ลองนึกภาพว่าคุณถ่ายคลิปมาหนึ่ง take ยาว 4 นาที เต็มไปด้วยเสียง "อ่า" "เออ" ช่วงเงียบที่นึกคำไม่ออก และประโยคที่พูดซ้ำกันสามรอบก่อนจะได้รูปแบบที่ดีที่สุด แล้วพิมพ์ prompt เดียวลงไปในช่อง chat แล้วรอ — แล้วได้คลิปที่ตัดแต่งเรียบร้อย มี motion graphics มี caption ซิงค์กับเสียง มีเพลงประกอบ พร้อม export ได้เลย นั่นคือสิ่งที่ Zinho จากช่อง Zinho Automates สาธิตไว้ โดยใช้เพียงแอป Claude ที่ส่วนใหญ่น่าจะมีเปิดค้างอยู่แล้ว
สิ่งที่ทำให้ workflow นี้น่าสนใจไม่ใช่แค่ "AI ช่วยตัดต่อ" แต่เป็นการที่ Claude ทำงานเป็น agent จริงๆ — อ่านเนื้อหา วางแผน แล้วเรียกใช้เครื่องมือหลายตัวต่อกันโดยที่ผู้ใช้ไม่ต้องรู้ว่าแต่ละขั้นตอนทำงานอย่างไร ผลคือครีเอเตอร์ดูแลเฉพาะ "20% ที่สำคัญ" คือการตัดสินใจเชิง creative ส่วนงานซ้ำๆ อีก 80% Claude จัดการเอง
- ต้องติดตั้ง skill Video Use (ฟรี, open source) + ElevenLabs API key สำหรับ transcription ระดับคำ
- Motion graphics สร้างอัตโนมัติจาก transcript ปรับด้วยภาษาพูด re-render เฉพาะส่วนที่แก้
- ควร lock rough cut ก่อนเสมอ เพราะแก้ edit ทีหลังจะกระทบ sync ของ graphics
ภาพรวม Pipeline ตั้งแต่ต้นจนจบ
ก่อนจะลงรายละเอียด ขอให้เห็น flow ทั้งหมดก่อน: โยนไฟล์วิดีโอลงในโปรเจกต์ → พิมพ์ prompt → Claude อ่าน transcript → วางแผนการตัด → ขอ approve → FFmpeg ประกอบคลิป → วางแผน motion graphics ทีละ segment → build graphics → เพิ่ม caption → ใส่ BGM → export ไฟล์สุดท้าย ทุกขั้นตอนเกิดขึ้นใน Claude chat ทั้งหมด
ผู้ใช้ไม่ต้องเปิดโปรแกรมอื่นเลย ไม่ต้องรู้จัก API ของแต่ละเครื่องมือ และไม่ต้องเข้าใจว่า FFmpeg ทำงานอย่างไร Claude เป็นคน orchestrate ทุกอย่างเอง แค่รู้ว่าต้องการอะไร แล้วบอกออกมาเป็นภาษาพูด
เครื่องมือที่ใช้: Video Use, HyperFrames, FFmpeg และ ElevenLabs Scribe
เครื่องมือหลักที่ต้องติดตั้งคือ skill ชื่อ Video Use (open-source ฟรี) ทำหน้าที่เป็น "สมอง" ของกระบวนการทั้งหมด มันอ่าน transcript วิเคราะห์ว่าตรงไหนคือ pause ยาวเกิน ตรงไหนคือ filler word ตรงไหนคือ take ซ้ำ จากนั้น handoff งาน graphics ให้ HyperFrames ซึ่ง render motion graphics เป็น code (ไม่ใช่ภาพ) ทำให้ปรับแต่งและ re-render เฉพาะส่วนที่แก้ได้ ส่วน FFmpeg stitch คลิปและ render ไฟล์สุดท้าย
วิธีติดตั้งคือเอา GitHub link ของ Video Use ไปวางใน Claude แล้วบอกให้ติดตั้ง Claude จะดึง repo ติดตั้ง FFmpeg และ register skill ให้ครบเองในครั้งเดียว ถามหา API key เองเมื่อต้องการ ไม่ต้องหาว่า key ควรอยู่ในไฟล์ config ไหน
สิ่งที่ทำให้การตัดแม่นยำคือ ElevenLabs Scribe ซึ่งให้ timestamp ระดับคำ — รู้ว่าแต่ละคำเริ่มที่กี่ millisecond และจบที่กี่ millisecond ต่างจาก transcription ทั่วไปที่ให้แค่ timestamp ระดับประโยค ผลคือ Claude ตัดได้พอดีโดยไม่มีคำขาดกลาง ไม่มีหายใจหลุด ไม่มีเสียงป๊อปที่ขอบ cut ซึ่งเป็นปัญหาคลาสสิกของ AI editor ทั่วไป
Rough Cut — ตัด 80% ออกจากคลิปด้วย Prompt เดียว
