ทำไมวิดีโอ AI จึงเคลื่อนไหวไม่เป็นธรรมชาติ? วิธี 4 ขั้นตอนสำหรับวิดีโอสมจริงของ NadouPro

ภาพนิ่งหนึ่งเฟรมอาจสวยมาก แต่พอเล่นเป็นวิดีโอกลับเห็นข้อผิดพลาดทันที—นี่คือรูปแบบที่วิดีโอ AI มักพลาดที่สุด ใบหน้าของตัวละครเปลี่ยนไปเมื่อหันศีรษะ แก้วในมือจับดูไม่แน่น เงาและแหล่งกำเนิดแสงไม่สอดคล้องกัน ความยากของความสมจริงไม่เคยอยู่ที่ภาพใดภาพหนึ่ง แต่อยู่ที่ว่าเมื่อภาพเริ่มเคลื่อนไหวแล้ว องค์ประกอบทั้งหมดจะยังคงสอดคล้องกันได้หรือไม่

บทความนี้จะแยกกระบวนการสร้างวิดีโอสมจริงใน NadouPro ออกเป็น 4 ขั้นตอน: กำหนดองค์ประกอบที่ห้ามเปลี่ยนก่อน จากนั้นเลือกวัสดุอินพุตให้ถูก แล้วกำกับแอ็กชัน กล้อง และเสียง สุดท้ายตรวจทานและแก้ไขตามจุดตรวจ

ดูสัญญาณ 7 ข้อก่อน: วิดีโอ AI แบบไหนจึงเรียกว่าสมจริง

การหยุดดูหนึ่งเฟรมกับการดูต่อเนื่องทั้งช่วง เป็นมาตรฐานการตรวจสอบคนละแบบ มิติ 7 ข้อต่อไปนี้แทบจะเป็นตัวกำหนดว่าวิดีโอหนึ่งชิ้นน่าเชื่อถือหรือไม่:

สัญญาณความสมจริง	สภาพที่เป็นธรรมชาติ	สภาพที่เผยข้อผิดพลาด
ความสอดคล้องของตัวตน	ใบหน้า เสื้อผ้า และรายละเอียดผลิตภัณฑ์ยังจดจำได้ตลอดทั้งคลิป	อวัยวะบนใบหน้าเลื่อน รายละเอียดหาย สัดส่วนเปลี่ยน
ความเป็นธรรมชาติของแอ็กชัน	การเคลื่อนไหวมีจังหวะ น้ำหนัก และทิศทางที่สมเหตุสมผล	ตัวละครลอย เลื่อนไถล หรือขาดช่วงเปลี่ยนผ่าน
การแสดงผลทางฟิสิกส์	เส้นผม ผ้า และวัตถุตอบสนองต่อการเคลื่อนไหวและการสัมผัสอย่างเป็นธรรมชาติ	แรงโน้มถ่วง การชน และปฏิสัมพันธ์ของวัตถุไม่เป็นไปตามสามัญสำนึก
การเคลื่อนไหวของกล้อง	การเคลื่อนกล้องเหมือนการถ่ายจริงและมีเจตนาชัดเจน	การเคลื่อนกล้องประหลาด ซับซ้อนเกินไป หรือหลุดจากบริบทของฉาก
แสงเงาและวัสดุ	ทิศทางแสง เงา การสะท้อน และพื้นผิวคงที่ตลอดคลิป	เงากระโดด การสะท้อนเปลี่ยนฉับพลัน พื้นผิวเปลี่ยนไป
ความต่อเนื่องของฉาก	ตัวละคร อุปกรณ์ประกอบฉาก และฉากหลังคงที่ข้ามช็อต	รายละเอียดบิดเบี้ยวระหว่างเฟรมต่อเฟรม หรือช็อตต่อช็อต
ภาพและเสียงสอดคล้องกัน	บทพูด เสียงสภาพแวดล้อม และเอฟเฟกต์เสียงตรงกับแอ็กชันในภาพ	เวลา ระดับเสียง และมิติพื้นที่ของเสียงหลุดจากภาพ

