ถ้าคุณเคยรู้สึกว่าการตัดต่อวิดีโอคือ "งานที่สอง" ที่กินเวลามากกว่าการบันทึกเองหลายเท่า คุณไม่ได้คิดผิด นักสร้างคอนเทนต์ที่ทำ YouTube มา 120 คลิปได้ยืนยันตัวเลขนั้น: ทุก 1 นาทีของการพูดหน้ากล้อง เท่ากับ 10 นาทีของการตัดต่อ ช่อง AI with Surya ได้นำเสนอ OpenMontage ซึ่งเป็น repo บน GitHub ที่ขึ้น Trending อันดับ 1 ด้วยดาวมากกว่า 36,000 ดาว กราฟขึ้นแบบเส้นตรงแนวตั้ง เครื่องมือนี้ทำให้ AI agent ทำงานตัดต่อแทนคุณได้ ฟรีทั้งหมด รันในเครื่อง โดยไม่มี subscription ใดๆ
ที่ทำให้น่าสนใจกว่านั้นคือ ทุกสิ่งที่เห็นในวิดีโอสาธิต — YouTube player ปลอม, ตัวนับ like ที่ขยับขึ้น, background music, caption และ motion graphics ทุกชิ้น — ล้วนถูกสร้างโดย OpenMontage ทั้งหมด ต้นทุน media cost ทั้งหมดสำหรับสิ่งที่เห็น = $0
- ระบบแบ่งเป็น 5 ส่วน: คู่มือสอน AI, pipeline สำเร็จรูป 12 แบบ, tools Python 50 ตัว, render engine และต้องหา LLM มาเสริมเอง
- ติดตั้งได้ใน 10 นาที ใช้แค่ Python + Node + FFmpeg + clone repo
- Prompt ที่ดีต้องขอ implementation plan ก่อน ไม่ใช่แค่บอกว่าเพิ่ม effect เจ๋งๆ
- แนะนำใช้ Gemini Flash เป็น LLM เพราะเร็วและถูก
OpenMontage คืออะไร
เมื่อเปิด repo ครั้งแรก อาจดูน่าตกใจเพราะมีไฟล์มากกว่า 1,000 ไฟล์ แต่โครงสร้างทั้งหมดแบ่งออกเป็น 5 ส่วนหลัก ที่ทำงานร่วมกัน เมื่อเข้าใจส่วนเหล่านี้แล้วจะเห็นว่าระบบไม่ซับซ้อนอย่างที่คิด
ส่วนแรกคือ instruction files ไฟล์ markdown ที่สอน AI agent ว่าแต่ละงานในกระบวนการผลิตวิดีโอทำอย่างไร ลองนึกภาพว่านี่คือคู่มือพนักงานที่เขียนไว้ก่อน ก่อนที่คุณจะจ้างพนักงานจริง ส่วนที่สองคือ pipelines จำนวน 12 แบบ แต่ละแบบเหมาะกับประเภทคอนเทนต์ต่างกัน เช่น explainer, talking head, documentary, step-by-step และอื่นๆ
ส่วนที่สามคือ tools ประมาณ 50 script Python เล็กๆ ที่ทำหน้าที่เหมือน "มือ" ของระบบ เช่น ดึง transcript, ครอปวิดีโอ, สร้างกราฟิก ส่วนที่สี่คือ render engines ที่ใช้ Remotion เขียน code จริงสำหรับแต่ละฉาก สามารถจำลองได้ทุกอย่าง ตั้งแต่หน้าจอ Apple glass widgets ไปจนถึง terminal interface
ส่วนที่ห้าคือจุดที่หลายคนอาจงงเมื่อเปิดใช้ครั้งแรก: ไม่มี LLM ในตัวเลย OpenMontage เป็นแค่โครงสร้างและเครื่องมือ คุณต้องนำ LLM มาเป็น "สมอง" เอง เหมือนกับการมีร่างกายครบ แต่ต้องหาคนมาควบคุม
ติดตั้งได้ใน 10 นาที
สิ่งที่ต้องมีก่อนเริ่มมีแค่สามอย่าง: Python, Node.js และ FFmpeg ซึ่งส่วนใหญ่อาจมีอยู่ในเครื่องอยู่แล้ว ถ้ายังไม่มีก็ติดตั้งได้ผ่าน package manager ปกติ
