rea-video เป็นเครื่องมือช่วยแกะโครงสร้างคลิปทีละช็อต หน้า GitHub ของโปรเจกต์เปิดมาด้วยการเทียบโฆษณาสองคลิปคู่กัน คลิปซ้ายคือโฆษณาบน TikTok ที่ถ่ายทำด้วยมือถือจริง ส่วนคลิปขวาคือคลิปที่มีคนนำไปทำใหม่ด้วย AI เพื่อเปลี่ยนเป็นสินค้าอีกตัวหนึ่ง

ผลการวิเคราะห์ของ rea-video ระบุว่า คลิปทางซ้ายเป็นคลิปที่ถ่ายจริงทั้งหมด ใช้เพียงฉากเดียวและตั้งกล้องสลับ 2 มุม ส่วนคลิปทางขวาสร้างด้วย AI ทั้งเรื่อง โดยทั้ง 8 ช็อตในคลิป สั่งเจนแค่ 3 รอบก็ได้ครบทั้งหมด

ข้อมูลเชิงลึกแบบนี้ช่วยตอบคำถามสำคัญที่คนทำคลิปอยากรู้ก่อนลงมือทำจริง ว่าวิดีโอแบบที่เราชอบต้องตั้งกล้องถ่ายเองกี่ฉาก ต้องเสียเงินสั่งเจน AI กี่ครั้ง หรือมีส่วนไหนที่เขียนโค้ดขึ้นมาแทนได้บ้าง โดย rea-video แกะข้อมูลพวกนี้ออกมาได้ทีละช็อต ตั้งแต่มุมกล้อง การจัดแสง ข้อความพรอมต์ ซับไตเติล จังหวะการตัดต่อ ไปจนถึงเสียงประกอบ พร้อมสรุปเป็นแผนงานที่ชัดเจนว่า ส่วนไหนต้องถ่ายเอง ส่วนไหนให้ AI ทำ และส่วนไหนควรเขียนโค้ด

โปรเจกต์นี้พัฒนาโดย JuneYaooo เปิดเป็นโอเพนซอร์สภายใต้สัญญาอนุญาตแบบ Apache-2.0 (ณ วันที่ 8 พฤศจิกายน 2026 มีผู้กดดาวบน GitHub แล้วราว 3,700 ดวง) สั่งงานผ่าน Coding Agent หรือ AI ผู้ช่วยเขียนโค้ดที่รันคำสั่งบนเครื่องของเราได้อย่าง Claude Code หรือ Codex โดยผลลัพธ์ที่ได้จะเป็นรายงานการวิเคราะห์และแผนการทำงานอย่างละเอียด ไม่ใช่ไฟล์วิดีโอที่ตัดต่อเสร็จแล้ว

วิธีวิเคราะห์ของ rea-video แยกตามประเภทคลิป

รายงานจะเริ่มต้นด้วยการระบุประเภทของแต่ละช็อตก่อนเสมอ เพราะวิดีโอแต่ละประเภทต้องใช้ข้อมูลสำหรับนำไปสร้างใหม่ไม่เหมือนกัน เช่น ช็อตที่ถ่ายจริงต้องรู้ตำแหน่งมุมกล้องและการจัดไฟ ส่วนช็อตที่ใช้ AI ต้องรู้ข้อความพรอมต์ที่ใช้สั่งงาน

นอกจากตัวภาพแล้ว rea-video ยังช่วยแกะองค์ประกอบอื่นในคลิปให้อย่างละเอียด:

• ซับไตเติลและข้อความบนจอ: ระบุเวลาที่ข้อความแต่ละบรรทัดปรากฏและหายไป พร้อมสี ขอบตัวอักษร และลูกเล่นตอนแสดงผล และส่งออกเป็นไฟล์ซับไตเติลแบบ SRT หรือ ASS ไปใช้ต่อได้ทันที
• สติกเกอร์ อีโมจิ และภาพกราฟิกซ้อน: ระบุตำแหน่งบนหน้าจอและระยะเวลาที่แสดง
• จังหวะการตัดต่อ: มาร์กตำแหน่งรอยต่อของแต่ละคัต ความเร็วในการเปลี่ยนภาพ และตรวจเช็กว่าตัดตรงกับจังหวะบีตของเพลงหรือไม่
• เสียง: แยกแยะว่าเป็นเสียงคนพูดจริงหรือเสียงพากย์ AI, เพลงประกอบสร้างด้วย AI หรือมาจากคลังเพลง, ระบุความเร็วเพลงด้วยจำนวนจังหวะต่อนาทีหรือค่า BPM และตำแหน่งที่เสียงเอฟเฟกต์แต่ละตัวดังขึ้น
• วัตถุดิบที่ต้องเตรียมเพิ่ม: ลิสต์สิ่งที่ต้องหาหรือทำขึ้นมาเอง เช่น คลิปอัดหน้าจอ ภาพแคปหน้าจอ และรูปสินค้าจริง

