Blender เป็นซอฟต์แวร์ที่ทรงพลังมาก แต่ก็ขึ้นชื่อว่าเรียนรู้ยากพอ ๆ กัน เส้นทางจากผู้เริ่มต้นจนทำวิดีโอ 3D ได้คุณภาพดีนั้นยาวนานหลายร้อยชั่วโมง Zinho จากช่อง Zinho Automates นำ ChatGPT-6 Astra ซึ่งเป็น AI ที่มีความสามารถ computer use มาเชื่อมเข้ากับ Blender แล้วปล่อยให้มันทำงานทั้งหมดตั้งแต่ต้นจนจบ ผลลัพธ์ที่ออกมาทำให้เห็นว่าวิธีสร้างวิดีโอ 3D กำลังเปลี่ยนไปอย่างเงียบ ๆ
ตลอด 5 use case ที่ทดสอบ ทั้งฉากมังกรบินผ่านหุบเขา โฆษณาคุกกี้ที่ต้องการ physics แม่นยำ เส้นทางกล้องที่ไม่มีการตัดต่อผ่าน 4 โลก เทรลเลอร์เกมจาก concept art รูปเดียว และโลก futuristic ที่ดูเหมือนตัดมาจากเกม AAA ทั้งหมดเกิดขึ้นโดยที่คนทำแทบไม่ได้แตะเมาส์เลยแม้แต่ครั้งเดียว
สรุปสั้น ๆ
- Astra ใช้ความสามารถ computer use เข้าควบคุม Blender ได้โดยตรง ไม่ต้องผ่าน API พิเศษ
- ใช้รูปทรงเรขาคณิตง่าย ๆ เพื่อล็อค motion path และมุมกล้อง ก่อน render ด้วย Higsfield
- ทำงานได้ทั้งจาก text (บรรยายสิ่งที่ต้องการ) และ image (ป้อน concept art)
- เหมาะสำหรับ hard surface objects เช่น ตึก เครื่องจักร และโครงสร้างต่าง ๆ
- ทั้ง workflow ต้องการการตั้งค่าเพียงครั้งเดียว จากนั้น AI จัดการทุกอย่างเอง
ทำไม Astra ถึงควบคุม Blender ได้
สิ่งที่ทำให้ Astra ต่างจาก AI ทั่วไปคือความสามารถที่เรียกว่า computer use หมายความว่ามันมองเห็นหน้าจอ คลิก พิมพ์ และใช้ซอฟต์แวร์ได้เหมือนมนุษย์นั่งทำงาน ดังนั้นการเชื่อมกับ Blender จึงไม่ใช่การเขียน plugin หรือต่อ API แต่ Astra เข้าไปใช้ Blender ผ่าน interface ที่เราเห็นบนจอโดยตรง
การตั้งค่าเริ่มต้นที่ต้องทำเพียงครั้งเดียวคือ สมัคร Higsfield และเชื่อมเข้ากับ Codex ผ่าน plugin จากนั้นดาวน์โหลด plugin ของ Higsfield เข้า Blender อีกชุดหนึ่ง เท่านี้ระบบก็พร้อม Astra สามารถสร้างฉาก วางกล้อง แอนิเมท และส่งงานไปให้ Higsfield render ได้ทันที โดยที่เราไม่ต้องแตะ Blender อีกเลย
สองส่วนนี้เติมเต็มซึ่งกันและกัน Blender ทำหน้าที่จัดการ spatial logic ว่ากล้องอยู่ที่ไหน อะไรเคลื่อนที่ยังไง ส่วน Higsfield ทำหน้าที่จัดการ visual quality ทำให้ผลลัพธ์ขั้นสุดท้ายดูสมจริง แม้ว่า 3D model ใน Blender จะเป็นเพียงรูปทรงง่าย ๆ ก็ตาม
Simple Shapes กับ Logic ที่ Clever
หัวใจของ workflow นี้คือวิธีที่ Astra ใช้รูปทรงพื้นฐานแทนการพยายาม model วัตถุให้ละเอียด มังกรถูกสร้างจากกระบอก ทรงกลม และแผ่นแบน คุกกี้ในโฆษณาเป็นแค่กระบอก chocolate chips เป็นทรงกลม ไม่มีเกล็ด ไม่มีพื้นผิว ไม่มีรายละเอียดใด ๆ ทั้งสิ้น
เหตุผลที่ทำแบบนี้ฟังดูง่ายแต่มีความลึก Blender ในที่นี้ไม่ใช่ tool สำหรับทำให้สวย แต่เป็น tool สำหรับล็อค motion การบินของมังกรจะไปเส้นทางไหน กล้องจะตาม arc ยังไง chips จะลอยค้างในอากาศ ณ จังหวะพอดีตรงไหน ทุกอย่างนี้ถูก encode ไว้ใน 3D space แม่นยำ แล้วจึง export เป็น playblast ซึ่งเป็นภาพ preview กล่องสีเทา ส่งไปให้ Higsfield แปลงเป็นวิดีโอสมจริง
