เมื่อวานนั่งเล่น Dev.to เพลินๆ ไปเจอโพสต์หนึ่งของคนทำโปรเจกต์ solo เขาเล่าว่าให้ Claude Code สร้างวิดีโอเดโม่สินค้าให้ โดยไม่ต้องเปิด screen recorder ไม่ต้องเปิด video editor ไม่ต้องอัดเสียงพากย์เองเลยแม้แต่นาทีเดียว สะดุดตาตรงที่เขาบอกว่ามัน "sync เสียงพากย์กับภาพบนหน้าจอได้ตรงจุดแบบเป๊ะๆ" ซึ่งปกติเราต้องมานั่งลากคลิปใน timeline เองทั้งคืน แค่นี้ก็อยากเอามาแชร์ให้เพื่อนๆ ในกลุ่มลองดูแล้ว
รายละเอียดที่เขาเล่ามันเจ๋งตรงที่ agent มันไม่ได้แค่บันทึกหน้าจอแบบ dumb recording แต่มันเขียน Playwright script เพื่อขับเคลื่อนเว็บแอปจริงๆ เช่น เปิดเว็บ กรอกข้อมูลใน wizard 10 ขั้นตอนด้วยเคสจำลอง กด submit แล้วก็บันทึกผลลัพธ์แบบ headless ตรงๆ กลายเป็นไฟล์วิดีโอเลย ที่สำคัญมัน inject เคอร์เซอร์ปลอมที่เลื่อนไปมาระหว่าง elements ให้ด้วย เพราะ headless มันไม่มีเมาส์จริง ส่วนเสียงพากย์มันเรียก ElevenLabs API เพื่อสังเคราะห์เสียง แล้วตัด narration ออกเป็นประโยคๆ ต่อจากนั้นมัน log timestamp ของทุก key moment เช่นตอนกด submit ที่ 46.83 วินาที หรือตอนผลลัพธ์แสดงที่ 68.73 วินาที แล้วใช้ ffmpeg วางเสียงแต่ละท่อนลงไปตรง timestamp นั้นพอดี ผลคือพอเสียงพูดว่า "open any trial" ภาพบนจอก็กำลังเปิด trial พอดีเป๊ะ ไม่ต้องมานั่งปรับเอง
ส่วนตัวผมว่าจุดที่ว้าวที่สุดคือแนวคิดที่ว่า "การทำวิดีโอเดโม่กลายเป็นสิ่งที่เราขอให้มันทำ แทนที่จะเป็นสิ่งที่เราต้องผลิตเอง" มันเปลี่ยน workflow จาก 4 ขั้นตอน manual ที่ต้องมีสกิลคนทำ กลายเป็นโค้ดล้วนๆ ที่ rerun ได้เรื่อยๆ ถ้าสินค้าเปลี่ยนก็แค่รันใหม่ ได้วิดีโอใหม่ที่ซิงค์ใหม่อัตโนมัติ อันนี้เห็นด้วยเต็มๆ เพราะผมเองก็เคยนั่งอัด OBS แล้วพลาดคลิกนู่นนิดนึงต้องถ่ายใหม่ทั้งเทค โคตรเสียเวลา แต่ที่ผมยังกังวลคือเรื่องคุณภาพเสียงพากย์จาก TTS มันจะฟังดูเป็นธรรมชาติจริงขนาดไหน โดยเฉพาะกับคำศัพท์เฉพาะทางอย่าง "clinical trial" หรือ "synthetic case" แล้วก็สงสัยว่าถ้าโปรเจกต์ซับซ้อนขึ้น ตัว agent จะยังจัดการกับความไม่แน่นอนอย่างหน้าเว็บโหลดช้าหรือ element ขยับได้เองแบบนี้ได้อยู่มั้ย หรือจะพังแล้วต้องมานั่ง debug เอง