rea-video แยกคลิปถ่ายจริงกับ AI ด้วยหลักฐาน 3 ชั้น

ก่อนสรุปผล rea-video จะตัดคลิปแบ่งออกเป็นช็อตๆ แล้วแยกแทร็กเสียงออกเป็น 3 ส่วน คือ เสียงพูด เพลงประกอบ และเสียงเอฟเฟกต์ จากนั้นจะเริ่มตรวจสอบหลักฐาน 3 ระดับ:

1. ระดับไฟล์: ตรวจเช็กจังหวะเฟรมเรต, ตรวจหา Noise ซึ่งเป็นสัญญาณรบกวนหรือเกรนภาพธรรมชาติที่กล้องจริงทิ้งไว้, สังเกตลักษณะการเคลื่อนภาพว่าทั้งภาพเลื่อนไปพร้อมกันเป็นแผ่นเดียวหรือไม่ รวมถึงค้นหาข้อมูลกำกับไฟล์อย่างแท็ก AIGC ที่ระบุว่าสร้างด้วย AI
2. ระดับภาพ: สังเกตจุดที่ AI มักทำผิดพลาด เช่น รูปร่างนิ้วมือ ตัวหนังสือที่ปรากฏในฉาก และดูว่าการเคลื่อนไหวเป็นไปตามหลักฟิสิกส์จริงหรือไม่
3. ระดับเสียง: วัดความเร็ว BPM คีย์ดนตรี และแยกแยะว่าเป็นเสียงร้องหรือเสียงพูด

ในขั้นตอนการตัดสิน หลักฐานเชิงเทคนิคที่วัดค่าได้อย่างแท็ก AIGC หรือจังหวะเฟรม จะมีน้ำหนักมากกว่าการมองด้วยสายตาว่า 'ดูเหมือน AI' ถ้าหลักฐานในช็อตไหนขัดแย้งกันเอง ระบบจะส่งช็อตนั้นไปให้ Agent ช่วยเปิดดูภาพเพื่อตัดสินซ้ำอีกครั้ง

หลักฐานที่เห็นได้ชัดเจนที่สุดคือเรื่อง 'จังหวะเฟรม' โดยปกติโมเดล AI มักจะเจนวิดีโอออกมาที่ 24 เฟรมต่อวินาที เมื่อนำมาแปลงเป็น 30 เฟรมต่อวินาที จะเกิดเฟรมซ้ำขึ้นราว 20% ของวิดีโอ rea-video จึงตั้งกฎว่า ถ้าไฟล์ 30 เฟรมไม่มีเฟรมซ้ำเลย และมีสัดส่วนของช็อตที่ดูเหมือนถ่ายจริงเกิน 70% ขึ้นไป ระบบจะให้น้ำหนักว่าคลิปนี้น่าจะถ่ายทำด้วยมือถือโดยตรง

จุดที่ชวนพลาดคือเรื่อง Noise ในตอนแรก rea-video กำหนดว่าถ้าภาพเนียนกริบไม่มี Noise เลย นั่นคือสัญญาณของคลิป AI แต่ในความเป็นจริง เมื่อนำคลิปไปอัปโหลดขึ้นโซเชียลมีเดีย การบีบอัดไฟล์ของแพลตฟอร์มก็ทำให้ Noise ธรรมชาติหายไปได้เช่นกัน ปัจจุบันระบบจึงแก้ไขกฎว่า ถ้าตรวจพบแท็กว่าคลิปผ่านการบีบอัดไฟล์จากแพลตฟอร์มมา จะไม่นับภาพที่ไม่มี Noise เป็นหลักฐานว่าสร้างด้วย AI อีกต่อไป

หลังจากตัดสินครบทุกช็อตแล้ว ระบบจะวางแผนสร้างคลิปขึ้นมาใหม่ โดยจัดกลุ่มช็อตเข้าด้วยกันตามขีดจำกัดจริงของโมเดล AI แต่ละตัว เช่น โมเดลนั้นเจนได้ยาวสุดกี่วินาที สั่งเจนหลายช็อตพร้อมกันในรอบเดียวได้หรือไม่ และป้อนภาพอ้างอิงได้กี่ภาพ ซึ่งข้อมูล '8 ช็อตสั่งเจนแค่ 3 รอบ' ในคลิปตัวอย่างตอนต้น ก็มาจากการคำนวณในขั้นตอนนี้

