ศึกทำมิวสิกวิดีโอ AI ด้วยงบ 100 ดอลลาร์: Claude Fable 5 vs. GPT-5.6 Sol

 (tryai.dev)
1 คะแนน โดย GN⁺ 3 시간 전 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • เมื่อให้ Claude Fable 5 และ GPT-5.6 Sol ใช้เพลงและเนื้อเพลงเดียวกัน พร้อม งบ 25/100 ดอลลาร์, การค้นเว็บ และ ffmpeg แล้วมอบหมายให้ทำตั้งแต่ค้นคว้า สร้างวิดีโอ ไปจนถึงตัดต่อ ผลคือทั้งสี่รันสร้างวิดีโอความยาวเต็มที่รวมเพลงต้นฉบับได้สำเร็จแบบอัตโนมัติ
  • ทั้งสองเลือกโมเดลสร้างสรรค์และวิธีผลิตเองด้วย โดยสามในสี่รันใช้ text-to-video และมีเพียงรัน 25 ดอลลาร์ของ Sol ที่วาง pipeline แบบสร้างภาพนิ่งก่อนแล้วค่อยทำเป็นแอนิเมชัน
  • ต้นทุนการสร้างในรัน 100 ดอลลาร์อยู่ที่ Sol 36.57 ดอลลาร์, Fable 48.60 ดอลลาร์ และเมื่อรวมต้นทุนโทเคนของ LLM จะเป็น 39.82 ดอลลาร์และ 73.65 ดอลลาร์ตามลำดับ โดย Fable เสร็จเร็วกว่าแต่แพงกว่า
  • ผลลัพธ์ทั้งหมดขาดความสม่ำเสมอของตัวละครและเรื่องราว, การซิงก์จังหวะ ระหว่างการเคลื่อนไหวภายในวิดีโอกับเพลง และการตรวจทานตนเองเพื่อประเมิน/ตัดต่อคลิปที่สร้างขึ้นใหม่ อีกทั้งยังมีแนวโน้มตีความเนื้อเพลงเป็นภาพแบบตรงตัวเกินไป
  • รัน 25 ดอลลาร์ของ Sol แสดงการตัดต่อที่สร้างสรรค์ที่สุดด้วยการใช้ข้อความซ้อนทับและเอฟเฟกต์กับภาพนิ่ง แต่โดยรวมยังเป็นเพียงการนำคลิปที่สร้างมาต่อกัน และใช้ งบ 100 ดอลลาร์กับ Replicate ได้ไม่เต็มที่

การทดลองสร้างมิวสิกวิดีโอแบบอัตโนมัติ

  • ออกแบบ agent harness ขนาดเล็ก โดยป้อนเพลง งบดอลลาร์คงที่ และเครื่องมือ แล้วให้ทำงานสร้างมิวสิกวิดีโอทั้งหมดแบบอัตโนมัติ
    • ค้นคว้าโมเดลสร้างวิดีโอและ API ที่จะใช้
    • สร้างคลิปและตรวจดูเอง
    • ตัดต่อด้วย ffmpeg เพื่อประกอบเป็นวิดีโอสุดท้าย
  • เพื่อดูความแตกต่างของวิธีใช้เครื่องมือในแต่ละโมเดล จึงจัดเป็น งานระยะยาวแบบเปิดกว้าง ที่ให้แต่ละโมเดลตัดสินใจเองว่าจะค้นคว้าอะไร สร้างคอนเทนต์แบบไหน และตัดต่ออย่างไร
  • บันทึกการเรียกใช้เครื่องมือทั้งหมดไว้เพื่อให้ตรวจสอบขั้นตอนการทำงานของแต่ละโมเดลได้ และเผยแพร่ harness ทั้งหมดไว้ที่ music-video-arena
  • รัน Claude Fable 5 และ GPT-5.6 Sol ด้วยงบ 25 ดอลลาร์และ 100 ดอลลาร์ตามลำดับ รวมทั้งหมดสี่รันเพื่อเปรียบเทียบ
  • ทุกการรันได้รับเพลง “Uptown Funk” ของ Bruno Mars และ Mark Ronson, คำอธิบายข้อความสั้น ๆ และบันทึกเนื้อเพลงที่มี timestamp เหมือนกัน