หลังโยนไฟล์ลงโปรเจกต์ แค่บอก Claude ว่าต้องการ rough cut Claude จะให้ Scribe transcribe ทั้งคลิป อ่าน transcript แล้วทำเครื่องหมายทุก pause ทุก filler word และทุก take ซ้ำ แต่ก่อนจะตัดจริง Claude แสดงแผนการตัดให้เห็นก่อนแล้วรอ approve นี่คือจุดที่ต่างกับ AI editor ที่วิ่งทำทันที เพราะผู้ใช้มี checkpoint ชัดๆ ว่ากำลังตัดอะไรออกบ้าง
คลิปดิบ 4 นาทีที่เต็มไปด้วย um, ah และ take ซ้ำๆ เหลือไม่ถึงนาทีหลัง rough cut — และทุก cut ลงจังหวะโดยไม่มีคำขาดกลาง
หลัง approve FFmpeg ประกอบเฉพาะส่วนที่ clean ผลที่ได้คือคลิปที่ฟังดูตั้งใจ ถ้ายังมีคำที่หลุดผ่านมา เช่น "basically" ที่ต้นประโยค แค่พูดว่า "ตัดคำนั้นออก" Claude หาตำแหน่งใน transcript แล้วแก้ให้เลย ไม่มีการ scrub timeline ไม่มีการหา in/out point
Motion Graphics — จาก Talking Head สู่วิดีโอที่ดูผลิตแล้ว
ขั้นตอนนี้ควร start chat ใหม่ แล้วสั่ง Claude ให้ "วางแผน motion graphic ให้แต่ละ segment แล้ว build" Claude อ่าน transcript ทำความเข้าใจว่าแต่ละส่วนพูดถึงอะไร แล้วตัดสินใจว่า visual แบบไหนช่วยสนับสนุนเนื้อหานั้น ไม่ว่าจะเป็น text card full-screen animated callout หรือ data visualization เล็กๆ ทุกอย่างสร้างจากสิ่งที่พูดจริงๆ ในคลิป
pass แรกมักได้ประมาณ 80% ของที่ต้องการ — ดูดีแต่ยังไม่รู้สึกว่าเป็น "ของช่องนี้" ชัดๆ pass ที่สองคือ refinement ด้วยภาษาพูดธรรมดา เช่น "เปลี่ยนสีให้เข้มขึ้น" "เอาโลโก้วางบน intro" "animation ตรงนี้เร็วไปช้าลงหน่อย" สิ่งที่ทำให้ loop นี้ไม่น่าเบื่อคือ Claude re-render เฉพาะ section ที่แก้เท่านั้น ถ้าแก้ graphic ที่นาทีที่ 2 ส่วนที่เหลือทั้งหมดไม่ถูกแตะ feedback loop จึงเร็วมากแม้คลิปจะยาว
Caption เพลง และ Export
Caption ใน workflow นี้แทบไม่มีต้นทุนเพิ่ม เพราะ Scribe สร้าง timestamp ระดับคำไว้ตั้งแต่ขั้นแรกแล้ว สิ่งที่ต้องบอก Claude คือแค่จะแสดงผลยังไง — font, ขนาด, สไตล์ animation Claude สร้าง caption ที่คำ animate เข้ามาพร้อมกับที่พูดพอดี ไม่ใช่ static text ที่แช่อยู่ Font ที่นิยมในสไตล์นี้คือ Coolvetica ให้ความรู้สึก punch และอ่านง่ายบนหน้าจอ
สำหรับ BGM แค่ชี้ path ไปหาไฟล์เพลงในเครื่อง แล้วบอกระดับที่ต้องการ สำหรับวิดีโอแนว talking head ระดับที่ work คือประมาณ -22 ถึง -23 dB ซึ่งทำให้เพลงเป็น background โดยไม่กลบเสียงพูด Claude ใส่ตลอดทั้งคลิปโดยไม่ต้อง keyframe หรือ manual fade เลยแม้แต่จุดเดียว พอสั่ง export Claude render ไฟล์สุดท้ายและยังเก็บ project ทั้งหมดไว้ใน folder เดิมครบถ้วน ถ้าพรุ่งนี้อยากกลับมาแก้ graphic ตัวหนึ่ง ไฟล์ทุกอย่างยังอยู่ครบ
บทสรุป
Pipeline นี้พิสูจน์ว่าการตัดต่อวิดีโออัตโนมัติที่ใช้งานได้จริงไม่ต้องการ subscription ใหม่หรือ software พิเศษ แค่ Claude ที่มีอยู่แล้ว skill open-source ที่ติดตั้งครั้งเดียว และ ElevenLabs key สำหรับ transcription แม่นยำ ส่วนที่เหลือทั้งหมดคือการบอกในภาษาพูดว่าต้องการอะไร
จำไว้ว่า pass แรกของ motion graphics จะได้ประมาณ 80% เสมอ และ 20% ที่เหลือคือส่วนที่ต้องใส่เข้าไปเองเพื่อให้มันรู้สึกเป็น "ของช่องนี้" จริงๆ ซึ่งนั่นคือส่วนที่ดีที่สุดของงานสร้างสรรค์อยู่แล้ว Claude ช่วยจัดการ 80% ที่น่าเบื่อ เหลือแค่ส่วนที่สนุกจริงๆ ให้ทำ