การประเมินในอุตสาหกรรมก็กำลังมุ่งไปในทิศทางนี้เช่นกัน เช่น VBench-2.0 (บทความบน arXiv) นำความเที่ยงตรงของตัวละคร ความควบคุมได้ ฟิสิกส์ และสามัญสำนึกเข้าไปในการประเมิน; T2VPhysBench (บทความบน arXiv) ตรวจสอบโดยเฉพาะว่าแอ็กชันที่สร้างขึ้นเป็นไปตามกฎฟิสิกส์จริงหรือไม่ ภาพสวยเป็นเพียงตั๋วเข้าประตู ฟิสิกส์และความสอดคล้องต่างหากคือเส้นแบ่งสำคัญ

ขั้นตอนที่ 1: กำหนดก่อนว่าอะไรห้ามเปลี่ยน

ก่อนสร้าง ให้เขียนคำถาม 4 ข้อลงมา: ตัวเอกคือใคร แอ็กชันหลักคืออะไร ฉากและโทนสไตล์เป็นแบบไหน และรายละเอียดใดที่ห้ามเปลี่ยนข้ามช็อต จุดโฟกัสของแต่ละประเภทคอนเทนต์แตกต่างกันมาก:

ประเภทวิดีโอ	รายละเอียดที่ต้องล็อกไว้
ตัวละครพูดหน้ากล้อง	ใบหน้า สีหน้า รูปปาก เสียง
เดินและถ่ายตาม	การเคลื่อนไหวของร่างกาย การลงน้ำหนักเท้าบนพื้น ความรู้สึกของน้ำหนักตัว
วิดีโอผลิตภัณฑ์	รูปทรง วัสดุ โลโก้ การสะท้อนแสง
วิดีโอสั้นมุมมองผู้ใช้	ท่าทางมือที่เป็นธรรมชาติ ความรู้สึกแบบถือกล้องจริง องค์ประกอบภาพที่สมจริง
ฉากกลางแจ้ง	แสง เงา สภาพอากาศ และการเปลี่ยนแปลงของสภาพแวดล้อม
เรื่องราวหลายช็อต	ตัวละคร เสื้อผ้า อุปกรณ์ประกอบฉาก ความต่อเนื่องของฉาก

ขั้นตอนนี้ดูเรียบง่าย แต่เป็นฐานรากของการควบคุมทั้งหมดหลังจากนั้น หากไม่ได้กำหนดเกณฑ์ให้ดี การแก้ไขภายหลังก็เป็นเพียงการเดา

ขั้นตอนที่ 2: ใช้วัสดุอินพุตให้ถูก เพื่อวางพื้นฐานภาพให้ดี

โหนดวิดีโอของ NadouPro รองรับโหมดสร้างหลายแบบ ให้เลือกตามวัสดุที่คุณมี:

ข้อความเป็นวิดีโอ สำหรับฉากใหม่ที่เริ่มจากศูนย์ ให้เขียนตัวแบบ สภาพแวดล้อม แอ็กชัน และสไตล์ภาพให้ชัดในพรอมต์โดยตรง เหมาะกับภาพยนตร์คอนเซปต์หรือโปรเจกต์ที่ไม่มีวัสดุสำเร็จรูป

เฟรมต้นและเฟรมท้าย หากตัวละคร ผลิตภัณฑ์ หรือองค์ประกอบภาพมีภาพสรุปแล้ว ให้ใช้ภาพเป็นเฟรมเริ่มต้น แล้วให้พรอมต์รับหน้าที่อธิบายการเคลื่อนไหว กล้อง และการดำเนินฉาก เหมาะกับการทำให้ตัวละครเคลื่อนไหวและการนำเสนอผลิตภัณฑ์

หลายเรเฟอเรนซ์ หากต้องการให้ตัวละครหรือผลิตภัณฑ์เดียวกันคงใบหน้าเดียวกัน บรรจุภัณฑ์ชุดเดียวกันในหลายช็อต ให้ใส่ภาพอ้างอิงหลายมุม เพื่อให้โมเดลเข้าใจตัวแบบนี้ก่อนสร้างแอ็กชันใหม่และมุมกล้องใหม่ ใช้ชุดวัสดุอ้างอิงเดียวกันซ้ำระหว่างช็อตที่เกี่ยวข้อง และคงถ้อยคำสำคัญในการอธิบายภาพไว้ชุดเดียวกัน ความสอดคล้องจะดีขึ้นอย่างเห็นได้ชัด

