ต้นจะยิ่งแตกในวิดีโอ

ถ้าเป็นภาพสินค้า เราแนะนำให้ถ่ายจริงบนพื้นหลังเรียบก่อน แล้วค่อยใช้ AI สร้างฉากรอบสินค้า วิธีนี้รักษาโลโก้และรายละเอียดสินค้าได้ดีกว่าให้ AI วาดสินค้าใหม่ทั้งชิ้น

ขั้นที่ 2 เขียนคำสั่งการเคลื่อนไหวแบบผู้กำกับ

ความผิดพลาดที่เจอบ่อยคือเขียนคำสั่งบรรยายภาพซ้ำ ทั้งที่ AI เห็นภาพอยู่แล้ว คำสั่งสำหรับ Image-to-Video ควรบอก สิ่งที่เปลี่ยนไป เท่านั้น เราแบ่งเป็นสามส่วน

• กล้อง — ขยับอย่างไร เช่น dolly in ช้า ๆ, pan ซ้ายไปขวา, กล้องนิ่ง
• ตัวแบบ — ทำอะไร เช่น หันหน้ามาหากล้องแล้วยิ้ม, หยิบแก้วขึ้นดื่ม
• บรรยากาศ — สิ่งรอบตัวที่ขยับ เช่น ผมปลิวเบา ๆ, ไอน้ำลอยจากแก้ว, แสงไฟกะพริบด้านหลัง

กฎของเราคือ หนึ่งช็อต หนึ่งการกระทำหลัก ถ้าสั่งให้ตัวละครเดิน หันหลัง หยิบของ และกล้องหมุนรอบในคลิปเดียว AI มักทำได้ไม่ครบหรือทำผิดลำดับ แยกเป็นหลายช็อตแล้วไปต่อกันในขั้นตัดต่อจะได้ผลดีกว่า

เขียนคำสั่งเป็นภาษาอังกฤษสั้น ๆ ตรง ๆ มักได้ผลคงที่กว่า แต่ไม่จำเป็นต้องยาว ประโยคเดียวที่ชัดดีกว่าย่อหน้ายาวที่คลุมเครือ

ขั้นที่ 3 เจนและคัดเลือก

เลือกเครื่องมือตามลักษณะช็อต จากที่เราใช้งาน Kling มักให้การเคลื่อนไหวของคนที่ดูเป็นธรรมชาติ ส่วน Seedance ตีความคำสั่งซับซ้อนได้ดี ถ้าไม่แน่ใจ ให้ลองภาพเดียวกันกับคำสั่งเดียวกันทั้งสองตัว แล้วเลือกผลที่ดีกว่า (ดู วิธีใช้ Kling และ วิธีใช้ Seedance)

ตอนคัดเลือก ให้ดูคลิปซ้ำอย่างน้อยสามรอบ รอบแรกดูภาพรวม รอบสองดูเฉพาะหน้าและมือ รอบสามดูขอบภาพและพื้นหลังว่ามีอะไรละลายหรือบิดหรือไม่ คลิปที่ดูดีในรอบแรกหลายคลิปตกในรอบที่สอง

ไม่จำเป็นต้องใช้ทั้งคลิป บ่อยครั้งเราใช้แค่ 2–3 วินาทีที่ดีที่สุดจากคลิปหนึ่ง ตัดส่วนต้นหรือส่วนท้ายที่เพี้ยนทิ้งไป นี่คือเหตุผลที่ควรเจนยาวกว่าที่ต้องใช้เล็กน้อย

ขั้นที่ 4 ต่อหลายช็อตให้เป็นเรื่องเดียว

คลิปเดียวยังไม่ใช่วิดีโอ งานที่ใช้ได้จริงต้องมีหลายช็อตที่ต่อกันลื่น เทคนิคที่เราใช้คือ

• ใช้ภาพอ้างอิงตัวละครหรือสินค้าชุดเดียวกันสร้างภาพเฟรมแรกของทุกช็อต
• สลับขนาดภาพ กว้าง กลาง ใกล้ เพื่อให้การตัดดูตั้งใจ ไม่ใช่กระโดด
• ต่อช็อตบนการเคลื่อนไหว ตัดตอนที่ตัวละครกำลังขยับ ตาคนดูจะไม่สังเกตรอยต่อ
• ใช้เฟรมสุดท้ายของช็อตก่อนเป็นจุดตั้งต้นของภาพช็อตถัดไป เมื่อต้องการความต่อเนื่องแบบเทคเดียว
• ปิดท้ายด้วย Color grading ทั้งเรื่องให้โทนเดียวกัน

การตัดต่อทำใน CapCut หรือโปรแกรมตัดต่อที่ถนัดได้ ใส่เพลงก่อนแล้วตัดตามจังหวะ จะช่วยให้ช็อตสั้น ๆ จาก AI ดูมีพลังขึ้นมาก

