หนังตลกสั้นเรื่อง The Long Game ยาว 11 นาที มีเกือบ 80 ช็อต และตัวละครทั้งหน้าและเสียงเหมือนเดิมตั้งแต่ต้นจนจบ หนังทั้งเรื่องสร้างด้วย AI ล้วนๆ ไม่ใช่คลิปเดโมสั้นๆ ไม่กี่วินาทีแบบที่เห็นกันจนชิน แต่เป็นหนังที่ดูรู้เรื่องและเสร็จสมบูรณ์จริง

เบื้องหลังหนังเรื่องนี้คือ movie-gen ไปป์ไลน์ที่ร้อยเครื่องมือหลายตัวเข้าด้วยกันเป็นชุดขั้นตอนทำงาน dawndrain เผยแพร่โค้ดไว้บน GitHub ให้ดาวน์โหลดไปใช้ต่อได้ฟรี ไปป์ไลน์นี้ใช้ผู้ช่วยเขียนโค้ดที่รับคำสั่งผ่านข้อความอย่าง Claude Code คุมกระบวนการทั้งหมด แล้วเชื่อมต่อกับโมเดล AI หลายตัวสำหรับสร้างภาพ วิดีโอ และเสียง เพื่อนำมาประกอบเป็นหนังสั้นความยาว 5 ถึง 12 นาที โดยหนึ่งเรื่องมีหลายสิบช็อตได้

วิธีทำหนังเรื่องนี้ไม่ใช่การพิมพ์ประโยคเดียวแล้วได้หนังทั้งเรื่องออกมาเลย แต่ต้องค่อยๆ ไล่เกลาทีละช็อตอย่างมีแบบแผน และดูออกว่าควรไปลองผิดลองถูกตรงจุดไหนถึงจะได้ผลโดยไม่เผาเงินทิ้ง ผู้สร้างบอกว่าใช้วิธีนี้ปั้นหนังมาแล้วสิบเรื่องโดยประมาณ และในจำนวนนั้น The Long Game คือเรื่องแรกที่ทำจนจบครบทั้งเรื่อง กว่าจะได้อย่างที่เห็นก็ต้องวนกลับมาแก้อยู่ราว 15 รอบ

movie-gen ประกอบหนังขึ้นมายังไง

ให้เห็นภาพง่ายๆ ไปป์ไลน์นี้ไม่ได้สร้างหนังทั้งเรื่องในครั้งเดียว แต่ค่อยๆ ทำทีละส่วนตามลำดับ โดยเก็บขั้นตอนที่มีค่าใช้จ่ายสูงไว้ท้ายสุด

ขั้นแรกคือสร้าง anchors หรือภาพตัวละครอ้างอิง ซึ่งเป็นภาพนิ่งของตัวละครแต่ละตัวที่ใช้กำหนดหน้าตาให้เหมือนกันทุกช็อต ทุกช็อตหลังจากนั้นจะยึดภาพชุดนี้เป็นหลัก ตัวละครจึงหน้าเหมือนเดิมตลอดทั้งเรื่อง ไม่กลายเป็นคนละคนในแต่ละฉาก การล็อกหน้าตัวละครไม่ให้เพี้ยนเป็นโจทย์เดียวกับที่คนทำ เวิร์กโฟลว์หนังสั้นด้วย AI เจอเหมือนกัน และเป็นหัวใจที่ทำให้หนังยาวหลายนาทีดูเป็นเรื่องเดียวกันได้

จากนั้นสร้าง start frame หรือเฟรมเปิดของแต่ละฉาก โดยอ้างอิงหน้าตัวละครจาก anchors จึงได้ภาพนิ่งเฟรมแรกของทุกฉากที่ตัวละครมีหน้าตาเหมือนกัน ต่อมาจึงเลือกเสียงให้ตัวละคร แล้วใช้ TTS (แปลงข้อความเป็นเสียงพูด) แปลงบทเป็นเสียงพูด ผู้สร้างแนะนำว่าในขั้นนี้ควร "สร้าง" เสียงใหม่ด้วยการบรรยายลักษณะเสียงที่อยากได้ ดีกว่าไปหยิบจากคลังเสียงสำเร็จรูป เพราะจะได้เสียงที่เข้ากับตัวละครจริงๆ