เครื่องมือ 6 รายการและข้อจำกัดด้านงบประมาณ

  • แต่ละโมเดลใช้ เครื่องมือ 6 รายการ ต่อไปนี้ในลูปการเรียกเครื่องมือแบบอัตโนมัติ
    • plan: จัดระเบียบความคิดโดยไม่มีค่าใช้จ่ายหรือการทำงานจริง
    • web_search: ค้นคว้าโมเดลสร้างสรรค์และ API และค้นหาข้อมูลมิวสิกวิดีโอหากจำเป็น
    • get_budget: ตรวจสอบงบประมาณคงเหลือ
    • generate_image, generate_video: เครื่องมือเดียวที่ใช้งบ โดยโมเดลเลือกโมเดลและพารามิเตอร์ของ FAL หรือ Replicate เอง
    • run_command: เชลล์ภายในเครื่องสำหรับใช้ ffmpeg และ ffprobe วิเคราะห์เสียง ตัด/ต่อคลิป และรวมเป็นวิดีโอสุดท้าย
  • เมื่องบเหลือ 0 คำขอสร้างแบบมีค่าใช้จ่ายจะถูกปฏิเสธ แต่ยังสามารถทำ การตัดต่อภายหลัง ต่อได้
  • บันทึกไว้ทั้งหมดทั้งข้อความของโมเดล การเรียกเครื่องมือ การคิดค่าใช้จ่าย และข้อผิดพลาด

ผลลัพธ์จากการรันทั้งสี่ครั้ง

  • ทุกการรันจบเองโดยไม่ติดข้อจำกัดด้านขั้นตอนหรือเวลา และสร้างวิดีโอที่ใช้งานได้แบบ ความยาวเต็มพร้อมเพลงต้นฉบับ
  • เวลาในการรันและผลลัพธ์ที่สร้างได้มีดังนี้
    • Fable 5 · 25 ดอลลาร์: 39 นาที 10 วินาที, 54 คลิป, ล้มเหลว 1 ครั้ง, 24.30 ดอลลาร์, 1280×720
    • Sol · 25 ดอลลาร์: 42 นาที 52 วินาที, 46 คลิป, ล้มเหลว 10 ครั้ง, 23.18 ดอลลาร์, 1280×720
    • Sol · 100 ดอลลาร์: 49 นาที 39 วินาที, 70 คลิป, ล้มเหลว 2 ครั้ง, 36.57 ดอลลาร์, 1280×720
    • Fable 5 · 100 ดอลลาร์: 38 นาที 56 วินาที, 80 คลิป, ไม่ล้มเหลว, 48.60 ดอลลาร์, 1920×1080
  • ต้นทุนการสร้าง หมายถึงเฉพาะค่าใช้จ่ายตามการใช้งานของ FAL และไม่รวมต้นทุนโทเคนของการรันโมเดลเอง
  • ในรัน 25 ดอลลาร์ ทั้งสองโมเดลใช้งบเกือบหมด แต่ในรัน 100 ดอลลาร์ Sol ใช้เพียง 36.57 ดอลลาร์ และ Fable ใช้ 48.60 ดอลลาร์
  • เมื่องบเพิ่มขึ้น ปริมาณวิดีโอที่สร้างก็เพิ่มขึ้นด้วย โดยจำนวนคลิปเฉพาะของแต่ละรันอยู่ที่ 46–80 คลิป
  • เวลาแบบ wall-clock รวมเวลาที่โมเดล retry และเวลารอในคิวของผู้ให้บริการด้วย