ตัวอย่าง 2 คลิปที่ต้องให้ Agent ช่วยตัดสินซ้ำ

ในเอกสาร README ของ rea-video มีตัวอย่างรายงานการวิเคราะห์ทั้งหมด 6 คลิป ซึ่งมี 2 คลิปที่แสดงให้เห็นชัดเจนว่า ทำไมการมี Agent คอยเปิดดูภาพจริงซ้ำจึงเป็นเรื่องสำคัญ:

• คลิปแกะกล่องสินค้า ความยาว 72 วินาที: คลิปนี้ถ่ายทำจริงทั้งคลิป โดยวางมือถือถ่ายจากด้านบนลงมาบนพรมผืนเดียว ใช้กล้องมุมเดียวตลอด และไม่มีเสียงบรรยาย แต่เนื่องจากไฟล์นี้ผ่านการบีบอัดของแพลตฟอร์มมาแล้ว โหมดเครื่องมือล้วนแบบออฟไลน์จึงเข้าใจผิดว่ามีส่วนที่เป็น AI ถึง 35% ส่วนเมื่อให้ Agent ช่วยเปิดดูเฟรมภาพซ้ำ ผลการประเมินก็กลับมาถูกต้องว่าเป็นคลิปถ่ายจริงถึง 97%
• มิวสิควิดีโอ ความยาว 165 วินาที รวม 86 ช็อต: rea-video ตรวจพบว่าเพลงประกอบสร้างด้วย AI ซึ่งก็แต่งด้วย Suno จริงๆ ส่วนเรื่องภาพ Vision Model ซึ่งเป็นโมเดล AI สำหรับตรวจดูภาพ ตอนแรกมองว่าบางช็อตเป็นละครที่ใช้คนแสดงจริง ทว่า Agent สังเกตเห็นว่าตัวอักษรบนม้วนกระดาษในฉากดูคล้ายภาษาจีน แต่ไม่ใช่คำที่มีความหมายจริง ซึ่งเป็นความผิดพลาดเฉพาะตัวของ AI ทำให้ Agent แก้ผลตัดสินของช็อตเหล่านั้นเป็นคลิป AI ได้อย่างถูกต้อง

เจาะลึกคลิปขายของ: ถ่ายจริง 75% ผสม AI 25%

อีกหนึ่งตัวอย่างในรายงานคือคลิปขายของแนวตั้งความยาวประมาณ 58 วินาที ครีเอเตอร์พูดหน้ากล้อง และใช้กล้องถ่ายหน้าจอมือถือเครื่องจริงด้วยตัวเอง จากนั้นนำคลิปตัวเองพร้อมรูปสินค้า 2 รูปไปป้อนให้แอปเจนวิดีโออย่าง Jimeng สร้างฉากที่มีคนโชว์สินค้าขึ้นมา

รายงานฉบับเต็มแบ่งคลิปนี้ออกเป็น 21 ช็อต สรุปว่าเป็นช็อตถ่ายจริง 15 ช็อต (ถ่าย 2 ฉาก สลับ 4 มุมกล้อง) และเป็นช็อต AI อีก 6 ช็อต เมื่อคิดสัดส่วนตามเวลาจะเป็นถ่ายจริง 75% และ AI 25%

หลักฐานที่ชี้ชัดว่า 6 ช็อตนั้นเป็น AI ได้แก่ ป้ายข้อความ "AI生成" (สร้างด้วย AI) ที่มุมซ้ายบน, ลายน้ำของ Jimeng ที่มุมขวาล่าง และตัวหนังสือภาษาอังกฤษบนกล่องของขวัญ ซึ่งระบบอ่านข้อความจากภาพออกมาได้ว่า I+'s aod to see you agay พอดูออกว่าพยายามเขียนคำอวยพร แต่สะกดผิดเพี้ยนไปทั้งประโยค

ในแผนงานสร้างส่วนที่เป็น AI ขึ้นมาใหม่ ระบบแนะนำให้แยกการเจนทั้ง 6 ช็อตออกเป็น 6 ครั้งผ่านโมเดล Seedance 2.5 โดยในแต่ละรอบจะมีภาพอ้างอิงตัวละคร, คลิปช่วงเดิมสำหรับใช้เป็นต้นแบบการเคลื่อนไหว, พรอมต์สร้างภาพเฟรมแรก และพรอมต์วิดีโอทั้งภาษาจีนและอังกฤษ นอกจากนี้ยังมีคำแนะนำกำกับไว้ด้วย เช่น ช็อตที่ 2 แนะนำให้สั่งเจนยาว 4 วินาทีแล้วค่อยตัดทอนเหลือ 2.8 วินาที เพราะช็อตที่สั้นมากๆ ถ้าสั่งเจนเดี่ยวๆ ภาพมักจะไม่นิ่ง

