AutoClip เครื่องมือโอเพนซอร์สสำหรับแปลงวิดีโอยาวให้เป็นคลิปไฮไลต์ ไม่ได้ทำงานแบบกดปุ่มเดียวแล้วรอผลลัพธ์ แต่แบ่งการทำงานออกเป็นเจ็ดขั้นตอนที่มีชื่อเรียกกำกับชัดเจนทุกขั้น เริ่มตั้งแต่ดาวน์โหลดวิดีโอกับไฟล์คำบรรยาย ไปจนถึงเรนเดอร์ไฟล์คลิปออกมาจริง และระหว่างทางเรายังเข้าไปดูผลลัพธ์ของแต่ละขั้นเพื่อปรับแก้ได้ โปรเจกต์นี้พัฒนาโดย zhouxiaoka ซึ่งเปิดโค้ดทั้งหมดไว้บน GitHub ให้ทุกคนดาวน์โหลดไปรันบนเครื่องตัวเองได้ ภายใต้สัญญาอนุญาตแบบ MIT ที่นำไปใช้งานและพัฒนาต่อได้อิสระ

การทำคลิปสั้นจากไลฟ์สามชั่วโมงหรือพอดแคสต์ทั้งตอน งานที่กินเวลาไม่ได้อยู่ที่การตัด แต่อยู่ที่การนั่งไล่ดูเนื้อหาทั้งหมดเพื่อหาว่าช่วงไหนคุ้มพอจะหยิบมาใช้ AutoClip เข้ามาช่วยตรงจุดนี้ โดยอ่านเนื้อหาทั้งหมดให้ก่อน แล้วสรุปรายการช่วงที่น่าสนใจพร้อมคะแนนกำกับมาให้เราดู

เอาลิงก์ไปวาง แล้วได้อะไรกลับมา

วิธีป้อนวิดีโอทำได้สามทาง คือ วางลิงก์วิดีโอจาก YouTube วางลิงก์จากเว็บวิดีโอของจีนอย่าง Bilibili หรืออัปโหลดไฟล์วิดีโอจากเครื่องตัวเองเข้าไปตรงๆ สำหรับสองทางแรก ระบบจะดาวน์โหลดวิดีโอลงมาให้เอง โดยเครื่องมือที่ระบบเรียกใช้ดาวน์โหลดคลิปจาก YouTube คือ yt-dlp โปรแกรมดาวน์โหลดวิดีโอจากเว็บที่สายทำคอนเทนต์คุ้นเคยกันดี

ผลลัพธ์ที่ได้กลับมาแบ่งเป็นสองส่วน ส่วนแรกคือคลิปสั้นแต่ละคลิปที่ตัดมาพร้อมตั้งชื่อเรื่องให้เรียบร้อย ส่วนที่สองคือสิ่งที่ระบบเรียกว่าคอลเลกชัน ซึ่งนำคลิปหลายคลิปที่ระบบมองว่าพูดเรื่องเดียวกันมาร้อยเรียงต่อกันเป็นวิดีโอชุดเดียว ส่วนที่สองนี้เองที่ทำให้ AutoClip ต่างจากเครื่องมือตัดคลิปทั่วไป เพราะระบบไม่ได้มองหาแค่ช่วงที่โดดเด่น แต่ยังวิเคราะห์ด้วยว่าช่วงเด่นเหล่านั้นเกาะกลุ่มกันเป็นหัวข้ออะไรได้บ้าง

เจ็ดขั้นของ AutoClip ที่มีชื่อกำกับชัดเจน

เวลากดประมวลผลโปรเจกต์ ระบบจะทำงานเป็นไปป์ไลน์ที่ส่งต่อผลลัพธ์จากขั้นตอนก่อนหน้าไปให้ขั้นถัดไปตามลำดับนี้