พอมีภาพนิ่งกับเสียงครบ ก็ถึงขั้นที่เป็นหัวใจของทั้งกระบวนการ คือทำ animatic หรือร่างหนังเวอร์ชันภาพนิ่ง โดยนำภาพนิ่งทั้งเรื่องมาเรียงต่อกันแล้วใส่เสียงพากย์ ขั้นนี้แทบไม่มีค่าใช้จ่าย เพราะยังไม่ได้สั่งเรนเดอร์วิดีโอจริงสักช็อต แต่ช่วยให้เห็นภาพรวมทั้งเรื่องว่าจังหวะการเล่าเรื่อง บทพูด และลำดับฉากลงตัวหรือยัง

หลังจากพอใจกับ animatic แล้ว จึงสั่งโมเดลวิดีโอเรนเดอร์แต่ละช็อตออกมาเป็นคลิปจริง โดยป้อน start frame ภาพ anchors และตัวอย่างเสียงตัวละครเข้าไป เพื่อให้คลิปที่ได้มีหน้าตาและเสียงตามที่วางไว้ จากนั้นเติมดนตรีกับเสียงบรรยากาศเป็นอีกเลเยอร์ แล้วใช้ ffmpeg (เครื่องมือตัดต่อและประกอบไฟล์วิดีโอผ่านคำสั่ง) รวมทุกอย่างเป็นหนังหนึ่งเรื่อง เสร็จแล้วระบบจะสร้างหน้าพรีวิวแบบ storyboard ซึ่งเรียงภาพเพื่อเล่าเรื่อง จากนั้นจึงจดโน้ตว่าตรงไหนต้องแก้ ก่อนวนกลับไปแก้เฉพาะจุดที่คุ้มที่สุดแล้วทำรอบใหม่

Claude Code เป็นตัวสั่งการแทบทุกขั้นในกระบวนการ ตั้งแต่ดึงฉากสำคัญจากเรื่อง เขียนสคริปต์ และเขียนคำสั่งสร้างภาพอ้างอิงกับเฟรมหลัก ไปจนถึงเรียกใช้เครื่องมือแต่ละตัวผ่าน API ซึ่งเป็นช่องทางเชื่อมต่อระหว่างระบบ และประกอบไฟล์ในขั้นสุดท้าย คนทำรับบทเป็นผู้กำกับที่คอยดูผลแล้วสั่งแก้ ไม่ใช่คนนั่งกดเรนเดอร์เองทีละช็อต

เคาะให้จบตั้งแต่ขั้น animatic ก่อนถึงรอบที่ต้องเสียเงิน

ใน repo หรือคลังเก็บโค้ดของ movie-gen มีคู่มือชื่อ MOVIE_LESSONS.md ซึ่งสรุปบทเรียนจากการทำหนังจริงหลายเรื่องไว้ โดยเนื้อหาหลักพูดถึงเรื่องเงินล้วนๆ

หลักข้อแรกคือให้ไล่ลองจนลงตัวตั้งแต่ตอนที่ยังเป็น animatic เพราะขั้นนั้นแทบฟรี ส่วนการสั่งเรนเดอร์วิดีโอจริงคือขั้นที่แพงที่สุดในทั้งกระบวนการ ถ้าไปลองปรับจังหวะเล่าเรื่องหรือบทพูดตอนที่เรนเดอร์คลิปไปแล้ว เท่ากับจ่ายเงินซ้ำทุกครั้งที่แก้ แต่ถ้าจัดทุกอย่างให้ลงตัวตั้งแต่ตอนยังเป็นภาพนิ่ง พอถึงตอนเรนเดอร์จริงก็แทบไม่ต้องแก้อะไรอีก

หลักข้อที่สองมาจากพฤติกรรมของโมเดลเอง ผู้สร้างสังเกตว่าการสั่งเรนเดอร์ช็อตเดิมซ้ำๆ มีแนวโน้มได้ผลแย่ลง ไม่ใช่ดีขึ้น ยิ่งแก้ถ้อยคำเดิมเพียงเล็กน้อยแล้วสั่งใหม่ ก็ยิ่งเสียเงินฟรี