การควบคุมแอ็กชัน เมื่อต้องการจำลองแอ็กชันจริงช่วงหนึ่ง ให้ใช้แอ็กชันอ้างอิงขับเคลื่อนการสร้าง ซึ่งเสถียรกว่าการอธิบายแอ็กชันด้วยข้อความล้วนมาก

สำหรับภาพที่เกี่ยวข้องกับปฏิสัมพันธ์ทางฟิสิกส์จำนวนมาก เช่น การชน การตก ของไหล ในการเลือกโมเดลควรพิจารณา Bach 1.0 เป็นลำดับแรก เพราะมีประสิทธิภาพด้านความสอดคล้องทางฟิสิกส์ยอดเยี่ยม

ขั้นตอนที่ 3: กำกับแอ็กชัน กล้อง เสียง และลำดับช็อต

อย่ากองคำคุณศัพท์อย่าง “กลิ่นอายภาพยนตร์” “สมจริงสุดๆ” ลงในพรอมต์ เพราะคำเหล่านี้อธิบายความรู้สึกที่เห็น แต่ไม่ได้บอกโมเดลว่าคนต้องขยับอย่างไร กล้องต้องเดินอย่างไร หรือเสียงมาจากไหน โครงสร้างพรอมต์ที่ใช้งานได้จริงคือ:

ตัวแบบ + แอ็กชัน + การเปลี่ยนแปลงสีหน้า + การเคลื่อนไหวของกล้อง + การเปลี่ยนแปลงของสภาพแวดล้อม + แสง + เสียง

แต่ละองค์ประกอบรับผิดชอบคนละส่วน:

องค์ประกอบ	เนื้อหาที่อธิบาย
ตัวแบบ	ตัวละคร ผลิตภัณฑ์ หรือจุดโฟกัสของภาพ
แอ็กชัน	การเคลื่อนไหวหลักที่ขับเคลื่อนฉาก
การเปลี่ยนแปลงสีหน้า	สีหน้า การตอบสนองของร่างกาย การเคลื่อนไหวเล็กๆ
การเคลื่อนไหวของกล้อง	ถ่ายตาม ดอลลี่เข้า แพน ทิลต์ หรือถือกล้อง
การเปลี่ยนแปลงของสภาพแวดล้อม	ลม เสื้อผ้าที่พลิ้ว การสะท้อน การตอบสนองของวัตถุรอบข้าง
แสง	ทิศทางของแหล่งกำเนิดแสง ความนุ่มแข็ง และที่มา
เสียง	บทพูด เสียงสภาพแวดล้อม เสียงฝีเท้า เอฟเฟกต์เสียงของวัตถุ

ประเด็นสำคัญ 3 ข้อที่ทำให้แอ็กชันเป็นธรรมชาติมากขึ้น: แต่ละช็อตให้เหลือแอ็กชันหลักเพียงหนึ่งอย่าง อย่ายัดการเปลี่ยนแปลงหลายอย่างไว้ในเวลาเดียวกัน และเขียนการสัมผัสทางฟิสิกส์ที่สำคัญให้ชัด เช่น มือหยิบวัตถุ เท้าเหยียบพื้น แอ็กชันรองควรเพิ่มเมื่อช่วยสนับสนุนแอ็กชันหลักเท่านั้น

คอนเทนต์หลายช็อตควรจัดลำดับช็อตก่อนเริ่มสร้าง เมื่อต้องใช้หลายมุมมอง หลายช่วงแอ็กชัน หรือทรานซิชัน ให้ใช้โหนดสตอรีบอร์ดแยกสคริปต์เป็นช็อตได้ในครั้งเดียว ระบบจะระบุตัวละคร ฉาก และอุปกรณ์ประกอบฉากโดยอัตโนมัติ จากนั้นตั้งค่าองค์ประกอบภาพ ขนาดภาพ แอ็กชัน และการเคลื่อนกล้องทีละช็อต แล้วดำเนินการเป็นชุดได้ หรือเลือกโมเดลที่รองรับหลายช็อตโดยตรงก็ได้: MiniMax H3 สร้างหลายช็อตพร้อมกัน, Happy Horse 1.1 หลายช็อตอัจฉริยะ, 通义-Wan 3.0 หลายช็อตอัจฉริยะเอาต์พุตยาวพิเศษ, Vidu Q3 รองรับสตอรีบอร์ดวิดีโอ