ปัญหาที่พบบ่อยและวิธีแก้

• หน้าเปลี่ยนกลางคลิป — ลดความแรงของการเคลื่อนไหว ใช้ช็อตที่หน้าไม่หันออกจากกล้องมาก หรือใช้เฉพาะช่วงต้นคลิป
• มือหรือนิ้วผิดรูป — เลี่ยงช็อตที่มือเคลื่อนเร็วใกล้กล้อง หรือจัดภาพให้มือไม่อยู่ในจุดสนใจ
• โลโก้สินค้าเพี้ยน — ใช้ช็อตกล้องขยับช้า และใช้ภาพสินค้าจริงเป็นเฟรมแรก ช็อตปิดท้ายที่ต้องเห็นโลโก้ชัดอาจใช้ภาพนิ่งจริงแทน
• ภาพนิ่งเกินไป — เพิ่มการเคลื่อนไหวของบรรยากาศ เช่น ผ้า ควัน แสง แทนการบังคับให้ตัวละครขยับมาก
• การเคลื่อนไหวเร็วผิดธรรมชาติ — เพิ่มคำว่า slow หรือ subtle และลดจำนวนการกระทำในคำสั่ง

ตัวอย่างจริง: จากภาพเดียวเป็น 4 ช็อต

สมมติว่ามีภาพตัวละครหญิงยืนในร้านกาแฟหนึ่งภาพ และต้องการคลิปเปิดร้านสั้น ๆ เราจะไม่สั่งให้ภาพเดียวทำทุกอย่าง แต่จะสร้างภาพเฟรมแรกเพิ่มจากภาพอ้างอิงเดียวกัน แล้วแบ่งเป็นสี่ช็อต

• ช็อตกว้าง — เห็นทั้งร้าน ตัวละครยืนหลังเคาน์เตอร์ คำสั่งคือกล้อง dolly in ช้า ๆ ตัวละครนิ่ง
• ช็อตกลาง — ตัวละครเงยหน้ามองกล้องแล้วยิ้ม คำสั่งมีการกระทำเดียว
• ช็อตใกล้ — มือรินกาแฟลงแก้ว เน้นของเหลวและไอน้ำ หน้าไม่อยู่ในเฟรม จึงลดความเสี่ยงหน้าเพี้ยน
• ช็อตปิด — แก้ววางบนเคาน์เตอร์ แสงจากหน้าต่าง กล้องนิ่ง เผื่อพื้นที่ใส่ข้อความ

ทั้งสี่ภาพใช้ทิศแสงเดียวกันและโทนสีเดียวกันตั้งแต่ขั้นภาพนิ่ง พอเข้าห้องตัดต่อจึงต่อกันได้เลยโดยไม่ต้องแก้สีมาก ถ้าช็อตกลางเจนแล้วหน้าเปลี่ยน เราเลือกใช้แค่ช่วงต้นคลิปที่หน้ายังตรงกับภาพอ้างอิง แล้วตัดไปช็อตใกล้ทันที

วิธีคิดนี้ใช้ได้กับงานแทบทุกแบบ ไม่ว่าจะเป็นสินค้า ร้านอาหาร หรือตัวละคร หลักคือแยกการเคลื่อนไหวเป็นช็อตเล็ก ๆ และให้ช็อตที่เสี่ยงที่สุดสั้นที่สุด

เช็กลิสต์ก่อนกดเจนทุกครั้ง

• ภาพเฟรมแรกผ่านการตรวจหน้า มือ และขอบภาพแล้ว
• สัดส่วนภาพตรงกับช่องทางที่จะลง
• คำสั่งมีการกระทำหลักเพียงอย่างเดียว
• ระบุการเคลื่อนกล้องชัดเจน หรือสั่งให้กล้องนิ่ง
• ทดสอบด้วยคลิปสั้นก่อนเจนเวอร์ชันจริง
• จดคำสั่งและผลลัพธ์ไว้ เพื่อใช้ซ้ำหรือปรับในรอบถัดไป
• รู้แล้วว่าช็อตนี้จะต่อกับช็อตไหน และตัดตรงจังหวะใด

ใช้เวลาไม่ถึงนาทีในการเช็ก แต่ช่วยลดจำนวนรอบที่ต้องเจนทิ้งได้มาก โดยเฉพาะเมื่อใช้เครดิตจำกัด

คำถามที่พบบ่อย

AI สร้างวิดีโอจากภาพฟรีได้ไหม?

เครื่องมือหลายตัวมีเครดิตทดลองให้ใช้ Image-to-Video ได้ แต่จำนวนเครดิตและเงื่อนไขเปลี่ยนบ่อย ควรเช็กกับเครื่องมือโดยตรง

ใช้รูปถ่ายจากมือถือได้ไหม?

ได้ ถ้าภาพคมชัด แสงดี และตัวแบบไม่ถูกตัดขอบ ภาพมืดหรือเบลอจะทำให้วิดีโอเพี้ยนง่าย

ทำวิดีโอจากรูปคนจริงได้ไหม?

ทำได้ทางเทคนิค แต่ควรใช้เฉพาะรูปของคนที่ยินยอม และตรวจข้อกำหนดของเครื่องมือเรื่องการใช้ภาพบุคคล

คลิปหนึ่งควรยาวเท่าไหร่?

สำหรับงานตัดต่อ ช็อตละ 3–6 วินาทีมักพอ เจนเผื่อเล็กน้อยเพื่อตัดส่วนที่เพี้ยนทิ้ง

ต้องใช้คอมพิวเตอร์สเปกสูงไหม?

ไม่จำเป็น เพราะการเจนเกิดบนเซิร์ฟเวอร์ของผู้ให้บริการ สเปกเครื่องสำคัญตอนตัดต่อมากกว่า