AI ตัดต่อวิดีโอทำงานยังไง? เบื้องหลังที่มือโปรใช้จริง

AI ตัดต่อวิดีโอทำงานยังไง? เบื้องหลังที่มือโปรใช้จริง

Your editor isn't cutting video anymore — it's reading it. (โปรแกรมตัดต่อไม่ได้ "ตัด" วิดีโออีกต่อไป แต่มัน "อ่าน" วิดีโอของคุณ) ทุกวันนี้คุณลบประโยคในข้อความ แล้ววิดีโอช่วงนั้นก็หายไปจาก timeline เอง บทความนี้จะแกะเบื้องหลังทีละขั้น เพื่อให้คุณเข้าใจว่าเครื่องมือทำงานอย่างไร และเอาไปใช้ในงานจริงได้ทันที

TL;DR: AI ตัดต่อวิดีโอทำงานโดยถอดเสียงเป็นข้อความพร้อมเวลาของทุกคำ (เช่น Whisper) แล้วผูกแต่ละคำกับ timecode บน timeline เมื่อคุณลบข้อความ โปรแกรมจะตัดภาพและเสียงช่วงนั้นให้ ส่วนโมเดลวิชันและ segmentation ช่วยแยกฉากและวัตถุ และโมเดล diffusion ช่วยซ่อมช่วงสั้นๆ AI ทำร่างแรกได้เร็วมาก แต่คนยังต้องตรวจและตัดสินใจขั้นสุดท้าย

Key Facts ที่คนส่วนใหญ่ไม่รู้

• OpenAI Whisper, the speech model behind many AI transcript-based cutting tools, was trained on 680,000 hours of audio covering 98 languages (OpenAI, Sept 2022). Its word-level timestamps are what let you delete a sentence in the text and have the matching video cut.
• Meta's SAM 2 (July 2024) was trained on the SA-V dataset, with about 50,900 videos and 642,600 masklets (object tracks). It tracks objects across frames at roughly 44 fps. This kind of video segmentation is the basis of AI rotoscoping and tools like Resolve's Magic Mask.
• Adobe Premiere Pro's Generative Extend (beta in 2025, Firefly Video Model) can add up to 2 seconds of video and up to 10 seconds of ambient audio to a clip. It is built to patch a short gap in a shot, not to create new scenes.

ทำไมต้องเข้าใจเบื้องหลังของ AI ตัดต่อ?

เพราะคนที่รู้ว่าเครื่องมือทำงานอย่างไร จะรู้ด้วยว่าควรเชื่อผลลัพธ์ตรงไหน และต้องตรวจตรงไหน งานตัดต่อกินเวลามาก โดยเฉพาะการไล่ฟังหาคำพูดที่พลาด ตัดช่วงเงียบ และจัดจังหวะ งานเหล่านี้ AI ทำร่างแรกให้ได้ในไม่กี่นาที ถ้าคุณเข้าใจกลไก คุณจะป้อนไฟล์และตั้งค่าได้ถูก ผลลัพธ์จึงดีตั้งแต่รอบแรก

Whisper ถูกฝึกด้วยเสียงถึง 680,000 ชั่วโมง ครอบคลุม 98 ภาษา และ word-level timestamps ของมันคือเหตุผลที่คุณลบประโยคในข้อความแล้ววิดีโอที่ตรงกันถูกตัดตามได้

ถ้าคุณทำคอนเทนต์เป็นประจำ ลองอ่าน วิธีใช้ AI ช่วยสร้าง Content Marketing (2026) ควบคู่กัน เพื่อดูว่าวิดีโอเข้ากับแผนคอนเทนต์ทั้งหมดอย่างไร

สิ่งที่ต้องเตรียมก่อนเริ่ม

คุณต้องมีของ 5 อย่างนี้ก่อนเริ่มตัดต่อด้วย AI:

• ไฟล์วิดีโอต้นฉบับ ที่เสียงชัด พูดคนละช่วงไม่ซ้อนกันมาก
• คอมพิวเตอร์ที่มีพื้นที่ว่างพอ เพราะต้องสร้างไฟล์ proxy เพิ่ม
• โปรแกรมตัดต่อที่มีฟีเจอร์ AI เช่น Descript สำหรับตัดจากข้อความ หรือ DaVinci Resolve / Premiere Pro
• บัญชีเครื่องมือเจนวิดีโอ อย่าง Runway หรือ Pika ถ้าต้องการแก้ภาพหรือทำเอฟเฟกต์
• สคริปต์หรือโครงเรื่องคร่าวๆ เพื่อใช้ตัดสินว่าเทคไหนควรเก็บ