เพื่อนๆ คนไหนที่ลองใช้ Claude Code หรือ agent ตัวอื่นทำอะไรแบบนี้บ้าง? แล้วถ้าต้องเลือก ระหว่างให้ AI ทำวิดีโอเดโม่ที่เสียงพากย์ฟังดู "เนียนแต่ไม่เป็นมนุษย์" กับนั่งทำเองครึ่งวันเพื่อให้ได้เสียงพากย์ที่อินเนอร์สุดๆ เพื่อนจะเลือกแบบไหน? หรือมีใครเจอ trick ให้มันจัดการเรื่อง sync audio แบบนี้กับงานอื่นๆ ที่ไม่ใช่วิดีโอเดโม่บ้าง มาแชร์กันหน่อย
รายละเอียดที่เขาเล่ามันเจ๋งตรงที่ agent มันไม่ได้แค่บันทึกหน้าจอแบบ dumb recording แต่มันเขียน Playwright script เพื่อขับเคลื่อนเว็บแอปจริงๆ เช่น เปิดเว็บ กรอกข้อมูลใน wizard 10 ขั้นตอนด้วยเคสจำลอง กด submit แล้วก็บันทึกผลลัพธ์แบบ headless ตรงๆ กลายเป็นไฟล์วิดีโอเลย ที่สำคัญมัน inject เคอร์เซอร์ปลอมที่เลื่อนไปมาระหว่าง elements ให้ด้วย เพราะ headless มันไม่มีเมาส์จริง ส่วนเสียงพากย์มันเรียก ElevenLabs API เพื่อสังเคราะห์เสียง แล้วตัด narration ออกเป็นประโยคๆ ต่อจากนั้นมัน log timestamp ของทุก key moment เช่นตอนกด submit ที่ 46.83 วินาที หรือตอนผลลัพธ์แสดงที่ 68.73 วินาที แล้วใช้ ffmpeg วางเสียงแต่ละท่อนลงไปตรง timestamp นั้นพอดี ผลคือพอเสียงพูดว่า "open any trial" ภาพบนจอก็กำลังเปิด trial พอดีเป๊ะ ไม่ต้องมานั่งปรับเอง
ส่วนตัวผมว่าจุดที่ว้าวที่สุดคือแนวคิดที่ว่า "การทำวิดีโอเดโม่กลายเป็นสิ่งที่เราขอให้มันทำ แทนที่จะเป็นสิ่งที่เราต้องผลิตเอง" มันเปลี่ยน workflow จาก 4 ขั้นตอน manual ที่ต้องมีสกิลคนทำ กลายเป็นโค้ดล้วนๆ ที่ rerun ได้เรื่อยๆ ถ้าสินค้าเปลี่ยนก็แค่รันใหม่ ได้วิดีโอใหม่ที่ซิงค์ใหม่อัตโนมัติ อันนี้เห็นด้วยเต็มๆ เพราะผมเองก็เคยนั่งอัด OBS แล้วพลาดคลิกนู่นนิดนึงต้องถ่ายใหม่ทั้งเทค โคตรเสียเวลา แต่ที่ผมยังกังวลคือเรื่องคุณภาพเสียงพากย์จาก TTS มันจะฟังดูเป็นธรรมชาติจริงขนาดไหน โดยเฉพาะกับคำศัพท์เฉพาะทางอย่าง "clinical trial" หรือ "synthetic case" แล้วก็สงสัยว่าถ้าโปรเจกต์ซับซ้อนขึ้น ตัว agent จะยังจัดการกับความไม่แน่นอนอย่างหน้าเว็บโหลดช้าหรือ element ขยับได้เองแบบนี้ได้อยู่มั้ย หรือจะพังแล้วต้องมานั่ง debug เอง
เพื่อนๆ คนไหนที่ลองใช้ Claude Code หรือ agent ตัวอื่นทำอะไรแบบนี้บ้าง? แล้วถ้าต้องเลือก ระหว่างให้ AI ทำวิดีโอเดโม่ที่เสียงพากย์ฟังดู "เนียนแต่ไม่เป็นมนุษย์" กับนั่งทำเองครึ่งวันเพื่อให้ได้เสียงพากย์ที่อินเนอร์สุดๆ เพื่อนจะเลือกแบบไหน? หรือมีใครเจอ trick ให้มันจัดการเรื่อง sync audio แบบนี้กับงานอื่นๆ ที่ไม่ใช่วิดีโอเดโม่บ้าง มาแชร์กันหน่อย
ความคิดเห็น 1
กำลังโหลดความคิดเห็น...