Kling

Kling 2.6: ก้าวข้ามยุควิดีโอเงียบ

ก่อนหน้านี้ วิดีโอที่ AI สร้างขึ้นมักขาดการเชื่อมโยงที่สมบูรณ์ เรายังตื่นตากับภาพสุดคมชัดของ Kling แต่สุดท้ายมันก็เป็นเหมือน GIF หรู ๆ เท่านั้นเอง

ถ้าอยากได้ความสมจริงมากขึ้น คุณต้องดัดแปลงวิธีทำงานเอง วิดีโอต้องสร้างที่นี่ เสียง TTS ต้องสร้างอีกที่ เสียงประกอบต้องหาเองแล้วเอามาตัดต่อเข้าด้วยกัน ให้ความรู้สึกยุ่งยากและไม่ดื่มด่ำเท่าที่ควร แต่พอ Kling 2.6 เปิดตัว เรื่องนี้แทบไม่ใช่ปัญหาอีกต่อไป

จบยุค Workflow สไตล์ “ประกอบ Frankenstein”

ฟีเจอร์เด่นของ Kling 2.6 คือ เสียงในตัว (Native Audio) มันไม่ใช่การเอาเสียงมาแปะทีหลังแบบธรรมดา แต่เป็นการสร้างวิดีโอพร้อมเสียง บรรยาย เสียงประกอบ และบรรยากาศทั้งหมดได้ในคราวเดียว

ถ้ามองในแง่เทคนิค นี่คือคำตอบของปัญหาเรื่อง “เสียงกับภาพไม่ตรงกัน” ในอดีต การทำให้เสียงเท้าตรงกับท่าทางเดินในวิดีโอเป็นเรื่องที่ปวดหัว Kling 2.6 เน้นความ ประสานกันของภาพและเสียง ยกตัวอย่างเช่น ถ้าในภาพมีกระจกแตก เสียงแตกคม ๆ จะเกิดขึ้นพร้อมจังหวะนั้นพอดี

การเข้าใจ “ภาพ + การกระทำ + เสียง” อย่างเป็นหนึ่งเดียวแบบนี้ทำให้ Kling 2.6 เป็นเครื่องมือสำหรับงานจริง ไม่ใช่แค่ของเล่น

คู่มือคนใช้สายโปร: สั่ง AI ยังไงให้ปัง

ใครที่ชอบลองเล่นหรือทำงานกับ AI จะรู้ดีว่า ทุกอย่างขึ้นอยู่กับคำสั่งที่เราป้อนกับโมเดล Kling 2.6 ต้องเปลี่ยนแนวคิดในการป้อน prompt ไม่ใช่แค่บรรยายเฉพาะภาพ แต่ต้องบอกเสียงที่จะเกิดขึ้นด้วย

จากโครงสร้างของโมเดล สูตรการป้อนที่แนะนำคือ:

Prompt = ฉาก + องค์ประกอบ (ตัวละคร/วัตถุ) + การเคลื่อนไหว + เสียง + สไตล์

เทคนิค “Visual Anchoring”

ปัญหายอดฮิตที่มักเจอคือ AI “เดาไม่ถูกว่าใครพูด” เอกสารแนะนำให้ใช้เทคนิคที่เรียกว่า Visual Anchoring

อย่าเขียนแค่ “[เจ้าหน้าที่] พูดว่า ‘หยุด!’”
แต่ควรเขียนว่า “[เจ้าหน้าที่ชุดดำ] ทุบโต๊ะเสียงดัง [เจ้าหน้าที่ชุดดำ ตะโกนแบบโมโห]: ‘ความจริงอยู่ไหน!’”

การผูกบทพูดกับการกระทำแบบนี้จะช่วยให้ตัว AI เชื่อมเสียงเข้ากับตัวละครที่อยู่ในภาพได้ตรงจุด โดยเฉพาะเวลามีหลายตัวละครในฉากเดียวกัน

รูปแบบบทสนทนาแบบมีโครงสร้าง

โมเดลจะวิเคราะห์ไวยากรณ์เฉพาะสำหรับควบคุมเสียงพูด ถ้าอยากได้ผลงานแบบมืออาชีพ ควรยึดกติกาต่อไปนี้:

1. แท็กชื่อตัวละคร: ใช้แท็กชัดเจนเช่น [ตัวละคร A] หรือ [ตัวละคร B] หลีกเลี่ยงคำเรียกแทนว่า “เขา” หรือ “เธอ” ในฉากที่ซับซ้อนเพื่อไม่ให้โมเดลสับสน

2. อารมณ์ประกอบ: ระบุอารมณ์และลักษณะเสียงเสมอ [ชาย, เสียงทุ้ม, พูดเร็ว] จะได้ผลลัพธ์ดีกว่าแค่ [ชาย] เฉย ๆ

ข้อจำกัดที่ต้องรู้

แม้ Kling 2.6 จะก้าวไปไกลมากแล้ว แต่ก็ยังมีข้อจำกัดที่ต้องเข้าใจ

อย่างแรกคือ ข้อจำกัดด้านภาษา ตอนนี้โมเดลรองรับเสียงพูดภาษาจีนกับอังกฤษโดยตรงเท่านั้น ถ้าพิมพ์เป็นฝรั่งเศสหรือสเปน ระบบจะแปลเป็นอังกฤษให้อัตโนมัติ สำหรับผู้ผลิตคอนเทนต์ทั่วโลก จุดนี้ยังเป็นอุปสรรค แต่น่าจะแก้ไขในอนาคต

อย่างที่สองคือ ข้อจำกัดด้านความละเอียด ในการใช้ Image-to-Audio-Visual คุณภาพวิดีโอที่ได้จะขึ้นอยู่กับความละเอียดของภาพต้นฉบับ ไม่สามารถแปลงภาพเบลอให้กลายเป็น 4K ได้ กฎเดิม ๆ อย่าง “ข้อมูลขยะ ผลลัพธ์ก็ขยะ” ยังใช้ได้เสมอ