AI ตัดต่อวิดีโอทำงานกี่ขั้นตอน? (8 ขั้นตอนโดยละเอียด)

โดยรวมมี 8 ขั้นตอน ตั้งแต่เตรียมไฟล์ไปจนถึงตรวจรอบสุดท้าย แต่ละเครื่องมืออาจเรียกชื่อต่างกัน แต่หลักการข้างในคล้ายกัน

ขั้นที่ 1: Ingest และสร้าง Proxy

โปรแกรมตัดต่อจะสร้างไฟล์ proxy ความละเอียดต่ำและดึงแทร็กเสียงออกมา เพื่อให้ AI วิเคราะห์ได้เร็วโดยไม่ต้องแตะไฟล์กล้องต้นฉบับ สิ่งที่คุณทำได้คือเลือกตัวเลือก "Create proxy" ตอนนำเข้าไฟล์ และใช้ไฟล์ต้นฉบับตอนเอาต์พุตสุดท้ายเท่านั้น

ขั้นที่ 2: แปลงเสียงเป็นข้อความ (Speech-to-Text)

โมเดล ASR อย่าง Whisper จะแบ่งเสียงเป็นช่วงสั้นๆ ช่วงละ 30 วินาที แล้วส่งข้อความออกมาพร้อม timestamp ของแต่ละคำ ให้เลือกภาษาไทยให้ตรงก่อนถอดเสียง และตรวจชื่อเฉพาะหรือคำศัพท์เทคนิคอีกรอบ เพราะเป็นจุดที่พลาดบ่อย

ขั้นที่ 3: ตรวจจับส่วนที่ต้องเก็บกวาด

ระบบสแกนทรานสคริปต์เพื่อหาคำฟุ่มเฟือย (เอ่อ, อืม, um, uh) เทคที่พูดซ้ำ และช่วงเงียบที่วัดจากเกณฑ์ระดับเสียง แต่ละจุดจะได้เวลาเริ่มและสิ้นสุดของตัวเอง DaVinci Resolve 20 (เมษายน 2025) เพิ่ม AI IntelliCut สำหรับลบช่วงเงียบ พร้อม AI Audio Assistant และซับไตเติลแบบเคลื่อนไหว งานร่างหยาบจำนวนมากจึงรันบนเครื่องใน Studio ได้เลย

ขั้นที่ 4: ผูกข้อความกับ Timeline

ทุกคำถูกผูกกับ timecode เมื่อคุณลบข้อความ โปรแกรมจะ ripple-delete ช่วงภาพและเสียงที่ตรงกันบน timeline ให้ ฟีเจอร์ตัดต่อจากทรานสคริปต์เริ่มมีใน DaVinci Resolve 18.5 (2023) และเป็นหัวใจของ Descript วิธีใช้คือเปิดทรานสคริปต์ ไฮไลต์ส่วนที่ไม่ต้องการ แล้วกดลบ จากนั้นเล่นทวนทุกรอยต่อ

ขั้นที่ 5: วิเคราะห์ช็อตและฉาก

โมเดลวิชันจะสุ่มเฟรมมาสร้าง embedding และตรวจจับการเปลี่ยนฉาก ใบหน้า และผู้พูด นี่คือวิธีที่ auto-reframe และการสลับกล้อง multicam ตัดสินว่าจะโชว์ใคร ถ้าจะแปลงวิดีโอแนวนอนเป็นแนวตั้งสำหรับโซเชียล ให้ใช้ auto-reframe แล้วตรวจว่าใบหน้าไม่หลุดกรอบ

ขั้นที่ 6: แยกวัตถุด้วย Masking

โมเดล segmentation สไตล์ SAM 2 รับการคลิกหรือลากพู่กันบนเฟรมเดียวเป็น prompt แล้วขยายมาสก์ไปข้างหน้าและข้างหลังโดยใช้ความจำของเฟรมก่อนหน้า Meta เปิดตัว SAM 2 ในเดือนกรกฎาคม 2024 และฝึกด้วยชุดข้อมูล SA-V ที่มีวิดีโอราว 50,900 คลิป กับ masklets 642,600 ชุด ติดตามวัตถุได้ราว 44 เฟรมต่อวินาที เทคนิคนี้เป็นฐานของ AI rotoscoping เช่น Magic Mask ใน Resolve ให้คลิกที่วัตถุ 1-2 จุด ดูมาสก์ แล้วเพิ่มจุดแก้ตรงที่หลุด