โครงสร้างพื้นฐาน 3 ช็อตสามารถนำไปใช้ได้โดยตรง:

ช็อต	หน้าที่
ช็อตที่ 1: สร้างฉาก	แนะนำตัวละคร ผลิตภัณฑ์ หรือสภาพแวดล้อม และวางโทนภาพ
ช็อตที่ 2: แสดงแอ็กชัน	โฟกัสที่แอ็กชันหลักหรือปฏิสัมพันธ์ที่ขับเคลื่อนฉาก
ช็อตที่ 3: จับรายละเอียดหรือปฏิกิริยา	เน้นรายละเอียดสำคัญ ปฏิกิริยาทางอารมณ์ หรือผลลัพธ์ของแอ็กชัน

ขั้นตอนที่ 4: สร้าง ตรวจทาน และแก้ไข

เมื่อเรเฟอเรนซ์ พรอมต์ และโครงสร้างช็อตพร้อมแล้ว ให้ตั้งค่าความละเอียดและความยาว เมื่อภาพต้องมีเสียง โมเดลวิดีโอของ NadouPro ล้วนรองรับการซิงก์เสียงกับภาพ โดยสร้างบทพูด เสียงสภาพแวดล้อม และเอฟเฟกต์เสียงตามภาพในครั้งเดียว ทำให้เสียงและแอ็กชันตรงกันโดยธรรมชาติ

หลังสร้างเสร็จ อย่าดูแค่เฟรมต้นและเฟรมท้าย ให้ดูครบหนึ่งรอบ แล้วตรวจทีละข้อจากตารางด้านล่าง:

รายการตรวจสอบ	ดูอะไร	แก้อย่างไร
ตัวละครและตัวแบบหลัก	ใบหน้า เสื้อผ้า และรายละเอียดผลิตภัณฑ์สอดคล้องกันหรือไม่	เพิ่มภาพอ้างอิงหรือวัสดุหลายเรเฟอเรนซ์
แอ็กชัน	การเคลื่อนไหวเป็นธรรมชาติและสอดคล้องกับตรรกะของฉากหรือไม่	เขียนคำอธิบายแอ็กชันให้เฉพาะเจาะจงยิ่งขึ้น
ปฏิสัมพันธ์	การสัมผัสระหว่างคนกับวัตถุสมเหตุสมผลหรือไม่	เพิ่มคำอธิบายรายละเอียดของปฏิสัมพันธ์สำคัญ
การเคลื่อนไหวของกล้อง	การเคลื่อนกล้องเข้ากับโทนโดยรวมหรือไม่	เปลี่ยนเป็นวิธีเคลื่อนกล้องที่เหมาะกว่า
แสงเงาและวัสดุ	เงา การสะท้อน และพื้นผิวคงที่หรือไม่	ระบุทิศทางแหล่งกำเนิดแสงและเงื่อนไขของสภาพแวดล้อมให้ชัด
สภาพแวดล้อม	องค์ประกอบฉากหลังสนับสนุนฉากหรือไม่	รักษาการตั้งค่าภาพให้เป็นหนึ่งเดียว
เสียง	บทพูด เสียงสภาพแวดล้อม และเอฟเฟกต์เสียงตรงกับภาพหรือไม่	ปรับคำอธิบายเสียง

เมื่อผลลัพธ์ยังไม่ดี ให้แก้จุดใดจุดหนึ่งก่อนระหว่างวัสดุอ้างอิง พรอมต์ หรือโครงสร้างช็อต แล้วสร้างใหม่ การปรับรายละเอียดสำคัญเพียงเล็กน้อยมักได้ผลมากกว่าการเขียนพรอมต์ทั้งช่วงใหม่

เมื่อจำเป็นต้องใช้ความคมชัดสูงขึ้น สามารถเลือกโมเดลที่รองรับ 4K ได้ เช่น Kling 3.0 Omni หรือใช้วิดีโอความละเอียดสูงพิเศษและการแทรกเฟรมความละเอียดสูงพิเศษเพื่อยกระดับในขั้นตอนหลังการผลิต