pipeline การสร้างของแต่ละโมเดล

  • เมื่อปล่อยให้โมเดลเลือกเครื่องมือเอง สามในสี่รันใช้เฉพาะ text-to-video และมีเพียงรัน 25 ดอลลาร์ของ Sol ที่สร้าง pipeline แบบ image-to-video
  • Fable 5 · 25 ดอลลาร์
    • เลือก Wan 2.5 t2v โดยไม่ใช้โมเดลภาพ
    • เป็นวิธี text-to-video ที่คิดราคา 0.05 ดอลลาร์ต่อวิดีโอเอาต์พุต 1 วินาที
  • Sol · 25 ดอลลาร์
    • สร้าง keyframe ด้วย FLUX schnell ที่ราคา 0.003 ดอลลาร์ต่อภาพ
    • ทำภาพนิ่งเป็นแอนิเมชันด้วย Wan 2.2-5b i2v ที่ราคา 0.10 ดอลลาร์ต่อวินาที
  • Sol · 100 ดอลลาร์
    • ผสม โมเดลวิดีโอสามแบบ ในรันเดียว ได้แก่ Wan 2.5, Veo 3.1 Lite และ Hailuo 2.3 Standard โดยไม่ใช้โมเดลภาพ
    • Wan 2.5 คิด 0.05 ดอลลาร์ต่อวินาที, Veo 3.1 Lite คิด 0.10 ดอลลาร์ต่อวินาที และ Hailuo 2.3 Standard คิดประมาณ 0.28 ดอลลาร์ต่อคลิปราว 6 วินาที
  • Fable 5 · 100 ดอลลาร์
    • ใช้เฉพาะ Seedance 1.0 Pro t2v โดยไม่ใช้โมเดลภาพ
    • เป็นราคาตามโทเคนประมาณ 0.62 ดอลลาร์ต่อคลิป 1080p ความยาว 5 วินาที หรือประมาณ 0.12 ดอลลาร์ต่อวินาที
  • แม้จะให้คีย์ของทั้งสองบริการ แต่ทั้งสี่รันใช้เฉพาะ FAL และไม่เข้าถึง Replicate

การเรียกเครื่องมือและข้อผิดพลาด

  • สถิติการเรียกเครื่องมือนับรวมทั้งคำขอที่สำเร็จและ ความพยายามสร้างที่ล้มเหลว
  • สามารถดูแผนทั้งหมด รวมถึงบันทึกการเรียกและคำสั่งของแต่ละรันได้จาก transcript ต่อไปนี้
  • การเรียกที่ล้มเหลวส่วนใหญ่เกิดจาก ข้อผิดพลาดเครือข่าย ชั่วคราวกับผู้ให้บริการ
  • คำขอที่ล้มเหลวไม่ถูกคิดเงิน แต่ใช้ขั้นตอนการทำงานไปในระหว่าง retry

การใช้โทเคนและต้นทุนรวมจริง

  • ปริมาณการใช้โทเคนของแต่ละรันมีดังนี้
    • Fable 5 · 25 ดอลลาร์: อินพุต 1,476,900 โทเคน, เอาต์พุต 44,341 โทเคน, ไม่มีอินพุตแคช
    • Sol · 25 ดอลลาร์: อินพุต 2,956,270 โทเคน, เอาต์พุต 33,220 โทเคน, reasoning 9,656 โทเคน, อินพุตแคช 2,558,029 โทเคน
    • Sol · 100 ดอลลาร์: อินพุต 2,097,572 โทเคน, เอาต์พุต 31,715 โทเคน, reasoning 12,330 โทเคน, อินพุตแคช 1,819,050 โทเคน
    • Fable 5 · 100 ดอลลาร์: อินพุต 2,264,610 โทเคน, เอาต์พุต 48,029 โทเคน, ไม่มีอินพุตแคช
  • ราคาโทเคนของ Fable 5 อยู่ที่ 10 ดอลลาร์/50 ดอลลาร์ ต่ออินพุตและเอาต์พุต 1 ล้านโทเคนตามลำดับ ส่วน Sol อยู่ที่ 5 ดอลลาร์/30 ดอลลาร์ ตามลำดับ
  • ต้นทุนรวมของแต่ละรันเมื่อรวมค่าการสร้างกับต้นทุนโทเคน LLM มีดังนี้
    • Fable 5 · 25 ดอลลาร์: สร้าง 24.30 ดอลลาร์ + LLM 16.99 ดอลลาร์ = 41.29 ดอลลาร์
    • Sol · 25 ดอลลาร์: สร้าง 23.18 ดอลลาร์ + LLM 4.27 ดอลลาร์ = 27.45 ดอลลาร์
    • Sol · 100 ดอลลาร์: สร้าง 36.57 ดอลลาร์ + LLM 3.25 ดอลลาร์ = 39.82 ดอลลาร์
    • Fable 5 · 100 ดอลลาร์: สร้าง 48.60 ดอลลาร์ + LLM 25.05 ดอลลาร์ = 73.65 ดอลลาร์
  • เฉพาะต้นทุนโทเคนของ Fable ก็อยู่ที่ 16.99–25.05 ดอลลาร์ คิดเป็นราว 30–40% ของต้นทุนรวม
  • Sol มีต้นทุนโทเคนเพียงประมาณ 3–4 ดอลลาร์ แม้ขนาดโทเคนใกล้เคียงกัน
  • ต้นทุนการสร้างเป็น ค่าประมาณที่ดีที่สุด จากตารางราคาของแต่ละโมเดล