1. เตรียมวัตถุดิบ ดาวน์โหลดตัววิดีโอกับไฟล์คำบรรยายลงมาเก็บไว้ก่อน ขั้นนี้ยังไม่มี AI เข้ามาเกี่ยว
2. วิเคราะห์เนื้อหา ส่งเนื้อหาให้โมเดลภาษาอ่าน แล้วสรุปกลับมาเป็นโครงเรื่องว่าคลิปนี้พูดถึงอะไรบ้าง
3. แยกไทม์ไลน์ เอาหัวข้อจากขั้นก่อนหน้ามาปักหมุดว่าแต่ละเรื่องเริ่มนาทีไหนและจบนาทีไหน
4. ให้คะแนนความน่าสนใจ ไล่ให้คะแนนแต่ละช่วงว่าเด่นแค่ไหนเมื่อเทียบกับช่วงอื่นในคลิปเดียวกัน
5. สร้างชื่อคลิป ตั้งชื่อให้ช่วงที่ผ่านเข้ารอบ เพื่อให้หยิบไปใช้ต่อได้เลย
6. แนะนำคอลเลกชัน จับคลิปที่เข้าชุดกันมาเสนอเป็นเซ็ต
7. สร้างวิดีโอจริง ตัดและเรนเดอร์ออกมาเป็นไฟล์คลิปกับไฟล์วิดีโอคอลเลกชัน

ขั้นที่สองกับขั้นที่สามอาจทำให้สับสนได้ง่าย เพราะฟังผ่านๆ ดูเหมือนเป็นงานเดียวกัน แต่ความต่างคือขั้นที่สองตอบว่า พูดอะไร ส่วนขั้นที่สามจะตอบว่า พูดตอนไหน ระบบต้องรู้ก่อนว่ามีหัวข้ออะไรอยู่บ้าง ถึงจะไปหาต่อได้ว่าหัวข้อนั้นอยู่ในช่วงเวลาไหนของคลิป สองขั้นนี้จึงสลับลำดับกันไม่ได้ และถ้าขั้นที่สองสรุปโครงเรื่องผิดเพี้ยน ขั้นที่สามก็จะปักหมุดเวลาผิดตามกันไปทั้งหมด

อีกจุดที่ควรรู้ไว้ก่อนลงมือคือ ตามที่เอกสารของโปรเจกต์ระบุไว้ สิ่งที่ AI อ่านคือไฟล์คำบรรยาย ไม่ใช่ภาพในวิดีโอ นั่นแปลว่าคุณภาพของคำบรรยายคือตัวกำหนดคุณภาพของผลลัพธ์ทั้งหมด คลิปที่ถอดเสียงอัตโนมัติมาไม่แม่นยำ หรือคลิปที่เน้นภาพมากกว่าคำพูด จะเป็นงานที่ระบบนี้ทำได้ไม่ดีนัก แต่ถ้าคุณอัปโหลดไฟล์เอง ระบบก็เปิดให้แนบไฟล์คำบรรยายของตัวเองขึ้นไปด้วย การยอมเสียเวลาเตรียมคำบรรยายให้ดีตั้งแต่แรกจึงคุ้มค่ากว่าปล่อยให้ระบบเดา แล้วต้องมานั่งแก้คลิปที่ตัดผิดจังหวะทีหลัง

คะแนนความน่าสนใจไม่ใช่คำตัดสิน

ขั้นที่สี่คือหัวใจของเครื่องมือนี้ และเป็นขั้นที่ไม่ควรปักใจเชื่อทั้งหมด คะแนนที่ได้มาเป็นการเปรียบเทียบกันเองภายในคลิปเดียว โมเดลแค่อ่านคำบรรยายแล้วประเมินว่าช่วงไหนดูโดดเด่นกว่าช่วงอื่น ไม่ได้หมายความว่าคนดูจริงๆ จะเลือกกดดูช่วงนั้น ซึ่งสองเรื่องนี้ต่างกันมาก เพราะโมเดลไม่เคยรู้จักคนดูของคุณเลย