คำถามที่พบบ่อย

ถาม: ทำอย่างไรให้วิดีโอ AI ดูสมจริงขึ้น?
ใช้คำคุณศัพท์ให้น้อยลง และเขียนข้อมูลเฉพาะให้มากขึ้น: อธิบายตัวแบบ แอ็กชัน กล้อง แสง และเสียงทีละรายการ เมื่อตัวละครหรือผลิตภัณฑ์ต้องสอดคล้องกันข้ามช็อต ให้ป้อนภาพหรือวิดีโออ้างอิงให้โมเดล ทำแอ็กชันหลักหนึ่งอย่างให้ดีก่อน แล้วค่อยเพิ่มสิ่งอื่นเข้าไปในฉาก

ถาม: โมเดลแบบไหนเหมาะกับการทำวิดีโอสมจริงมากกว่า?
ไม่มีคำตอบเดียวที่ครอบคลุมทุกฉาก: หากต้องการให้ตัวละครเสถียร ให้ใช้วัสดุอ้างอิงและโหมดหลายเรเฟอเรนซ์มากขึ้น; หากต้องการฟิสิกส์ที่น่าเชื่อถือ ให้ให้ความสำคัญกับ Bach 1.0; หากต้องการลองช็อตยาวแบบภาพยนตร์ ให้ดู Seedance 2.5; หากต้องการเอาต์พุต 4K ให้เลือก Kling 3.0 Omni เลือกตามมิติการควบคุมที่โปรเจกต์ต้องการ

ถาม: ทำไมภาพนิ่งหนึ่งเฟรมดูดีมาก แต่พอต่อเนื่องกันแล้วดูปลอม?
เพราะความสมจริงขึ้นอยู่กับความเสถียรในมิติเวลา: รูปลักษณ์ตัวละครที่เลื่อนเปลี่ยน รายละเอียดวัตถุที่เปลี่ยน แสงเงาที่กระโดด และปฏิสัมพันธ์ระหว่างคนกับวัตถุที่ผิดเพี้ยน ล้วนถูกขยายให้เห็นชัดเมื่อเล่นต่อเนื่อง ภาพสวยเป็นเพียงจุดเริ่มต้น ความสอดคล้องตลอดทั้งคลิปต่างหากคือจุดยาก หลังสร้างแล้ว หากบางช่วงมีปัญหา สามารถใช้โหมดตัดต่อวิดีโอแก้ไขเฉพาะส่วนนั้นได้

ถาม: ใช้แค่พรอมต์ข้อความ จะทำวิดีโอสมจริงได้ไหม?
ได้ โดยมีเงื่อนไขว่าฉากนั้นไม่พึ่งพาตัวละคร ผลิตภัณฑ์ หรือองค์ประกอบแบรนด์ที่ต้องคงที่ ให้เขียนตัวแบบ แอ็กชัน กล้อง แสง สภาพแวดล้อม และเสียงให้เฉพาะเจาะจงที่สุด เมื่อจำเป็นต้องให้ตัวแบบเดิมปรากฏข้ามช็อต ต้องเพิ่มวัสดุอ้างอิงเสมอ

ถาม: หลังได้วิดีโอสำเร็จแล้ว ยังเปลี่ยนฉากหลังได้ไหม?
ได้ โหมดตัดต่อวิดีโอของ NadouPro รองรับการแก้ไขเฉพาะส่วนบนวิดีโอที่สร้างแล้ว และเมื่อใช้ร่วมกับโหนดตัดต่อ ก็สามารถตัดตัวแบบเข้าไปในฉากใหม่ได้ เหมาะกับการนำวิดีโอผลิตภัณฑ์และคอนเทนต์แบรนด์กลับมาใช้ซ้ำ

ยินดีต้อนรับให้ไปลองฟีเจอร์เพิ่มเติมที่ NadouPro: NadouPro

เนื้อหานี้มีข้อมูลที่สร้างโดย AI ซึ่งอาจไม่ถูกต้อง โปรดตรวจสอบด้วยตนเอง