ถ้าสั่งใหม่สองหนแล้วยังไม่เข้าเป้า ให้ไปแก้ที่เหตุการณ์ในฉาก อย่าวนขัดถ้อยคำในคำสั่งเดิม

พูดง่ายๆ คือปัญหาในภาพเป็นตัวกำหนดวิธีแก้ ถ้ามือของตัวละครออกมาผิด อาจต้องเปลี่ยนมุมกล้องหรือให้ตัวละครทำท่าอื่นไปเลย ไม่ใช่พยายามอธิบายคำว่า "มือ" ให้ละเอียดขึ้นเรื่อยๆ

อีกจุดที่ช่วยประหยัดได้อย่างไม่คาดคิดคือโหมดของโมเดลวิดีโอ ตอนแรกผู้สร้างเชื่อว่าโหมดคุณภาพสูง (std) ต้องให้ผลดีกว่าเสมอ เลยใช้มาตลอด แต่เมื่อทดลองเปรียบเทียบผลแบบปิดตาด้วยพรอมป์สุ่ม 20 ชุด กลับกลายเป็นว่าโหมดประหยัด (fast) ที่ราคาถูกกว่าครึ่งหนึ่งชนะบ่อยกว่าด้วยซ้ำ เรื่องนี้ชี้ให้เห็นว่าจ่ายแพงกว่าไม่ได้แปลว่าได้ของดีกว่าเสมอไป

เบื้องหลังคือ Seedance กับเครื่องมือ AI อีกหลายตัว

movie-gen ไม่ใช่โมเดลตัวเดียว แต่เป็นการเชื่อมเครื่องมือเฉพาะทางหลายตัวเข้าด้วยกัน โดยแต่ละตัวรับผิดชอบงานคนละอย่าง

• Seedance 2.0 เรนเดอร์ช็อตออกมาเป็นคลิปวิดีโอ เป็นพระเอกของงานและเป็นส่วนที่แพงที่สุด ผู้สร้างเลือกใช้ตัวนี้หลังจากทดสอบเปรียบเทียบกับคู่แข่งแบบปิดตา แล้วมันชนะทั้ง 5 พรอมป์แรก
• Nano Banana Pro สร้างภาพนิ่ง ทั้งภาพ anchors และ start frames
• Sonilo ทำเพลงประกอบ
• ElevenLabs พากย์เสียงตัวละคร
• Gemini คอยไล่ดูภาพและเสียงว่ามีอะไรผิดเพี้ยน

สามตัวแรก (Seedance, Nano Banana Pro, Sonilo) เรียกใช้ผ่าน Higgsfield แพลตฟอร์มที่รวมโมเดลสร้างสื่อไว้ในที่เดียว โดยติดตั้งเครื่องมือสั่งงานด้วยคำสั่ง npm i -g @higgsfield/cli ส่วนเครื่องที่ใช้ต้องติดตั้งโปรแกรมอย่าง Python, ffmpeg และ Node ไว้ก่อน

ขั้นตอนที่ให้ Gemini คอยไล่ตรวจงานยังไม่แม่นพอจะไว้ใจได้เต็มร้อย บางครั้งก็จับความผิดปกติได้ เช่น เจอว่าปลาในฉากกลายเป็นตุ๊กตาถัก แต่หลายครั้งก็พลาดและปล่อยภาพที่เพี้ยนชัดๆ ผ่านไป สุดท้ายคนก็ยังต้องไล่ตรวจด้วยตาตัวเองเป็นขั้นตอนสุดท้ายอยู่ดี

ไม่ใช่เว็บกดปุ่มเดียว แต่เป็นเครื่องมือที่ต้องรันเอง

ตรงนี้ต้องพูดกันตรงๆ ว่า movie-gen ไม่ใช่แอปเว็บที่เปิดขึ้นมาแล้วกดปุ่มเดียวได้หนัง แต่เป็นของสายเทคนิคที่ต้องติดตั้งและลงมือรันเองบนเครื่อง ทุกอย่างสั่งผ่าน CLI ด้วยการพิมพ์คำสั่ง และไม่มีหน้าจอแบบที่มีปุ่มให้กด อีกอย่างที่ต้องเตรียมคือ API key หรือรหัสสำหรับเชื่อมต่อบริการของเครื่องมือแต่ละตัว ผู้ใช้ต้องสมัครบริการเหล่านั้นแล้วเก็บคีย์ไว้ในเครื่องเอง เช่น คีย์ของ ElevenLabs และ Gemini ใครไม่เคยแตะงานสายนี้มาก่อนต้องใช้เวลาลองผิดลองถูกอยู่พอสมควรกว่าจะตั้งต้นได้