ข้อจำกัดที่เห็นจากผลลัพธ์

  • ทั้งสี่วิดีโอมีหน้าตาของตัวละครที่ปรากฏซ้ำเปลี่ยนไปในแต่ละฉาก และไม่สามารถรักษา เรื่องราวที่สอดคล้องกัน ตั้งแต่ต้นจนจบได้
  • มีแนวโน้มตีความเนื้อเพลงตรงตัวเกินไป
    • ในท่อน “Make a dragon wanna retire, man” มีการนำมังกรจริง ๆ มาแสดงบนจอ
    • บางฉากก็น่าสนใจ แต่เมื่อทำซ้ำด้วยแนวทางเดียวกันจึงดูขัดตา
  • ทุกการรันใช้ ffmpeg ตรวจจับ beat และตัดภาพให้ตรงจังหวะ แต่การเคลื่อนไหวภายในคลิป เช่น การเต้นและการเคลื่อนกล้อง แทบไม่ตรงกับ tempo ของเพลง
    • ในฉาก “gotta kiss myself I’m so pretty” ท่าจูบของตัวเอกช้าเกินไปมาก
  • รัน 25 ดอลลาร์ของ Sol ใช้วิธีตัดต่อที่ไม่เห็นในรันอื่น เช่น ซ้อนข้อความและขยับภาพนิ่งด้วยเอฟเฟกต์วิดีโอ
  • รันอื่น ๆ ส่วนใหญ่เป็นการนำคลิปที่สร้างมาต่อกันแบบง่าย ๆ และมีเพียงรัน 100 ดอลลาร์ของ Sol ที่ลองใช้โมเดลวิดีโอหลายตัวร่วมกัน ต่างจาก Fable

ข้อจำกัดของการตรวจทานตนเองและการใช้งบประมาณ

  • หลังสร้างคลิปแล้วนำมาต่อและรวมกับเสียง แต่แทบไม่มี การวนซ้ำเพื่อตัดต่อ เช่น ตัดออกใหม่หรือเพิ่มเอฟเฟกต์
  • ไม่ได้ตรวจสอบคุณภาพของคลิปที่สร้างอย่างจริงจัง และผลลัพธ์ 100 ดอลลาร์ของ Sol ก็มีคลิป AI คุณภาพต่ำรวมอยู่ด้วย
  • Fable 5 บังเอิญเลือกโมเดลที่ให้ผลลัพธ์สม่ำเสมอกว่า
  • Fable เสร็จเร็วกว่า Sol แต่ต้นทุนต่อรันสูงกว่า และยังทำสถิติต้นทุนรวมสูงสุด
  • ในเชิงความเห็นส่วนตัว วิดีโอ 100 ดอลลาร์ของ Fable น่าชอบกว่าเล็กน้อย แต่ผลลัพธ์ทั้งสี่ก็ยังไม่ถึงระดับยอดเยี่ยม
  • แม้มี งบ 100 ดอลลาร์ ทั้งสองโมเดลก็ไม่ได้ใช้เงินใกล้เพดาน และจำนวนขั้นตอนการทำงานก็ไม่มาก
    • งบที่เหลือสามารถนำไปสร้างภาพตัวละครที่สอดคล้องกันก่อน แล้วค่อยทำเป็นแอนิเมชันได้ แต่ไม่มีโมเดลใดเลือกวิธีนี้
  • สำหรับงานที่มีความเป็นอัตวิสัยและเน้นสไตล์ แม้แต่โมเดลระดับแนวหน้าก็ยังมีพื้นที่ให้พัฒนาอีกมาก