ขั้นที่ 7: ซ่อมภาพด้วย Generative

โมเดล video diffusion จะใช้เฟรมก่อนและหลังช่องว่างเป็นเงื่อนไข แล้วสังเคราะห์เฟรมที่หายไป Generative Extend ของ Adobe Premiere Pro (เบต้าในปี 2025 ใช้ Firefly Video Model) เพิ่มวิดีโอได้สูงสุด 2 วินาที และเสียงบรรยากาศสูงสุด 10 วินาที เหมาะกับการปะช่องสั้นๆ ในช็อต ไม่ใช่การสร้างฉากใหม่ AI ลบวัตถุก็ทำงานด้วยหลักการเดียวกัน และผลลัพธ์ยาวได้แค่ไม่กี่วินาที

ส่วน Aleph ของ Runway (กรกฎาคม 2025) เป็นโมเดลตัดต่อแบบ in-context คุณป้อนคลิปที่มีอยู่พร้อมข้อความสั่ง เช่น เปลี่ยนสภาพอากาศ ลบวัตถุ หรือเปลี่ยนมุมกล้อง โมเดลจะแก้ฟุตเทจเดิมแทนที่จะสร้างคลิปใหม่ตั้งแต่ศูนย์

ขั้นที่ 8: ตรวจรอบสุดท้ายโดยคน

คนตัดต่อต้องตรวจจังหวะ รอยตัด และพื้นที่ที่ AI สร้าง เพื่อหาภาพเพี้ยน (artifact) จากนั้นจึงใส่คำบรรยาย ปรับเสียง แต่งสี และเอาต์พุต AI ทำร่างแรก คนเป็นผู้ทำให้เสร็จ อย่าข้ามขั้นนี้ เพราะข้อผิดพลาดเล็กๆ เช่น มือเบลอหรือเสียงต่อไม่สนิท ผู้ชมสังเกตเห็นได้เร็วกว่าที่คิด

เคล็ดลับและ Prompt ที่ใช้งานได้จริง

เคล็ดลับที่ได้ผลที่สุดคือสั่งงานให้เจาะจง บอกสิ่งที่ต้องเปลี่ยนและสิ่งที่ต้องคงไว้ ตัวอย่าง prompt สำหรับเครื่องมืออย่าง Runway Aleph:

• "เปลี่ยนท้องฟ้าจากแดดจ้าเป็นฝนตกปรอยๆ ช่วงเย็น คงตำแหน่งตัวละครและการเคลื่อนไหวกล้องเดิมทุกอย่าง"
• "ลบถุงพลาสติกบนโต๊ะด้านขวาออก เติมพื้นผิวโต๊ะไม้ให้ต่อเนื่อง ห้ามเปลี่ยนสิ่งอื่นในเฟรม"
• "เปลี่ยนเป็นมุมกล้องที่ต่ำลงเล็กน้อย รักษาแสงและสีผิวของนักแสดงให้เหมือนเดิม"

สำหรับ Descript ให้ตั้งค่าลบคำฟุ่มเฟือยอัตโนมัติ แต่เก็บช่วงหยุดสั้นๆ ไว้ เพื่อให้เสียงฟังเป็นธรรมชาติ ส่วน Pika เหมาะกับเอฟเฟกต์และคลิปสั้นสำหรับโซเชียล ใช้ทดลองไอเดียเร็วๆ ก่อนลงแรงจริง

อยากประหยัดเวลาต่อไป ดู วิธีใช้ AI Automate งานประจำวัน ประหยัดเวลาได้จริง (2026) เพื่อต่อยอดขั้นตอนซ้ำๆ ให้ทำงานเองอัตโนมัติ