ให้มองคะแนนนี้เป็นเหมือนรายชื่อผู้เข้ารอบที่ผู้ช่วยคัดมาให้ ไม่ใช่ผลตัดสินชี้ขาด หน้าที่ของเราคือไล่ดูรายการเหล่านั้นแล้วตัดสินใจต่อ ซึ่งระบบก็เปิดให้เราปรับแก้ได้จริง เราสามารถแก้ไขชื่อและคำอธิบายของแต่ละคลิป สร้างคอลเลกชันขึ้นมาเองแทนที่จะใช้ตามที่ AI แนะนำ และจัดเรียงลำดับคลิปในคอลเลกชันด้วยการลากวางได้

นี่คือจุดที่ต้องเลือกเอง หากยอมรับผลลัพธ์ตามที่ระบบเสนอมาทั้งหมด คุณจะได้คลิปเร็วมาก แต่ก็จะได้คลิปที่หน้าตาเหมือนกับคนอื่นที่ใช้เครื่องมือเดียวกัน แต่ถ้าเข้าไปแก้ทุกขั้นตอน เวลาที่ประหยัดได้ก็ลดลงไป ทางที่เราแนะนำคือปล่อยให้ขั้นที่หนึ่งถึงสามทำงานไปเลย แล้วเก็บแรงไว้ตรวจสอบคะแนนในขั้นที่สี่และเกลาชื่อคลิปในขั้นที่ห้า เพราะสองขั้นนั้นคือจุดที่สะท้อนรสนิยมของช่อง

การยกงานซ้ำๆ ให้เครื่องแล้วเก็บการตัดสินใจไว้กับคนไม่ได้มีเพียงแนวทางเดียว อีกแนวทางหนึ่งคือ การตัดต่อวิดีโอ YouTube ด้วย Claude Code ที่สั่งงานผ่านคำสั่งข้อความล้วนๆ โดยไม่มีหน้าเว็บให้กด ส่วน AutoClip เลือกแนวทางตรงกันข้าม คือสร้างหน้าเว็บมาให้เราเห็นและควบคุมทุกขั้นตอนได้บนหน้าจอ

ของที่ต้องมีก่อนกดรัน AutoClip

ตัวเครื่องมือเปิดให้ใช้งานฟรี แต่โมเดล AI ที่ระบบเรียกใช้ไม่ได้รวมมาด้วย โดยระบบจะวิเคราะห์เนื้อหาผ่านโมเดลภาษาขนาดใหญ่ตระกูล Tongyi Qianwen (通义千问) ของ Alibaba ผ่าน DashScope ซึ่งเป็นบริการเรียกใช้โมเดล AI ของ Alibaba Cloud เราจึงต้องสมัครเพื่อนำ API key มาใส่ในไฟล์ตั้งค่าเอง ค่าบริการเรียกใช้โมเดลจึงเป็นต้นทุนเพิ่มเติมที่ต้องคำนวณแยกจากค่าเครื่อง

สิ่งที่ต้องเตรียมในเครื่องมีดังนี้

• แรมอย่างน้อย 4GB แนะนำ 8GB ขึ้นไป และพื้นที่ว่างอย่างน้อย 10GB สำหรับเก็บไฟล์วิดีโอที่โหลดลงมาและเรนเดอร์ออกมา
• ชุดโปรแกรมสำหรับรันระบบอย่าง Python 3.8 ขึ้นไป แนะนำ 3.9 ขึ้นไป กับ Node.js 16 ขึ้นไป แนะนำ 18 ขึ้นไป
• Redis 6.0 ขึ้นไป แนะนำ 7.0 ขึ้นไป ระบบจัดการคิวงานเบื้องหลังที่คอยทยอยส่งงานให้ระบบทำทีละชิ้น
• เครื่องมือประมวลผลไฟล์วิดีโออย่าง FFmpeg ที่ระบบเรียกใช้ตอนตัดและเรนเดอร์
• Docker 20.10 ขึ้นไป กับ Docker Compose 2.0 ขึ้นไป สำหรับรันระบบทั้งชุดได้ในครั้งเดียวโดยไม่ต้องไล่ติดตั้งทีละอย่าง
• ระบบปฏิบัติการ macOS หรือ Linux ส่วน Windows ต้องรันผ่านระบบจำลอง Linux ใน Windows อย่าง WSL