ลองรันเอง

  • สามารถไปที่ music-video-arena เพื่อระบุเพลงและงบที่ต้องการ แล้วเปลี่ยนโมเดลที่ใช้เปรียบเทียบเพื่อรันทดลองแบบเดียวกันได้
  • โปรเจกต์นี้เป็น โอเพนซอร์ส และรับ issue, PR รวมถึงฟีดแบ็กเกี่ยวกับการตั้งค่าการทดลอง

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 3 시간 전
ความคิดเห็นจาก Hacker News

  • เมื่อเทียบกับไม่กี่ปีก่อน เทคโนโลยีนี้น่าประทับใจ แต่ ไม่มีคุณค่าทางศิลปะเลยแม้แต่น้อย ผลลัพธ์เหมือนเมือกสีเทาที่เอาแนวคิดทุกอย่างที่เพลงชวนให้นึกถึงมาหาค่าเฉลี่ยรวมกัน และถ้าเป็นผู้สร้างที่มีพรสวรรค์กับวิสัยทัศน์ ต่อให้ไม่มีงบก็น่าจะทำงานที่น่าสนใจและสนุกกว่านี้ได้ภายในครึ่งบ่าย

    • ไม่ได้อยากให้ AI มาแย่งงาน แต่แม้แต่วิสัยทัศน์ที่เดิมทีอาจต้องใช้ งบ 1 ล้านดอลลาร์ ตอนนี้ผู้สร้างก็อาจทำให้เกิดขึ้นได้ หากระบุความต้องการอย่างละเอียดพอที่จะหลีกเลี่ยงผลลัพธ์แบบค่าเฉลี่ยเช่นนี้
      ตัวอย่างเช่น สามารถสั่งฉากและจังหวะเวลาอย่างละเอียดได้ว่า ให้ตัวละครสองคนจากฉากก่อนหน้าแต่งชุดมหาปุโรหิตแห่งอาณาจักรกลางของอียิปต์ที่มีใบหน้าแมว ขี่อยู่บนหลังช้างที่วิ่งไปบนแม่น้ำและเต้นตามดนตรี AI เป็นเครื่องมือ ดังนั้นถ้าสั่งแค่ว่า “ช่วยทำมิวสิกวิดีโอธีมอียิปต์จากเพลงนี้” แล้วออกมาหยาบ ๆ ก็เป็นเรื่องปกติ
    • ที่จริงกลับชอบ วิดีโอ generative AI ยุคแรกมากกว่าเสียอีก เพราะความไม่ต่อเนื่องระหว่างเฟรมจนวัตถุแปรสภาพ หรือโผล่มาแล้วหายไปแบบประหลาด ๆ ในวิดีโอเหมือนไข้เพ้อเหล่านั้น มีเอกลักษณ์เฉพาะของสื่อชนิดนี้อยู่ แต่ตอนนี้ส่วนใหญ่กลับติดอยู่ใน uncanny valley แบบเหมือนเอาภาพสต็อกมาขยับ
      คงจะมีคนที่ใช้ AI ในเชิงศิลปะได้ยอดเยี่ยมแน่ แต่ก็กลัวว่าเมื่อคอนเทนต์ธรรมดาที่สร้างอัตโนมัติหลั่งไหลออกมาแบบถล่มทลาย เราอาจยิ่งหางานที่น่าสนใจเจอได้ยากขึ้น ไม่ว่าจะใช้ AI หรือไม่ก็ตาม หวังว่ากระแสนี้จะพาผู้คนย้อนกลับไปหา ชุมชนท้องถิ่นออฟไลน์และศิลปะในโลกกายภาพ
    • น่าแปลกใจที่หลายคนมองข้ามผลลัพธ์นี้ง่ายเกินไป เพราะมันทำด้วยเวลา ไม่ถึง 1 ชั่วโมงและงบสูงสุด 50 ดอลลาร์ แต่ถ้าจะให้ฉันทำได้ถึงระดับเดียวกัน คงต้องฝึกวันละ 30 นาทีเป็นเวลา 1-4 ปี และก็ไม่น่าจะยอมทุ่มเวลาให้กับทักษะที่ตัวเองไม่ได้อยากได้อยู่แล้ว
      คนที่มีความสามารถและพรสวรรค์จริงสามารถใช้เครื่องมือแบบนี้ทำงานที่น่าทึ่งได้ในต้นทุนต่ำ และเทคโนโลยีก็ยังห่างไกลจากจุดสูงสุดมาก
    • ตอนนี้ผู้สร้างที่มีวิสัยทัศน์สามารถกำกับ AI ให้สร้างสิ่งที่แต่ก่อนอาจต้องใช้เงินหลายล้านดอลลาร์ หรืออาจเป็นไปไม่ได้เลย เมื่อแค่ 3-4 ปีก่อน ในวงการโปรแกรมมิงก็มีความสงสัยแบบเดียวกันว่า “อันนี้ทำไม่ได้” แต่หลายอย่างในนั้นทุกวันนี้ทำได้แล้ว จึงไม่มีเหตุผลจะมองเทคโนโลยีนี้แบบสายตาสั้น
    • สิ่งที่ดูเหมือนเมือกสีเทา จริง ๆ แล้ว งานบันเทิงระดับกลาง ๆ ส่วนมากก็เป็นแบบนั้นเหมือนกัน รายการทีวีใหม่ ๆ มีหน้าตาและบรรยากาศคล้ายกัน และใช้นักแสดงคนเดิมเล่นบทเดิมซ้ำไปมา
      ปัญหาคือผู้คนไม่ได้เอา AI ไปเทียบกับคนธรรมดาระดับเฉลี่ยในสาขานั้น แต่กลับเอาไปเทียบกับอัจฉริยะระดับที่อาจเกิดขึ้นเพียงครั้งเดียวในชีวิต

