ช่วงสัปดาห์ที่ผ่านมา Google ปล่อยเครื่องมือตัวหนึ่งแบบเงียบ ๆ ชื่อ Gemini API CLI ซึ่งน่าสนใจสำหรับคนที่ใช้เอเจนต์ AI ทำงานอยู่แล้ว เพราะมันทำให้เอเจนต์ตัวเดิมที่เราใช้ ไม่ว่าจะเป็น Claude Code, Codex, Cursor หรือ Antigravity เรียกใช้ความสามารถหลายรูปแบบของ Gemini ได้ทั้งภาพ วิดีโอ เสียงพากย์ และเพลง ครีเอเตอร์ AI with Surya ทดลองเรื่องนี้ในวิดีโอบนช่อง YouTube ของเขา และผลลัพธ์ที่ได้ชวนให้เห็นภาพว่างานคอนเทนต์แบบครบวงจรผ่านเอเจนต์ตัวเดียวเป็นไปได้จริงแค่ไหน
สิ่งที่ทำให้เรื่องนี้น่าสนใจคือมันเปลี่ยนวิธีที่เอเจนต์ทำงานกับสื่อ จากเดิมที่ต้องเขียนโค้ดใหม่ทุกครั้ง เป็นการสั่งงานสั้น ๆ แล้วได้ไฟล์ออกมาในโฟลเดอร์เลย บทความนี้จะไล่ให้เห็นว่ามันคืออะไร ติดตั้งยังไง และใช้ทำอะไรได้บ้าง
สรุปสั้น ๆ
- Gemini API CLI เป็นชุดเครื่องมือสำหรับให้ "เอเจนต์" เรียกใช้ ไม่ใช่แชตบอตที่เราพิมพ์คุยโดยตรง
- ให้เอเจนต์สร้างภาพ เพลง เสียงพากย์ วิดีโอ และวิเคราะห์หรือถอดเสียงไฟล์ได้
- ติดตั้งง่าย ใช้ API key จาก Google AI Studio และจ่ายตามการใช้งาน ไม่ฟรี
- ใช้ได้กับเอเจนต์หลายตัว และรันบนเครื่องตัวเองได้
อย่าสับสนกับ Gemini CLI และ Antigravity CLI
ชื่อที่คล้ายกันทำให้หลายคนงง จุดที่ต้องแยกให้ออกคือ Gemini CLI ตัวเดิมถูกเปลี่ยนชื่อเป็น Antigravity CLI ซึ่งเป็นผู้ช่วย AI ที่เราพิมพ์คุยด้วยแล้วมันลงมือทำงานให้ ส่วน Gemini API CLI เป็นของคนละประเภทกันโดยสิ้นเชิง มันคือกล่องเครื่องมือที่ฝ่ายที่หยิบไปใช้คือเอเจนต์ ไม่ใช่เรา
วิธีคิดที่เข้าใจง่ายคือ ให้มองเอเจนต์เป็น "สมอง" แล้ว Gemini API CLI คือการเติม ตา หู เสียง และกล้อง ให้สมองตัวนั้น เอเจนต์ที่เดิมมองวิดีโอไม่ได้หรือฟังไฟล์เสียงไม่ได้ ก็จะทำได้ทันทีโดยส่งงานส่วนนั้นให้ Gemini ทำ แล้วนำผลมาประกอบต่อ ซึ่งทดลองแล้วพบว่าเหมาะกับการผสมจุดแข็งของโมเดลสองค่ายเข้าด้วยกัน
ต่างจากเดิมตรงไหน
คำถามที่ตามมาคือ ถ้า Antigravity ก็รันบน Gemini อยู่แล้ว มันใหม่ตรงไหน คำตอบอยู่ที่ความน่าเชื่อถือของขั้นตอน เมื่อก่อนถ้าสั่งให้เอเจนต์ทำเสียงพากย์ มันต้องเขียนโค้ดเล็ก ๆ ขึ้นมาใหม่ทุกครั้ง และต้องเดาว่าจะใช้โมเดลตัวไหน ซึ่งบางครั้งก็เดาผิด
ตอนนี้ทุกอย่างลดเหลือ คำสั่งสั้น ๆ หนึ่งบรรทัด แล้วไฟล์ผลลัพธ์ก็ปรากฏในโฟลเดอร์ทันที เพราะมีเครื่องมือสำเร็จรูปรองรับ ข้อดีอีกอย่างคือใช้ได้กับเอเจนต์ที่หลากหลายและรันบนเครื่องของเราเองได้ เช่นผ่าน PowerShell
ติดตั้งและเริ่มใช้งาน
ขั้นตอนมีไม่มาก เริ่มจากขอ Gemini API key จาก Google AI Studio โดยต้องเข้าใจว่าเป็นแบบจ่ายตามการใช้งานจริง ไม่ได้ใช้ฟรี จากนั้นรันคำสั่งติดตั้งบรรทัดเดียวตามที่ระบุในหน้า GitHub ของโปรเจกต์ ซึ่งใช้เวลาไม่กี่วินาที