ข้อผิดพลาดที่พบบ่อยและวิธีแก้

• เสียงมีเสียงรบกวนเยอะ ทำให้ถอดเสียงผิด: ลดเสียงรบกวนก่อนถอดเสียง และตรวจทานทรานสคริปต์ภาษาไทยทุกครั้ง
• ลบช่วงเงียบจนจังหวะแน่นเกินไป: ตั้งเกณฑ์ให้หลวมขึ้น และเว้นช่วงหยุดสั้นๆ หลังประโยคสำคัญ
• คาดหวังให้ Generative สร้างฉากยาว: เครื่องมืออย่าง Generative Extend ทำได้แค่ปะช่องสั้นๆ ถ้าต้องการฉากใหม่ ให้ถ่ายเพิ่มหรือใช้เครื่องมือเจนวิดีโอแยกต่างหาก
• มาสก์วัตถุหลุดเมื่อวัตถุถูกบัง: เพิ่มจุดคลิกแก้บนเฟรมที่หลุด แล้วให้ระบบขยายใหม่
• เชื่อ auto-reframe ทั้งหมด: ดูทุกช็อตที่มีหลายคนในเฟรม เพราะระบบอาจเลือกผู้พูดผิด
• ข้ามรอบตรวจสุดท้าย: ดูวิดีโอจบรอบเต็มด้วยหูฟัง และตรวจทุกจุดที่ AI สร้างหรือแก้

AI Tools แนะนำสำหรับตัดต่อวิดีโอ

• Runway ($12-76/เดือน): เหมาะกับครีเอเตอร์ นักทำหนัง และวิดีโอการตลาด มีโมเดลแก้ฟุตเทจอย่าง Aleph
• Pika (ฟรี/$10 ต่อเดือน): เหมาะกับคลิปสั้น คอนเทนต์โซเชียล และเอฟเฟกต์วิดีโอ
• Descript (ฟรี/$24 ต่อเดือน): เหมาะกับพอดแคสต์ นักตัดต่อ และครีเอเตอร์ที่อยากตัดวิดีโอจากข้อความ

ดูเครื่องมือเพิ่มเติมได้ที่หมวด AI Tools และคู่มือแนวทำตามขั้นตอนในหมวด AI How-To

คำถามที่พบบ่อย (FAQ)

AI ตัดต่อวิดีโอจากข้อความได้อย่างไร?

A: โมเดลถอดเสียงอย่าง Whisper สร้างข้อความพร้อมเวลาของแต่ละคำ แล้วโปรแกรมผูกแต่ละคำกับ timecode บน timeline เมื่อคุณลบข้อความ โปรแกรมจะตัดภาพและเสียงช่วงเดียวกันให้อัตโนมัติ

Generative Extend ของ Premiere Pro สร้างฉากใหม่ได้ไหม?

A: ไม่ได้ ฟีเจอร์นี้ออกแบบมาปะช่องสั้นๆ ในช็อต โดยเพิ่มวิดีโอได้สูงสุด 2 วินาที และเสียงบรรยากาศสูงสุด 10 วินาที

Runway Aleph ต่างจากเครื่องมือเจนวิดีโอทั่วไปอย่างไร?

A: Aleph เป็นโมเดลตัดต่อแบบ in-context คุณให้คลิปเดิมพร้อมข้อความสั่ง เช่น เปลี่ยนสภาพอากาศ ลบวัตถุ หรือเปลี่ยนมุมกล้อง แล้วโมเดลแก้ฟุตเทจนั้นแทนการสร้างคลิปใหม่ตั้งแต่ต้น

เริ่มต้นตัดต่อด้วย AI ควรใช้เครื่องมืออะไรก่อน?

A: ถ้าเน้นพูดหน้ากล้องหรือพอดแคสต์ ให้เริ่มที่ Descript ซึ่งมีแผนฟรี ถ้าต้องการทำคลิปสั้นและเอฟเฟกต์ ลอง Pika ส่วนงานที่ต้องแก้ฟุตเทจหรือทำวิดีโอการตลาด Runway เหมาะกว่า

อยากให้วิดีโอที่ตัดเสร็จเข้าถึงคนมากขึ้น อ่านต่อที่ วิธีใช้ AI ทำ SEO ให้เว็บติดอันดับ Google (2026)

ตอนต่อไป: AI ทำ 80% แรกของงานตัดต่อได้ในไม่กี่นาที แต่ยังมีการตัดสินใจหนึ่งอย่างที่มันพลาดแทบทุกครั้ง และมันคือสิ่งที่ตัดสินว่าผู้ชมจะดูต่อหรือไม่ ติดตามในวิดีโอถัดไปว่าคืออะไร

อัปเดตล่าสุด: 05 October 2026 บน AiDevThai

Originally published on AI Dev Thai. Daily AI tutorials, coding guides, and tech insights in Thai.