  • ไม่แน่ใจว่าเป็นเพราะพรอมป์ต์หรือวิธีทำ แต่ผลลัพธ์ ลอกเนื้อเพลงแบบตรงตัวเกินไป มิวสิกวิดีโอที่ยอดเยี่ยมมักสร้างการไหลของเรื่องตามธีม มากกว่าจะยึดตามตัวเนื้อเพลง และเริ่มอย่างคลุมเครือก่อนใช้กลวิธีเชิงวรรณศิลป์เพื่อเผยบางสิ่งออกมา
    Found ของ Amber Run เป็นตัวอย่างที่น่าเอามาเทียบระหว่างเนื้อเพลง วิดีโอ และพัฒนาการเชิงเรื่องเล่าของวิดีโอ: https://www.youtube.com/watch?v=Yj6V_a1-EUA

    • การทำภาพตามเนื้อเพลงแบบตรงตัวก็เป็นแนวทางสร้างสรรค์ที่สนุกและใช้ได้เหมือนกัน Riptide ของ Vance Joy เป็นตัวอย่างที่ดี: https://www.youtube.com/watch?v=uJ_1HMAGb4k
    • มีคนถามนักแสดงหนังผู้ใหญ่คนหนึ่งว่า ตอนถ่ายทำเขาพูดอะไรบ้าง เขาตอบว่าแค่บรรยายสิ่งที่เกิดขึ้นในแต่ละขณะตรง ๆ และ LLM ก็ทำงานแบบนั้นเป๊ะ
    • Genghis Khan ก็เป็นอีกอันที่น่าอ้างอิง: https://youtu.be/P_SlAzsXa7E
    • น่าอายตั้งแต่ต้นจนจบ แต่แค่ 30 วินาทีแรกก็ สาธิตแม่แบบของคอนเทนต์ AI คุณภาพต่ำ ได้อย่างสมบูรณ์แบบ จนกลับกลายเป็นสนุกไปเลย ตรง “Michelle Pfeiffer, that white gold” ก็ใส่ภาพผู้หญิงผมบลอนด์สวมเสื้อท่อนบนเลื่อมสีทอง ส่วน “Livin' it up in the city” ก็โชว์ภาพมหานครแบบตรงตัว
      โดยเฉพาะอันแรกจริง ๆ เป็นสำนวนที่สื่อถึงโคเคนแบบค่อนข้างชัดเจน ความตีความแบบตรงตัวสุดโต่งของวิดีโอจึงตัดกันอย่างลงตัวกับเนื้อเพลงที่ฉลาดและมีความคิดสร้างสรรค์ ถ้าเนื้อเพลงเรียบง่ายพอ ๆ กับวิดีโอ ก็คงออกมาประมาณว่า “ตอนนี้พวกเราทุกคนมาสูดโคเคนกันเถอะ!”
    • วิดีโอของ Weird Al หลายอันก็ตรงตัวสุด ๆ เหมือนกัน และนั่นแหละที่ทำให้มันตลกมาก: https://youtu.be/N9qYF9DZPdw?is=tU_8p-hDZv9gjAJ6