พอติดตั้งเสร็จ สามารถทดสอบด้วยคำสั่งตรวจว่าระบบเห็น key หรือยัง และคำสั่ง help จะแสดงรายการเครื่องมือทั้งหมด ฝั่ง "สร้าง" มีภาพ เพลง เสียง และวิดีโอ ฝั่ง "เข้าใจ" มี analyze กับ transcribe ซึ่งเป็นส่วนของการดูและฟัง
ลองสั่งมือก่อนส่งให้เอเจนต์
ก่อนส่งงานให้เอเจนต์ การลองรันเองสักรอบช่วยให้เห็นว่าเครื่องมือเรียบง่ายแค่ไหน ตัวอย่างแรกคือเสียงพากย์บทสนทนาสองคน โดยกำหนดชื่อและเสียงให้แต่ละคน ตัวอย่างที่สองคือเพลงสำหรับเปิดตัวสินค้า ได้เพลงยาวราว 3 นาทีเต็ม ไม่ใช่แค่คลิปสั้น 10 วินาที และตัวอย่างที่สามคือแบนเนอร์ช่อง ซึ่งสะกดชื่อช่องออกมาถูกต้องครบ
แน่นอนว่าสิ่งเหล่านี้ทำผ่านแอป Gemini ตรง ๆ ได้อยู่แล้ว แต่ประเด็นคือการเรียกผ่านคำสั่งทำให้เอเจนต์นำไปต่อกับงานอัตโนมัติได้ ซึ่งเป็นกุญแจสำคัญของเรื่องนี้
ใช้งานจริงผ่าน Claude Code
เมื่อส่งให้เอเจนต์ ตัวอย่างแรกคือรายงานแบตเตอรี่ของแล็ปท็อปที่เต็มไปด้วยตัวเลขซึ่งไม่มีใครอยากอ่าน เอเจนต์ใช้ Gemini อ่านรายงาน ตรวจตัวเลขสำคัญซ้ำ เขียนสคริปต์ แล้วสร้างเสียงสองคนคุยกันเป็นบรีฟฟิ่งความยาวสองนาที คล้ายฟีเจอร์พอดแคสต์ของ NotebookLM แต่ควบคุมผ่านเอเจนต์เอง
ตัวอย่างที่สองคือ Deep Research ของ Google ซึ่งใช้เวลาหลายนาที จึงสั่งให้เอเจนต์รันเบื้องหลังและเช็กสถานะทุกนาที ระหว่างรอก็มอบงานที่สองให้ คือสร้างเว็บเพจพร้อมรูป วิดีโอสั้น เสียงต้อนรับ และเพลง ทั้งหมดสร้างด้วย Gemini ผ่าน Claude Code พอเว็บเสร็จ งานวิจัยก็เสร็จพร้อมกราฟสองอัน และสรุปประเด็นหลักห้าข้อ เช่นต้นทุนตั๋วซัพพอร์ตที่ AI แก้ได้ราว 62 เซนต์ เทียบกับ 7.40 ดอลลาร์เมื่อใช้คน
ตัวเลขจากรายงานวิจัยอัตโนมัติจำนวนมากมาจากบล็อกของผู้ขาย จึงควรใช้เป็นจุดเริ่มต้นแล้วตรวจแหล่งที่มาเสมอก่อนนำไปนำเสนอ
รายละเอียดเล็ก ๆ ที่พบคือปุ่ม YouTube บนเว็บเพจค้นหาช่องแทนที่จะลิงก์ตรง เพราะไม่ได้ให้ลิงก์ไปตั้งแต่แรก ซึ่งเป็นข้อจำกัดที่แก้ได้ด้วยการระบุข้อมูลให้ครบในคำสั่ง
เหมาะกับใคร และนำไปใช้ยังไง
เครื่องมือนี้เหมาะกับคนที่ใช้เอเจนต์ AI ในงานอยู่แล้วและอยากให้มันผลิตคอนเทนต์จริง เช่น ใส่เสียงบรรยายให้ทุกสไลด์ในชุดอบรม เปลี่ยนไฟล์บันทึกประชุมเป็นสรุปและรายการงานที่ต้องทำ หรือทำวิดีโอ เสียง และเพลงสำหรับงานเปิดตัวจากคำสั่งเดียว
บทสรุป
Gemini API CLI คือการติดตั้งเล็ก ๆ ครั้งเดียวที่ทำให้เอเจนต์เดิมของเรา ดู ฟัง พูด และสร้างภาพ เพลง วิดีโอได้ เหมาะกับการนำจุดแข็งของโมเดลต่างค่ายมาผสมกัน เช่นให้ Claude Code คุมงานหลัก แล้วส่งงานด้านมัลติมีเดียให้ Gemini
สิ่งที่ควรลองคือเริ่มจากงานเล็ก ๆ เช่นสรุปเอกสารยาวเป็นเสียงบรีฟฟิ่งสั้น ๆ แล้วค่อยขยับไปงานที่ซับซ้อนขึ้น พร้อมจำไว้ว่ามีค่าใช้จ่ายตามการใช้งาน และควรตรวจแหล่งข้อมูลของผลลัพธ์ที่ได้ทุกครั้ง