ข้อดีที่ได้จากการใช้ simple shapes คือความน่าเชื่อถือของ workflow ตัว Astra ไม่ต้องกังวลเรื่อง topology ผิดปกติ UV unwrap ผิดพลาด หรือ geometry ที่พังแล้วทำต่อไม่ได้ รูปทรงพื้นฐานแทบเป็นไปไม่ได้ที่จะพัง ทำให้กระบวนการทั้งหมดทำซ้ำได้สม่ำเสมอ และ Higsfield จัดการรายละเอียดภาพแทนอยู่แล้ว
สองแนวทาง: เริ่มจาก Text หรือ Image
แนวทางแรก: เริ่มจาก text คือการบรรยายสิ่งที่ต้องการเป็นคำ แล้วให้ Astra แปลมันเป็นฉาก 3D ตัวอย่างที่แสดงจุดแข็งชัดสุดคือ seamless one-shot ที่กล้องเดินทางผ่าน 4 โลกโดยไม่มีการตัดเลย ห้อง ประตู หน้าต่าง ถนน ม้านั่ง ทุกอย่างเชื่อมต่อกันจริง ๆ ใน 3D space เดียวกัน กล้องจึงรู้ทิศทางตลอดเวลา ซึ่งเป็นสิ่งที่ AI video generator ทั่วไปยังทำไม่ได้เพราะไม่มี spatial reference ที่ชัดเจน
แนวทางที่สอง: เริ่มจาก image คือการป้อน concept art ให้ Astra ดูแล้วให้มัน rebuild ฉากนั้นเป็น 3D ตัวอย่างของ game trailer แสดงให้เห็นว่า Higsfield สามารถใช้ภาพต้นฉบับเป็น style reference ทำให้วิดีโอสุดท้ายมีสีสัน แสง และบรรยากาศตรงกับ concept art มาก แนวทางนี้เหมาะสำหรับคนที่มีภาพ reference ชัดเจนในหัวอยู่แล้วและต้องการให้ผลลัพธ์ตรงกับนั้น
ความได้เปรียบหลักของการใช้ Blender เป็นขั้นกลางคือมันทำหน้าที่เป็น spatial memory ให้กล้องรู้ว่าตัวเองอยู่ที่ไหนในพื้นที่ 3 มิติ แทนที่จะเดาทิศทางจาก frame ก่อนหน้าอย่างที่ AI video generator ทั่วไปทำ
Use Cases ที่น่าสนใจสำหรับงานจริง
ในบรรดา 5 use case ที่ทดสอบ ฉาก product ad น่าสนใจสำหรับคนทำงานด้านการตลาดมากที่สุด ซีเควนซ์คุกกี้ที่ chips ลอยค้างในอากาศ ณ จังหวะที่ถูกต้องแม่นยำ ปกติต้องการ art director ที่คอย direct shot นี้โดยเฉพาะ รวมถึงทีม CG ที่ต้อง simulate physics ให้น่าเชื่อถือ Astra จัดการได้จาก text prompt เพียงชุดเดียว
ส่วน futuristic world เป็นตัวอย่างที่แสดงจุดแข็งของ Astra กับ hard surface objects ชัดเจนที่สุด ตึก โรงงาน หุ่นยนต์ขนาดยักษ์ โครงสร้างเหล่านี้แปลงมาจากรูปทรงพื้นฐานได้ตรงไปตรงมา ไม่ต้องการ organic modeling ที่ซับซ้อน ผลลัพธ์คือโลกที่กล้องบินผ่านได้จากระดับพื้นถนน ผ่านโรงงาน และพุ่งขึ้นสูงจนเห็น skyline ทั้งหมด ทั้งหมดนี้มาจากภาพ concept art รูปเดียวที่เป็นจุดเริ่มต้น
บทสรุป
สิ่งที่น่าสนใจในแนวทางนี้ไม่ใช่แค่ว่า AI ทำ Blender ได้ แต่คือวิธีที่มันแก้ปัญหาเฉพาะที่ AI video generator ทั่วไปยังติดขัด นั่นคือการรู้ทิศทางของกล้องในพื้นที่ 3 มิติ เมื่อ Astra วาง layout ไว้ใน Blender ก่อน ความสม่ำเสมอของ motion ความแม่นยำของ timing และความสอดคล้องของ style ก็ตามมาเองโดยอัตโนมัติ
สำหรับคนที่ทำงานด้านคอนเทนต์หรือการตลาด การทดลองเชื่อม AI ที่มี computer use เข้ากับ software สร้างสรรค์ที่มีอยู่ในคอมพิวเตอร์อยู่แล้ว อาจเป็นแนวทางที่คุ้มค่ากว่าการรอ AI video generator ตัวใหม่ที่สัญญาว่าจะทำได้ทุกอย่าง เพราะจุดแข็งของแนวทางนี้อยู่ที่การให้แต่ละเครื่องมือทำในสิ่งที่มันเก่งที่สุด