  • AI กำลังทำลาย โครงสร้างเศรษฐกิจที่เคยค้ำจุนศิลปินชนชั้นกลาง ในระดับใหญ่พอสมควร ศิลปินจำนวนมากได้รับค่าตอบแทนจากความสมบูรณ์แบบทางสุนทรียะมากกว่าคุณค่าทางศิลปะ และแม้งานแบบนี้อาจไม่ใช่งานที่เติมเต็มความคิดสร้างสรรค์ที่สุด แต่มันก็ช่วยให้ยังเลี้ยงชีพ ขัดเกลาฝีมือ และไล่ตามเป้าหมายการสร้างสรรค์ที่แท้จริงไปพร้อมกันได้

    • ลำโพงและอุปกรณ์บันทึกเสียงก็เคยทำลายโครงสร้างเศรษฐกิจที่จ่ายเงินให้นักดนตรีมาตั้งนานแล้ว และแม้เคยคาดกันว่ากล้องสมาร์ตโฟนกับอุปกรณ์ระดับโปรที่ใช้ง่ายจะทำให้ช่างภาพหายไป แต่ถึงจำนวนจะลดลงก็ยังคงมีอยู่
      ถ้าคุณบริหารบริษัทที่มีงบประมาณ ต่อให้ทำทุกอย่างเองได้ก็คงไม่เสียเวลาไปนั่งทำงานศิลปะด้วย Claude แน่ คนที่เคยได้ค่าตอบแทนสูงจากงานที่ AI แทนได้ง่ายจะถูกเบียดออกไป แต่เดิมทีตลาดค่าตัวสูงแบบนั้นก็ไม่ได้ใหญ่สำหรับศิลปินชนชั้นกลางอยู่แล้ว
    • พวกที่เชียร์ AI อย่างสุดลิ่มดูเหมือนต้องการโลกที่ถูกครอบงำโดย บริษัทยักษ์ใหญ่ด้านเทคโนโลยี ไม่กี่ราย ซึ่งจะคอยชี้นำความคิดและฆ่าความสร้างสรรค์ ความอิจฉาคนที่มีทักษะซึ่งฝึกฝนมานานก็สัมผัสได้ชัดในแทบทุกคำพูด
      คนที่ชู ลัทธิเร่งวิกฤต อย่างภาคภูมิใจ โดยตั้งใจทำให้ทุกอย่างแย่ที่สุดเท่าที่จะทำได้เพื่อฉุดโลกให้ตกต่ำลงมาสู่ระดับเดียวกับตัวเอง ก็มีเพิ่มขึ้นเรื่อย ๆ ซึ่งก็แทบไม่ต่างจากการยกระดับพฤติกรรมปูในถังให้กลายเป็นปรัชญาการเมือง เศรษฐกิจ และแรงงาน
    • ฉันเคยเรียนศิลปะ แต่เปลี่ยนไปเรียนวิทยาการคอมพิวเตอร์เพราะเรื่องเงินล้วน ๆ งานศิลปะ AI ส่วนใหญ่มักหยาบ ๆ แต่ก็มองข้ามความสามารถในการสร้างงานที่เคยใช้เวลาหลายเดือนให้เสร็จในไม่กี่วินาทีไม่ได้
      คนที่มีความคิดสร้างสรรค์จริง ๆ จะใช้ AI เป็น ตัวขยายความสามารถ ไม่ใช่ทางลัด และนั่นแหละคือจุดที่มันจะเริ่มน่าสนใจ ในวงการซอฟต์แวร์ก็มีคนที่เมื่อก่อนสร้างบางอย่างไม่ได้เพราะทักษะการเขียนโค้ดไม่พอ แต่ตอนนี้ทำได้ด้วย LLM อยู่แล้ว และถ้าทัศนคติแบบเดียวกันแพร่ไปในหมู่ศิลปิน เราก็อาจได้เห็นผลงาน AI ที่คู่ควรจะเรียกว่าศิลปะจริง ๆ