ส่วนแผนงานสำหรับช็อตถ่ายจริง รายงานระบุให้ใช้แสงนุ่มที่ส่องมาจากทิศทางเดียวกับกล้อง พร้อมแนะนำวิธีจัดไฟแบบง่ายๆ เช่น นั่งหันหน้าเข้าหาหน้าต่าง, ใช้ไฟวงแหวน หรือตั้งโคมไฟ Softbox ขนาดใหญ่ไว้ด้านหลังกล้อง

ด้านเสียง รายงานบอกว่าเพลงประกอบมาจากคลังเพลง ความเร็วอยู่ที่ 114.8 BPM คีย์ F major มีจุดใส่เสียงเอฟเฟกต์ 31 จุด และมีซับไตเติลรวม 300 รายการ

อย่างไรก็ตาม ในภาพรวมทั้งคลิป รายงานประเมินระดับความมั่นใจไว้ที่ 70% แม้รอบนี้จะใช้ทั้งการตรวจไฟล์ ใช้ Gemini ช่วยดูภาพ และให้ Agent ช่วยตรวจเช็กครบทั้ง 21 ช็อตแล้วก็ตาม โดยในบรรทัดสรุปยังระบุไว้ชัดเจนว่า หลักฐานการแยกช็อตถ่ายจริงกับ AI ยังไม่พอ ต้องรอยืนยัน

rea-video แม่นแค่ไหน และใครเป็นคนทดสอบ

ตัวเลขความแม่นยำที่ระบุใน README คำนวณจากเปอร์เซ็นต์ที่ rea-video วิเคราะห์วิธีสร้างของแต่ละช็อตได้ถูกต้อง โดยถ่วงน้ำหนักตามความยาวของช็อต (ช็อตที่ยาวกว่าจะมีผลต่อคะแนนมากกว่าช็อตสั้น)

ผู้พัฒนาแบ่งชุดข้อมูลทดสอบออกเป็นหลายกลุ่ม ได้แก่ ชุดปรับจูนที่ใช้ตอนออกแบบและตั้งกฎ กับชุดทดสอบ Holdout ซึ่งกันไว้ใช้ทดสอบโดยไม่เคยนำมาตั้งกฎมาก่อน (แบ่งเป็นชุด 9 คลิป และ 7 คลิป) ส่วนคอลัมน์ขวาสุดคือคลิปที่ส่งผ่าน WeChat จนผ่านการบีบอัดไฟล์ซ้ำ

ผลการทดสอบชี้ว่า ถ้าเป็นไฟล์ต้นฉบับ แค่โหมดเครื่องมือล้วนที่ทำงานแบบออฟไลน์ก็แม่นยำเกิน 98% แล้ว แต่เมื่อเจอกับคลิปที่ผ่านการบีบอัดซ้ำ ความแม่นยำจะลดลงเหลือ 88.6% เพราะหลักฐานด้าน Noise หายไปกับการบีบอัดข้อมูล จึงต้องใช้ Vision Model หรือให้ Agent ช่วยดูภาพ ความแม่นยำถึงจะกลับขึ้นมาแตะ 99-100%

จุดที่อาจทำให้เข้าใจผิดได้ง่ายคือ ระดับความมั่นใจ 70% ในรายงานคลิปขายของกับตัวเลขความแม่นยำ 98-99% ในตารางนี้เป็นคนละเรื่องกัน โดย 70% คือความมั่นใจที่ระบบประเมินให้เฉพาะคลิปนั้น ส่วนตัวเลขในตารางคือสถิติที่ผู้พัฒนาทดสอบย้อนหลังกับชุดคลิปที่รู้เฉลยอยู่แล้ว

ทั้งนี้ ก่อนจะเชื่อตัวเลขความแม่นยำในตาราง ผู้พัฒนาได้บันทึกข้อจำกัดสำคัญไว้ใน eval/RESULTS.md ซึ่งเราควรรู้ไว้ก่อน:

• ทดสอบเองกับคลิปจำนวนน้อย: ผู้พัฒนาเป็นคนทดสอบเองทั้งหมด และคลิปแต่ละชุดมีจำนวนไม่เกิน 15 คลิป
• ชุดทดสอบ Holdout ชุดแรกไม่ได้เป็นอิสระจริง: ในชุด 9 คลิป ระบบวิเคราะห์พลาดไป 2 จุดในการรันครั้งแรก ผู้พัฒนาจึงนำจุดที่พลาดไปใช้เพิ่มกฎเรื่องเฟรมเรต ส่วนชุด 7 คลิปคือชุดที่นำมารันหลังจากปรับกฎจนลงตัวแล้ว
• ชุดคลิปจาก WeChat เป็นชุดที่ใช้ปรับปรุงระบบ: ผู้พัฒนาปรับแก้กฎหลังจากได้ดูคลิปชุดนี้ไปแล้ว
• การวิเคราะห์เสียงยังไม่แม่นยำ: ในโหมดเครื่องมือล้วน เสียงที่ระบบชี้ว่าเป็นเสียงเอฟเฟกต์ มีที่ถูกจริงเพียงประมาณ 1 ใน 5 เท่านั้น ส่วนที่มาของเพลงตอบถูก 2 ใน 5 และระบบยังแยกเพลงที่ AI เจนออกจากเพลงในคลังด้วยสัญญาณเสียงไม่ได้
• มีคลิปถ่ายจริงในชุดทดสอบเพียง 3 คลิป: ทั้งหมดเป็นคลิปที่ถ่ายด้วยมือถือ 60 เฟรมจาก Douyin หรือ TikTok เวอร์ชันจีน

เริ่มใช้งาน rea-video ด้วยคำสั่งเดียวใน Claude Code

สิ่งที่ต้องเตรียมไว้ในเครื่องมี 3 อย่าง:

• Coding Agent ที่รันคำสั่ง Terminal ได้: เช่น Claude Code หรือ Codex
• ffmpeg: โปรแกรมจัดการไฟล์วิดีโอและเสียงผ่านคำสั่ง
• Python เวอร์ชัน 3.10 ขึ้นไป

เมื่อพร้อมแล้ว ให้สั่งงาน Agent ด้วยข้อความนี้เพียงประโยคเดียว (โดยเปลี่ยนพาธท้ายประโยคให้เป็นที่อยู่ไฟล์วิดีโอในเครื่องของเรา):

Install https://github.com/JuneYaooo/rea-video, then break down this video: /path/to/video.mp4

ตัว Agent จะติดตั้งเครื่องมือ ศึกษาคู่มือการใช้งาน และลงมือแกะโครงสร้างคลิปให้จนเสร็จเรียบร้อย โดยสิ่งที่เราจะได้กลับมามี 3 อย่าง:

• สรุปสั้นๆ บรรทัดเดียว: เช่น 41% AI video + 59% code UI, 8 s of real screen recording, library music at 122 BPM ซึ่งบอกทันทีว่าคลิปนี้ประกอบด้วยวิดีโอ AI 41%, ส่วนกราฟิก UI จากโค้ด 59%, มีภาพอัดหน้าจอจริง 8 วินาที และใช้เพลงจากคลังเพลงที่จังหวะ 122 BPM
• แผนงานสร้างซ้ำ: จัดกลุ่มงานออกเป็น 3 ส่วนชัดเจน คือ ส่วนที่ต้องถ่ายเอง, ส่วนที่ต้องสั่ง AI เจน และส่วนที่ต้องเขียนโค้ด
• ไฟล์รายงาน report.html: แสดงภาพนิ่งของทุกช็อตอย่างละเอียด พร้อมหลักฐานการวิเคราะห์, พรอมต์ที่แกะได้, โน้ตกำกับมุมกล้องและการจัดแสง รวมถึงข้อมูลการแยกแทร็กเสียง

หากต้องการติดตั้งด้วยตัวเองทีละขั้นตอน ใน README มีชุดคำสั่งไว้ดังนี้:

brew install ffmpeg
git clone https://github.com/JuneYaooo/rea-video && cd rea-video
bash scripts/install_skill.sh
rea-video --help

(ถ้าเป็น Linux ที่ใช้ apt ให้เปลี่ยนคำสั่งบรรทัดแรกเป็น sudo apt install ffmpeg) สคริปต์ install_skill.sh จะติดตั้งตัวโปรแกรม พร้อมผูก Skill หรือคู่มือการใช้งานเข้ากับโฟลเดอร์ของ Claude Code, Codex และ Agent อื่นๆ โดยอัตโนมัติ

สิ่งที่ต้องพิจารณาต่อคือ จำเป็นต้องเพิ่ม Vision Model หรือไม่? ถ้าใช้โหมดเครื่องมือล้วน ตัวโปรแกรมจะทำงานแบบออฟไลน์และฟรีทั้งหมด ซึ่งแม่นยำเพียงพออยู่แล้วสำหรับไฟล์ต้นฉบับที่ไม่ได้ผ่านการบีบอัด