หลังจาก clone repo มา ขั้นตอนต่อไปคือสร้าง Python virtual environment เพื่อให้ dependency ของ OpenMontage แยกออกจากโปรเจกต์อื่น ติดตั้ง requirements ผ่าน pip แล้วเข้าไปใน render folder เพื่อ setup Remotion ซึ่งเป็น render engine หลัก และสุดท้ายติดตั้ง Piper ซึ่งเป็น voice engine ฟรีที่รันในเครื่องโดยไม่ต้องใช้ GPU ถ้าต้องการเสียงคุณภาพสูงขึ้นสามารถเชื่อมต่อกับ ElevenLabs แทนได้
ทั้งหมดนี้ไม่ต้องใส่ API key แม้แต่อันเดียว ต้นทุนเดียวในระบบคือค่า LLM ที่คุณเลือกเองซึ่งถูกมากถ้าเลือก model ที่เหมาะสม
Prompt ที่ดี vs. Prompt ที่แย่
ความแตกต่างระหว่างผลลัพธ์ธรรมดากับผลลัพธ์ที่ดีอยู่ที่วิธีการเขียน prompt เมื่อลองใช้ prompt แบบกว้างๆ ว่า "เพิ่ม cool graphics ให้วิดีโอ" ผลที่ออกมาคือ AI ทำสิ่งที่มันเห็นว่าเจ๋งโดยไม่มีทิศทางที่ชัดเจน นี่คือ AI slop ในนิยามคลาสสิก: ผลลัพธ์มีอยู่ แต่ไม่ตรงกับสิ่งที่ต้องการจริงๆ
วิธีที่ได้ผลดีกว่ามากคือการสั่งให้ระบบอ่าน skill file ก่อน แล้วสร้าง implementation plan ออกมาให้เห็น เช่น ระบุว่าจะใส่ visual block อะไรที่จุดไหน ทุก 5 วินาทีจะมี graphic แบบไหน และจะ sync กับเสียงที่ timestamp ใด เมื่อได้ plan แล้วคุณสามารถตรวจ ปรับ หรือขอให้ทำซ้ำตามแผนนั้น
ความแตกต่างในผลลัพธ์ระหว่างสอง approach นี้ชัดเจนมาก เพราะ AI ที่รู้ว่าต้องการอะไรจะทำงานแม่นยำกว่า AI ที่ได้รับอิสระเต็มที่ การ iterate หลายรอบจนได้วิดีโอที่พอใจเป็นเรื่องปกติ แต่แต่ละรอบจะเห็นพัฒนาการที่ชัดเจน
เลือก LLM ให้เหมาะกับงาน
เนื่องจาก OpenMontage ไม่มี LLM ในตัว การเลือก model จึงส่งผลต่อทั้งความเร็วและค่าใช้จ่ายโดยตรง model ที่แนะนำสำหรับงานนี้คือ Gemini Flash (รุ่น 2.5 หรือ 3.6) เพราะเร็ว ราคาถูก และเพียงพอสำหรับงาน video editing ที่ส่วนใหญ่เป็นการอ่าน instruction แล้วสร้าง code
สิ่งที่ควรหลีกเลี่ยงคือ model ที่มี deep thinking หรือ reasoning เยอะ เพราะงาน video editing ต้องการความเร็วในการ generate code มากกว่าความลึกในการคิดวิเคราะห์ ถ้าเลือก model ที่ใช้ทรัพยากรหนักเกินไป ค่า LLM สำหรับแค่วิดีโอเดียวอาจสูงโดยไม่จำเป็น ในขณะที่ผลลัพธ์ไม่ได้ดีกว่าอย่างมีนัยสำคัญ
บทสรุป
OpenMontage เป็นตัวอย่างของเครื่องมือ AI ที่ให้คุณ "ควบคุมได้จริง" ไม่ใช่ black box ที่กดปุ่มแล้วได้อะไรก็ได้ การเข้าใจโครงสร้าง 5 ส่วน รู้วิธีเขียน prompt ที่ขอ plan ก่อน และเลือก LLM ที่เหมาะสม คือสิ่งที่จะทำให้ผลลัพธ์ต่างกันอย่างเห็นได้ชัด สำหรับครีเอเตอร์ที่ผลิตวิดีโอเป็นประจำ ระบบนี้มีศักยภาพจริงในการลดเวลาตัดต่อจาก "10 นาทีต่อ 1 นาทีวิดีโอ" ให้เหลือน้อยลงอย่างมีนัยสำคัญ
