short-video-generator-AI เป็นโปรเจกต์โอเพนซอร์สบน GitHub ที่เปิดให้ดาวน์โหลดมารันบนเครื่องตัวเองได้ฟรี เพียงแค่วางลิงก์ YouTube ลงไป โปรแกรมก็จะตัดคลิปยาวออกมาเป็นคลิปสั้นแนวตั้ง 9:16 ที่พร้อมโพสต์ให้ทีละหลายคลิป ตัวโปรเจกต์ชูจุดเด่นว่าไม่มีระบบเครดิตรายคลิป ไม่มีลายน้ำ และตั้งใจพัฒนาออกมาเป็นทางเลือกฟรีสำหรับคนที่ไม่อยากจ่ายรายเดือนให้กับบริการอย่าง OpusClip หรือ Vidyo.ai ปัจจุบันโปรเจกต์นี้มียอดกดดาวแล้วประมาณ 1,000 ดาว และมีคนนำโค้ดไปพัฒนาต่ออีก 155 ครั้ง

ครีเอเตอร์ที่มีคลิปยาวอยู่ในช่องเยอะๆ มักเจอปัญหานี้เป็นประจำ เช่น คลิปสัมภาษณ์ยาวหนึ่งชั่วโมง มักมีช่วงไฮไลต์ที่น่าสนใจอยู่หลายจุด แต่การมานั่งไล่ดูทีละนาทีแล้วตัดครอปเป็นแนวตั้งเองนั้นกินเวลามาก ส่วนเครื่องมือตัดคลิปอัตโนมัติก็มักจะต้องเสียค่าบริการรายเดือน แต่ก่อนจะนำเครื่องมือนี้ไปใช้ มีเรื่องสำคัญที่ควรรู้คือ ตัวโปรแกรมใช้วิธีไหนเลือกว่าจะตัดช่วงไหนออกมา เพราะระบบไม่ได้ตัดสินจากภาพในวิดีโอ ซึ่งถ้าเข้าใจหลักการนี้ จะช่วยให้ใช้งานได้ตรงจุดและได้ผลลัพธ์ที่ดีขึ้น

แค่ใส่ลิงก์เดียว ได้คลิปสั้นออกมาหลายคลิป

การใช้งานพื้นฐานง่ายๆ ด้วยคำสั่งเพียงบรรทัดเดียว แค่วางลิงก์คลิปยาวที่ต้องการแล้วกดรัน:

python main.py "https://www.youtube.com/watch?v=video_id"

เมื่อประมวลผลเสร็จแล้ว ระบบจะบันทึกคลิปทั้งหมดไว้ในโฟลเดอร์ output โดยค่าเริ่มต้นจะตัดออกมาให้ 3 คลิปต่อการรันหนึ่งครั้ง นอกจากนี้ ถ้ามีไฟล์วิดีโอเก็บอยู่ในเครื่องอยู่แล้ว ก็สามารถใส่ที่อยู่ของไฟล์แทนลิงก์ YouTube ได้ทันที โดยไม่ต้องเสียเวลาอัปโหลดขึ้นเว็บก่อน

ผลลัพธ์ที่ได้จะเป็นคลิปแนวตั้งขนาด 9:16 พร้อมคำบรรยายในตัว ตัวอย่างที่โปรเจกต์นำมาแสดงเป็นคอนเทนต์ที่มีคนพูดเป็นหลัก ทั้งคลิปสุนทรพจน์และคลิปบรรยายบนเวที TED

AI ไม่ได้เลือกจากภาพ แต่เลือกจากสิ่งที่เราพูด

หลังจากดาวน์โหลดคลิปเสร็จแล้ว ขั้นตอนแรกคือการถอดเสียงพูดเป็นข้อความ ระบบจะใช้ Whisper ผ่านโมเดล faster-whisper ประมวลผลบนเครื่องของคุณเอง จึงไม่ต้องส่งไฟล์เสียงออกไปข้างนอก ผลลัพธ์คือบทพูดที่ระบุเวลาไว้ชัดเจนว่าแต่ละประโยคอยู่ตรงนาทีไหน