แต่ถ้าต้องวิเคราะห์คลิปที่ดาวน์โหลดมาจากแพลตฟอร์มโซเชียลมีเดีย แนะนำให้เชื่อมต่อ Vision Model อย่าง Gemini หรือ Doubao เพิ่มเติม โดยระบุ API Endpoint และ API Key ให้กับ Agent ซึ่งจะมีค่าใช้จ่ายตามอัตราให้บริการของโมเดลนั้น สิ่งที่ได้เพิ่มคือความแม่นยำในการแยกแยะคลิปถ่ายจริง, วิดีโอ AI หรือแอนิเมชัน 3D รวมถึงได้พรอมต์ที่ถอดออกมาครบทุกช็อต แต่ถ้าไม่ได้เชื่อมต่อไว้ แล้ว Agent ของเราเปิดดูภาพได้ ก็จะช่วยเปิดดูภาพช็อตที่ไม่มั่นใจให้เอง

ถ้าไม่มีทั้งสองอย่างและนำไปใช้กับคลิปจากแพลตฟอร์ม ผลลัพธ์ก็อาจคลาดเคลื่อนเหมือนกรณีคลิปแกะกล่องข้างต้น ที่ระบบตัดสินว่าคลิปถ่ายจริงทั้งเรื่องเป็น AI ไปถึง 35%

ด้วยเหตุนี้ คลิปตัวอย่างในโฟลเดอร์ docs/cases/videos/ ของโปรเจกต์เอง ก็ผ่านการบีบอัดเพื่อลดขนาดไฟล์จนแท็กของ TikTok และ Douyin หายไป ถ้านำมารันทดสอบเองโดยไม่เปิดใช้ Vision Model ผลการวิเคราะห์จึงอาจไม่ตรงกับรายงานตัวอย่าง

ทั้งนี้ ตัวรายงานหลักเลือกส่งออกเป็นภาษาอังกฤษหรือภาษาจีนได้ ส่วนเอกสารคู่มือของโปรเจกต์ปัจจุบันยังเป็นภาษาจีน แต่เราสั่งให้ Agent ช่วยอ่านทำความเข้าใจและสรุปรายงานเป็นภาษาไทยได้ทันที

ขั้นตอนนำรายงานไปสร้างคลิปใหม่ของตัวเอง

ในวิดีโอคลิปหนึ่งมักมีช็อตหลายประเภทรวมกัน ซึ่งแต่ละประเภทมีขั้นตอนการผลิตแตกต่างกัน เอกสาร docs/replicate.md จึงแนะนำให้แยกทำทีละประเภท แล้วค่อยให้ Agent ช่วยประกอบกลับเข้าด้วยกันตามไทม์ไลน์เดิม:

ช็อตถ่ายจริง ลงมือถ่ายทำตามแผน: รายงานจะสรุปให้เสร็จสรรพว่าคลิปนี้มีกี่ฉาก แต่ละฉากต้องตั้งกล้องกี่มุม ควรถ่ายมุมไหนก่อน ใช้ขนาดภาพแบบไหน (ถือกล้องถ่ายหรือใช้ขาตั้ง) ทิศทางแสงหลักมาจากทางไหน ต้องใช้ไฟเสริมหรือไม่ และต้องใช้อุปกรณ์อะไรบ้าง โดยช็อตที่ใช้ฉากเดียวกัน รายงานจะจัดกลุ่มให้ถ่ายรวดเดียวจบ แม้ในคลิปจริงช็อตเหล่านั้นจะอยู่คนละช่วงกันก็ตาม

เมื่อถ่ายเสร็จแล้ว ให้ส่งไฟล์ฟุตเทจให้ Agent พร้อมสั่งว่า "ตัดฟุตเทจที่ถ่ายมาลงตามรายการช็อต" ตัว Agent จะตัดคลิปให้ตรงตามตำแหน่งและความยาวของแต่ละช็อต ประกอบกลับลงไทม์ไลน์ และทำคลิปเปรียบเทียบซ้าย-ขวาคู่กับต้นฉบับให้ทันที ส่วนช็อตไหนที่ยังไม่ได้ถ่าย ระบบจะใช้ฟุตเทจต้นฉบับวางแทนไว้ก่อน ทำให้เราทยอยถ่ายทีละฉากแล้วเช็กจังหวะได้ตลอดเวลา