วิธีเริ่มต้นใช้งานมีสามทาง คือ ใช้ Docker ทางเดียวจบ, ใช้สคริปต์เริ่มระบบที่โปรเจกต์เตรียมไว้ให้ หรือจะตั้งค่าสภาพแวดล้อมของ Python เองแบบนักพัฒนาก็ได้ เราแนะนำให้เริ่มจากทางแรก เพราะถ้ามีปัญหาก็ลบทิ้งแล้วเริ่มใหม่ได้ง่าย

git clone https://github.com/zhouxiaoka/autoclip.git
cd autoclip
./docker-start.sh

ก่อนสั่งรัน ให้คัดลอกไฟล์ตัวอย่างการตั้งค่าเป็นไฟล์ .env ด้วยคำสั่ง cp env.example .env แล้วระบุข้อมูลสองบรรทัดนี้ให้ครบถ้วน

API_DASHSCOPE_API_KEY=your_dashscope_api_key
API_MODEL_NAME=qwen-plus

บรรทัดล่างคือชื่อรุ่นของโมเดลที่ต้องการเรียกใช้ ค่าเริ่มต้นตามตัวอย่างในเอกสารคือ qwen-plus หากต้องการลองใช้รุ่นอื่นก็สามารถเปลี่ยนตรงนี้ได้ทันทีโดยไม่ต้องแก้โค้ด

ฟีเจอร์ที่ยังขึ้นป้ายว่ากำลังพัฒนา

โปรเจกต์นี้ระบุข้อมูลไว้อย่างตรงไปตรงมา โดยแจ้งไว้ชัดเจนว่าฟีเจอร์ไหนยังพัฒนาไม่เสร็จ และในส่วนคำถามที่พบบ่อยของเอกสารก็ย้ำอีกครั้งว่าฟังก์ชันเหล่านี้ยังใช้งานจริงไม่ได้ โดยคาดว่าจะได้เห็นในเวอร์ชันถัดไป

สิ่งที่ยังไม่พร้อมใช้งานมีสี่อย่าง ได้แก่ การใช้งานบนมือถือ การจัดการหลายบัญชีบน Bilibili การอัปโหลดคลิปที่ตัดเสร็จขึ้น Bilibili อัตโนมัติ และเครื่องมือแก้ไขพร้อมซิงก์คำบรรยาย

สองฟีเจอร์หลังส่งผลกระทบต่อการทำงานจริงมากกว่าที่คิด ถ้าปลายทางของงานคุณคือการปล่อยคลิปขึ้น Bilibili ระบบก็ยังไม่ครบวงจร ต้องดาวน์โหลดไฟล์ออกมาแล้วอัปโหลดเองอยู่ดี ส่วนเครื่องมือแก้ไขคำบรรยายที่ยังไม่มี ก็ส่งผลกระทบโดยตรง เพราะคำบรรยายคือวัตถุดิบที่ทั้งเจ็ดขั้นต้องอ่านต่อกันมา แต่ตอนนี้ยังแก้ไขในตัวโปรแกรมไม่ได้ ต้องนำออกไปแก้ข้างนอกแล้วค่อยนำกลับเข้ามาใหม่

เจ็ดขั้นตอนที่ AutoClip ระบุชื่อไว้ชัดเจน กำลังบอกเราอยู่กลายๆ ว่างานตัดคลิปไม่เคยเป็นงานเดียว แต่มันคืองานย่อยเจ็ดอย่างที่เราเคยทำรวบไว้ในหัวจนไม่ทันสังเกตตัวเอง พอมีคนแยกกระบวนการออกมาวางเรียงให้เห็นทีละขั้น เราจึงเลือกได้ว่าจะยกขั้นไหนให้เครื่องทำ

ที่มา: โปรเจกต์ autoclip บน GitHub โดย zhouxiaoka