การเรนเดอร์วิดีโอมีค่าใช้จ่ายจริง ผู้สร้างประเมินคร่าวๆ ว่าหนังยาวราว 10 นาที ถ้าเรนเดอร์ด้วย Seedance โหมด std ที่ความละเอียด 480p ค่าโมเดลรอบแรกจะตกราว 110 ดอลลาร์ (ยังไม่รวมค่า Claude) ค่าใช้จ่ายเกือบทั้งหมดเป็นค่าเรนเดอร์วิดีโอราว 90 ดอลลาร์ ที่เหลือเป็นค่าภาพกับเสียง และถ้าต้องวนกลับไปเรนเดอร์ซ้ำอีกสองรอบ ยอดรวมก็ขยับขึ้นเป็นราวเท่าตัว ตัวเลขนี้เป็นแค่การประเมินจากงานชิ้นเดียวในโหมดเดียว ไม่ใช่ราคาตายตัว แต่ก็พอทำให้เห็นว่าทำไมหลักที่ควรลองผิดลองถูกให้จบตั้งแต่ขั้น animatic จึงสำคัญ

งานนี้ไม่ได้ทำครั้งเดียวแล้วจบ กว่า The Long Game จะออกมาดูได้ก็ต้องรื้อแก้อยู่ราว 15 รอบ และผู้สร้างบอกว่าลงแรงส่วนตัวไปกับมันราว 15 ชั่วโมง ถึงเครื่องจะเรนเดอร์ให้ แต่คนต้องคอยดู คอยตัดสิน และคอยสั่งแก้อยู่ตลอดทาง

ความคืบหน้าที่ครีเอเตอร์ไทยควรจับตา

แม้จะยังเหมาะกับคนสายเทคนิคและมีต้นทุน แต่สิ่งที่ movie-gen ยืนยันคือการทำหนังสั้นด้วย AI ทั้งเรื่องที่ยาวเป็นสิบนาที โดยใบหน้าและเสียงของตัวละครคงที่ตลอดเรื่อง เป็นสิ่งที่ทำได้จริงและมีผู้สร้างทำเสร็จแล้วหลายเรื่อง ไม่ใช่เดโมที่ใช้โชว์ในงานอีกต่อไป

สำหรับครีเอเตอร์สายวิดีโอและคนทำคอนเทนต์ นี่คือสัญญาณว่าควรเริ่มจับตาว่าอีกไม่นานทักษะแบบไหนจะมีค่า ส่วนแนวคิดเรื่องทำ animatic ก่อนก็นำมาใช้กับงานตัวเองได้ตั้งแต่วันนี้ โดยทดสอบทุกอย่างให้เรียบร้อยในเวอร์ชันที่ยังไม่ต้องจ่ายเงิน ก่อนลงทุนกับขั้นตอนที่แพง

น่าคิดว่าเมื่อ AI ลงมือทำเกือบทุกอย่างในไปป์ไลน์นี้ คนจึงเหลือหน้าที่ตัดสินใจล้วนๆ ว่าช็อตไหนคุ้มที่จะเรนเดอร์ซ้ำ ช็อตไหนพอแล้ว และเรื่องไหนเล่าแล้วคนดูอินจริง ทักษะการตัดสินใจแบบนี้ไม่ได้มาจากโมเดลตัวไหน และครีเอเตอร์ฝึกทักษะนี้ได้ตั้งแต่ตอนที่การทำหนังด้วย AI ยังไม่กลายเป็นเรื่องธรรมดา

---

ที่มา:

• โปรเจกต์ movie-gen บน GitHub โดย dawndrain
• บทความ Making AI Movies โดย dawndrain