จากนั้น LLM โมเดลภาษาในกลุ่มเดียวกับ ChatGPT ที่คุณเลือกใช้ จะเข้ามาอ่านข้อความทั้งหมด เพื่อประเมินก่อนว่าคลิปนี้เป็นคอนเทนต์ประเภทไหน เช่น พอดแคสต์ สัมภาษณ์ คลิปสอน หรือ Vlog รวมถึงวิเคราะห์จังหวะการเล่าเรื่องว่าเร็วหรือช้า เพื่อปรับแนวทางการค้นหาไฮไลต์ให้เข้ากับสไตล์ของคลิปนั้นๆ

เมื่อรู้แนวทางแล้ว LLM จะสแกนข้อความอีกรอบด้วยชุดเกณฑ์ที่โปรเจกต์เรียกว่า Virality Framework เช่น ช่วงต้นคลิปที่ดึงความสนใจหรือ Hook, จุดที่อารมณ์พีก, ความคิดเห็นที่หนักแน่น, การเฉลยประเด็น, ความขัดแย้ง, ประโยคเด็ดที่ชวนแชร์ต่อ, จุดไคลแมกซ์ของเรื่องเล่า และเนื้อหาที่มีประโยชน์และนำไปใช้ได้จริง โดยช่วงเวลาที่ตรงกับเกณฑ์เหล่านี้จะได้คะแนนตั้งแต่ 0 ถึง 100

ถ้าบางช่วงที่ได้คะแนนมีเนื้อหาทับซ้อนกัน ระบบจะรวมช่วงเหล่านั้นแล้วเก็บช่วงที่ได้คะแนนสูงสุดไว้ จากนั้นจะดึงไฮไลต์ออกมาตามจำนวนคลิปที่เรากำหนดผ่านตัวเลือกคำสั่ง --n แล้วจึงเข้าสู่ขั้นตอนสุดท้าย คือการครอปวิดีโอเป็นแนวตั้งตามอัตราส่วนที่ต้องการ พร้อมใส่ประโยค Hook ที่ AI แต่งขึ้นมาไว้ที่ต้นคลิป

จุดที่ชวนเข้าใจผิดคือคำว่า "หาช่วงไวรัล" ฟังดูเหมือน AI นั่งดูภาพแล้วรู้เองว่าช่วงไหนน่าสนใจ แต่ตามขั้นตอนการทำงานที่โปรเจกต์วางไว้ ระบบจะเลือกช่วงจากบทพูด หมายความว่า คลิปที่เน้นภาพเป็นหลัก เช่น รีวิวสินค้า สอนทำอาหาร หรือการสาธิตหน้าจอ เครื่องมือนี้จะวิเคราะห์ได้ยากกว่าคลิปสัมภาษณ์หรือคลิปที่มีคนนั่งพูดคุยกัน ขั้นตอนการถอดเสียงจึงเป็นตัวกำหนดตั้งแต่แรกว่าจะมีเนื้อหาส่วนไหนให้เลือกตัดบ้าง ทั้งนี้ แนวคิดการทำงานเป็นขั้นตอนแบบนี้ไม่ได้มีแค่โปรเจกต์นี้ตัวเดียว เครื่องมืออย่าง AutoClip ก็ใช้กระบวนการ 7 ขั้นตอนในการตัดคลิปไฮไลต์เช่นกัน แต่เปิดให้ผู้ใช้ปรับแต่งรายละเอียดในแต่ละขั้นตอนได้มากกว่า

วิธีติดตั้งบนเครื่องและเลือกโมเดล AI

สิ่งที่คุณต้องเตรียมไว้ก่อนติดตั้งมี 2 อย่าง คือ Python เวอร์ชัน 3.10 ขึ้นไป และ API Key ของ LLM สำหรับเรียกใช้โมเดล AI

ขั้นตอนการติดตั้งทำได้โดยเปิดเทอร์มินัลแล้วพิมพ์คำสั่งตามนี้:

git clone https://github.com/pierrenade/short-video-generator-AI.git
cd short-video-generator-AI
python -m venv venv
pip install -r requirements.txt

(หมายเหตุ: หลังจากรันคำสั่ง python -m venv venv ให้เปิดใช้งาน virtual environment ตามระบบปฏิบัติการของคุณก่อน แล้วค่อยรันคำสั่ง pip install)

จากนั้นสร้างและตั้งค่าไฟล์ .env สำหรับเก็บ API Key และกำหนดค่าการทำงานของ Whisper:

LLM_PROVIDER=gemini
GEMINI_API_KEY=your_gemini_key_here
LOCAL_WHISPER_MODEL=base
LOCAL_WHISPER_DEVICE=auto

ตัวเลือก LLM_PROVIDER ใช้กำหนดว่าจะให้ AI เจ้าไหนช่วยอ่านบทพูด แม้ตัวโปรเจกต์นี้จะเป็นโอเพนซอร์สที่ใช้งานได้ฟรี แต่ขั้นตอนการจัดอันดับไฮไลต์ยังต้องใช้โควตาหรือจ่ายค่าบริการให้กับผู้ให้บริการโมเดลอยู่ดี โดยโปรเจกต์รองรับ 3 เจ้าหลัก:

• Gemini: มีโควตาให้ใช้งานฟรีต่อวัน เหมาะกับคนที่ต้องการทดลองใช้งานโดยยังไม่อยากเสียเงิน ขอรับ API Key ได้ที่ Google AI Studio
• OpenAI: ไม่มีแพ็กเกจฟรี ต้องจ่ายเงินอย่างเดียว เหมาะสำหรับคนที่มีบัญชีอยู่แล้ว ขอรับ API Key ได้ที่ OpenAI Platform
• MuAPI: ไม่มีแพ็กเกจฟรีเช่นกัน แต่คิดเงินตามการใช้งานจริงโดยไม่ต้องสมัครสมาชิกรายเดือน เหมาะกับคนที่ตัดคลิปเป็นครั้งคราว ไม่ได้ทำทุกวัน ดูรายละเอียดได้ที่ MuAPI

สำหรับ LOCAL_WHISPER_MODEL คุณสามารถเลือกรุ่นโมเดลสำหรับถอดเสียงได้ตามต้องการ โดยค่าเริ่มต้นคือ base และไล่ขึ้นไปได้ถึง large-v3 ส่วน LOCAL_WHISPER_DEVICE เลือกได้ระหว่าง auto, cpu หรือการ์ดจอแยกอย่าง cuda ตามเครื่องที่ใช้

ตัวเลือกคำสั่งที่ควรรู้ก่อนกดรันจริง

เมื่อทดลองรันครั้งแรกผ่านแล้ว คุณสามารถปรับแต่งการทำงานเพิ่มเติมได้ด้วยตัวเลือกคำสั่ง 5 ตัวต่อไปนี้:

ตัวอย่างการรันคำสั่งพร้อมระบุตัวเลือก:

python main.py "https://www.youtube.com/watch?v=video_id" \
  --n 3 \
  --ratio 9:16 \
  --resolution 1080

ตัวเลือกคำสั่ง 2 ตัวที่ควรพิจารณาก่อนรันคือ:

1. --language: สำคัญมาก เพราะขั้นตอนทั้งหมดต้องพึ่งพาบทพูดที่ถอดเสียงออกมา หากปล่อยเป็น auto แล้วระบบจับภาษาเพี้ยน ไฮไลต์ที่ได้ก็จะผิดพลาดตามไปด้วย การระบุรหัสภาษาไปตรงๆ จึงเป็นจุดแรกที่ควรตรวจสอบหากผลลัพธ์ออกมาไม่ถูกต้อง
2. --no-hook: ถ้าช่องของคุณมีสไตล์การเปิดคลิปของตัวเองอยู่แล้ว ใช้ตัวเลือกนี้ปิดประโยค Hook ที่ AI แต่งให้ แล้วเปิดคลิปด้วยเนื้อหาจริงเลยจะดูเป็นธรรมชาติกว่า

มีหน้าเว็บในเครื่องสำหรับคนไม่อยากพิมพ์คำสั่ง

ถ้าคุณไม่ถนัดพิมพ์คำสั่งในเทอร์มินัล ตัวโปรเจกต์ก็มีหน้าเว็บควบคุมในเครื่อง (Local UI) ให้ใช้งานได้เช่นกัน โดยต้องรันคำสั่งแยกกัน 2 ส่วน:

เริ่มจากรันเซิร์ฟเวอร์หลัก:

python3 server.py

จากนั้นเปิดอีกหน้าต่างเพื่อรันเซิร์ฟเวอร์หน้าเว็บ:

cd web
python3 -m http.server 8000

เสร็จแล้วเปิดเบราว์เซอร์ไปที่ http://localhost:8000/shorts-generator-ui.html หน้านี้จะช่วยให้คุณวางลิงก์และปรับตั้งค่าตัวเลือกต่างๆ ผ่านหน้าเว็บได้สะดวกขึ้น