ช็อต AI สั่งเจนตามรอบที่แนะนำ: รายงานจะรวมช็อตต่อเนื่องที่อยู่ในฉากเดียวกันให้สั่งเจนในรอบเดียว พร้อมระบุชื่อโมเดลที่แนะนำ, ภาพอ้างอิงที่ต้องเตรียม (เช่น ภาพคนหรือสินค้า), ชุดพรอมต์แบบหลายช็อตทั้งภาษาจีนและอังกฤษ รวมถึงวิธีเชื่อมฉากให้ต่อเนื่องจากรอบก่อนหน้า

การลงมือทำมี 2 ทางเลือก:

1. ทำด้วยตัวเอง: นำพรอมต์และภาพอ้างอิงไปป้อนในแพลตฟอร์มอย่าง Jimeng หรือ Kling จากนั้นส่งคลิปที่ได้ให้ Agent นำไปวางลงไทม์ไลน์
2. ทำแบบอัตโนมัติ: ใช้เครื่องมือเสริมชื่อ capsule-cinema ที่ต่อ API เรียกโมเดลเจนวิดีโอและวางคลิปลงไทม์ไลน์ให้อัตโนมัติ เพียงสั่ง Agent ว่า "ใช้ capsule-cinema ทำช็อต AI ใหม่" ตัวระบบจะซ้อมรันให้ดูก่อนฟรีหนึ่งรอบ เมื่อเรากดยืนยันจึงจะเริ่มเรียกโมเดลจริงที่เสียค่าบริการ

ข้อสังเกตคือ ระบบอัตโนมัติในปัจจุบันยังเป็นการสั่งเจนทีละช็อต ขณะที่การนำชุดพรอมต์ไปสั่งเจนหลายช็อตด้วยตัวเอง จะช่วยประหยัดโควตาและต้นทุนค่าเจนได้มากกว่า

ช็อตข้อความและ UI ให้ Agent ช่วยเขียนโค้ด: รายงานจะให้ข้อมูลทั้งข้อความ เลย์เอาต์ และจังหวะการเคลื่อนไหวของแต่ละช่วง งานส่วนนี้นำไปสร้างต่อได้ด้วย Remotion โดยสั่ง Agent ว่า "เขียนโปรเจกต์ Remotion ตามรายงาน" ข้อดีคือถ้าภายหลังต้องการแก้ข้อความ ก็แก้เพียงแค่ไฟล์ข้อมูลโดยไม่ต้องรื้อโค้ดใหม่ทั้งหมด

ตัว rea-video ไม่ได้สร้างโปรเจกต์โค้ดนี้ให้โดยตรง แต่เป็นตัว Agent ที่เขียนขึ้นมาตามรายงาน สำหรับใครที่อยากเห็นตัวอย่างว่า Agent ทำคลิปบน Remotion ได้ละเอียดแค่ไหน ดูเพิ่มเติมได้ที่บทความ video-shotcraft ที่ให้ Claude Code ทำคลิปโปรโมตสินค้า

ช็อตเสียง แยกทำ 3 แทร็ก: เสียงบรรยายมีสคริปต์ถอดไว้ให้ในรายงาน จะเลือกอัดเสียงตัวเองหรือใช้ระบบสังเคราะห์เสียงพูดก็ได้ ส่วนเพลงประกอบหาได้จากคลังเพลงตามค่า BPM, คีย์ และแนวเพลงที่ระบุ หรือจะสั่งเจนใหม่ด้วย Suno ก็ได้เช่นกัน จากนั้นค่อยวางเสียงเอฟเฟกต์ตามตารางเวลาที่บันทึกไว้ในรายงาน

เปรียบเทียบ rea-video กับ Hypit: เลือกใช้ตัวไหนดี

Hypit เป็นเครื่องมือที่เน้นป้อนคลิปต้นแบบแล้วโคลนออกมาเป็นคลิปใหม่ให้ทันที โดย Agent ของ Hypit จะแคปเฟรมภาพมาวิเคราะห์ แล้วสั่งโมเดลเจนวิดีโอ (เช่น Seedance, PixVerse, MiniMax หรือ Wan) สร้างฟุตเทจใหม่ขึ้นมาแทนที่ พร้อมเรนเดอร์ซับไตเติลและโมชันกราฟิกด้วย HTML

อย่างไรก็ตาม Hypit ไม่ได้ลงลึกว่าคลิปต้นฉบับผลิตขึ้นมาอย่างไร แม้ต้นฉบับจะเป็นคลิปถ่ายจริง ระบบก็ยังพยายามนำไปแปลงเป็นวิดีโอ AI ทำให้ไม่มีข้อมูลเรื่องการตั้งมุมกล้องหรือการจัดไฟ ในเอกสาร README ของ rea-video จึงเปรียบเทียบไว้ว่า Hypit จะเหมาะมากกับคลิปแนวพูดตามบท เช่น พอดแคสต์หรือคลิปสัมภาษณ์ แต่จะไม่เหมาะกับคลิปที่ต้องตัดต่อตรงตามจังหวะเพลง, คลิปโชว์กราฟิกสินค้า หรือคลิปสั้นแนวภาพยนตร์

ข้อสรุปง่ายๆ คือ ถ้าต้องการสร้างคลิปที่คล้ายกันออกมาอย่างรวดเร็ว ให้เลือกใช้ Hypit แต่ถ้าต้องการถอดรหัสว่าคลิปต้นฉบับผลิตขึ้นมาอย่างไร เพื่อนำมาวางแผนทำซ้ำอย่างประหยัดและถูกต้อง ให้เลือกใช้ rea-video (และนำทั้งสองตัวมาใช้งานร่วมกันได้) ใครที่สนใจรายละเอียดของ Hypit อ่านต่อได้ที่ บทความ Hypit แกะโครงคลิปไวรัล

นำคลิปของคนอื่นมาทำซ้ำได้หรือไม่

คำถามนี้ระบุไว้ชัดเจนในหมวดคำถามที่พบบ่อยของ README ซึ่งผู้พัฒนาตอบสั้นๆ ทันทีว่า "No." (ไม่ได้) พร้อมอธิบายว่า จุดประสงค์ของ rea-video คือการถอดรหัสเพื่อเรียนรู้โครงเรื่อง จังหวะการตัดต่อ และเทคนิคการถ่ายทำ เพื่อให้เรานำไอเดียเหล่านั้นไปสร้างสรรค์ผลงานชิ้นใหม่ด้วยทรัพยากรที่เรามีสิทธิ์ใช้งานอย่างถูกต้อง

เอกสารเน้นย้ำว่า ห้ามนำฟุตเทจเดิม, เพลง, ตัวละคร หรือใบหน้าของบุคคลอื่นมาใช้ซ้ำ และต้องปฏิบัติตามกฎของแต่ละแพลตฟอร์ม รวมถึงข้อกำหนดเรื่องการติดป้ายระบุเนื้อหา AI ในพื้นที่ที่เรานำไปเผยแพร่

นอกจากนี้ เราขอแนะนำเพิ่มเติมว่า อย่าใช้ผลการวิเคราะห์จาก rea-video ไปกล่าวหาใครว่าใช้ AI สร้างผลงาน เพราะรายงานของเครื่องมือนี้เป็นการ 'ประเมินจากหลักฐานทางเทคนิค' ไม่ใช่คำตัดสินเด็ดขาด แม้แต่ในรายงานคลิปขายของตัวอย่างข้างต้น ตัวรายงานเองก็ยังเขียนไว้ว่าหลักฐานยังไม่พอ ต้องรอยืนยัน

เริ่มต้นทดลองจากคลิปที่เรามีเฉลยอยู่แล้ว

วิธีเริ่มต้นทดลองใช้งาน rea-video ให้เห็นภาพและได้ประโยชน์ที่สุด คือการนำคลิปของตัวเราเองมาทดสอบ โดยใช้ไฟล์ต้นฉบับที่ยังไม่ผ่านการบีบอัดของแพลตฟอร์มใดๆ เพราะโหมดใช้งานฟรีแบบออฟไลน์อ่านไฟล์ประเภทนี้ได้แม่นยำสูง

เนื่องจากเราเป็นคนที่รู้เบื้องหลังการถ่ายทำดีที่สุดว่า คลิปนั้นถ่ายทำกี่ฉาก ตั้งกล้องกี่มุม และมีช็อตไหนที่ใช้ AI เจนขึ้นมาบ้าง เมื่อระบบประมวลผลรายงานออกมา เราจะเทียบได้ทันทีว่าผลวิเคราะห์ตรงกับที่เราทำจริงแค่ไหน ก่อนจะนำเครื่องมือนี้ไปใช้แกะคลิปอ้างอิงที่เราอยากเรียนรู้

เพราะเครื่องมือที่วิเคราะห์คลิปที่เราทำเองได้อย่างถูกต้อง คือเครื่องมือที่เราจะมั่นใจได้มากที่สุดเมื่อต้องนำไปใช้วิเคราะห์ผลงานของคนอื่น

ที่มา:

• โปรเจกต์ rea-video บน GitHub
• เอกสารทางการของ rea-video eval results (eval/RESULTS.md)
• เอกสารทางการของ rea-video: remaking a video from the report (docs/replicate.md)
• เอกสารทางการของ rea-video sample report: ai_daihuo (report_en.md)