แต่หน้าเว็บนี้ช่วยเรื่องความสะดวกในการกดตัดคลิปทั่วไปเท่านั้น ส่วนการตั้งค่า API Key หรือเปลี่ยนผู้ให้บริการโมเดล ยังคงต้องเข้าไปแก้ไขในไฟล์ .env อยู่ดี ในขั้นตอนการติดตั้งครั้งแรกจึงยังต้องเปิดเทอร์มินัลมาตั้งค่าอยู่เหมือนเดิม

ข้อจำกัดและจุดที่ต้องรู้ก่อนใช้

• ฟีเจอร์พากย์เสียงและแปลภาษา: แม้หน้าโปรเจกต์จะระบุว่าทำได้ครบทั้งใส่ซับ แปลภาษา และพากย์เสียงในตัว แต่ขั้นตอนที่อธิบายไว้เป็นข้อๆ มีทั้งการดาวน์โหลด ถอดเสียง จัดอันดับไฮไลต์ และครอปวิดีโอเป็นแนวตั้ง ถ้าคุณตั้งใจจะนำมาใช้พากย์เสียงภาษาไทยเป็นหลัก แนะนำให้เข้าไปดูของจริงในหน้าโปรเจกต์ก่อน ไม่ควรตัดสินใจจากคำโปรยสรุปเพียงอย่างเดียว
• สถานะของโปรเจกต์: แม้จะมีคนกดดาวถึง 1,000 ดาว แต่ประวัติการพัฒนามีการอัปเดตโค้ดเพียง 12 ครั้งจากผู้พัฒนาคนเดียว ข้อดีคือโค้ดอยู่ในมือคุณ และหน้าโปรเจกต์เปิดให้นำโค้ดไปพัฒนาต่อในงานของตัวเองได้ภายใต้สัญญาอนุญาต MIT ซึ่งเป็นข้อตกลงใช้งานแบบโอเพนซอร์ส ข้อเสียคือไม่มีใครรับประกันว่าจะมีคนมาแก้บั๊กหรือพัฒนาต่อให้
• ต้นทุนที่ย้ายไปอยู่ส่วนอื่น: ค่าใช้จ่ายไม่ได้หายไปไหน แต่ย้ายจากค่าสมาชิกรายเดือนของบริการตัดคลิปมาเป็นค่า API ของ LLM ตามปริมาณการใช้งานจริง รวมถึงทรัพยากรเครื่องและเวลาที่ใช้ในการถอดเสียงและเรนเดอร์ สำหรับคนที่ต้องตัดคลิปทุกวันเป็นจำนวนมาก การจ่ายเหมาแบบรายเดือนอาจจะคุ้มกว่า แต่สำหรับคนที่ตัดคลิปยาวเพียงเดือนละไม่กี่คลิป การจ่ายตามการใช้งานจริงจะประหยัดกว่ามาก

คลิปที่ได้เป็นเพียงตัวช่วยคัดกรอง ไม่ใช่คำตอบสุดท้าย

เครื่องมือประเภทนี้ไม่ได้การันตีว่าคลิปที่ตัดออกมาจะกลายเป็นไวรัล ตัวโปรแกรมเพียงแค่ช่วยสแกนบทพูดทั้งหมดในคลิปยาว แล้วหาว่าช่วงไหนมีเนื้อหาเข้าเกณฑ์ที่กำหนดไว้มากที่สุด

คลิปที่ได้จึงเปรียบเสมือน "รายชื่อคลิปที่ผ่านเข้ารอบ" เท่านั้น สุดท้ายแล้วคนที่ต้องดูและตัดสินใจเลือกคลิปไปโพสต์จริงก็ยังเป็นคุณอยู่ดี เพียงแต่เครื่องมือนี้ช่วยย่นเวลา จากเดิมที่ต้องนั่งไล่ดูไทม์ไลน์ยาวเป็นชั่วโมง มาเป็นการเลือกจาก 3 คลิปที่คัดมาให้แล้วแทน

ที่มา: โปรเจกต์ short-video-generator-AI บน GitHub