    • ยังไม่แน่ชัดว่าเศษขยะ AI จะทำให้สถานการณ์ที่เลวร้ายอยู่แล้วแย่ลงได้อีกแค่ไหน นักร้องป๊อประหว่างทศวรรษ 1960~1990 เองก็ต้องพึ่งพาช่องทางจัดจำหน่ายอย่างค่ายเพลง วิทยุ และ MTV ซึ่งตอนนี้หายไปแล้วหรืออย่างน้อยก็เปลี่ยนเป็นโมเดลธุรกิจที่ไม่เป็นธรรมต่อศิลปินมาตั้งแต่ราว 20 ปีก่อน
      เพลงดี ๆ ต้องไปหาจากที่อื่นมานานแล้ว และเพลงป๊อปกระแสหลัก 90% ก็เป็นขยะผลิตซ้ำจำนวนมากมาตั้งแต่ก่อนยุค AI ด้วยซ้ำ บทสัมภาษณ์เก่าของ Frank Zappa ที่พูดถึงความเสื่อมของอุตสาหกรรมเพลงก็ยังใช้ได้อยู่เสมอ: https://www.youtube.com/watch?v=KZazEM8cgt0
    • ก็ยังน่าสงสัยว่าคนที่หาเงินจากการขายบรรยากาศทางสุนทรียะกับคนที่สร้างศิลปะนั้นเป็นคนประเภทเดียวกันจริงหรือไม่ เพลง แบ็กกราวนด์มิวสิก บนสตรีมมิงเป็นตัวอย่างที่ดีของ “ดนตรีที่มีไว้สร้างบรรยากาศ” และทำกำไรได้ดี แต่แทบไม่ค่อยเห็นนักดนตรีสายศิลปะมาปั๊มเพลงลงเพลย์ลิสต์สำหรับอ่านหนังสือเพื่อหารายได้ค่าใช้จ่ายในชีวิต

  • มันเป็นวิดีโอที่แย่มาก แบบเดียวกับเพลงจาก Suno คือ ดูเผิน ๆ ถึงจะพอเหมือนจริง แต่พอตั้งใจดูเมื่อไรก็เห็นข้อบกพร่องเต็มไปหมด

    • ถ้าไม่ได้เข้าใจข้อความหรือความเห็นด้านบนผิด สิ่งที่โมเดลสร้างขึ้นไม่ใช่เพลง แต่เป็นมิวสิกวิดีโอ เพลงคือ Uptown Funk ที่ดังมากในปี 2014: https://www.youtube.com/watch?v=OPf0YbXqDm0
      แน่นอนว่าฉันก็เห็นด้วยว่าวิดีโอมันแย่มาก
    • สิ่งที่น่ากังวลกว่าคือผู้ชมที่รสนิยมต่ำอาจยินดีเสพ วิดีโอ AI คุณภาพต่ำ ที่ถูกสร้างออกมาไม่รู้จบ ลองนึกดูว่าจะเกิดอะไรขึ้นถ้าให้เด็กสามขวบถือแท็บเล็ตกับเปิด YouTube แล้วปล่อยให้กดต่อไปเรื่อย ๆ
      https://www.cbc.ca/news/canada/ai-baby-slop-9.7166873
      https://www.nytimes.com/2026/02/26/us/ai-videos-children-you...
      สำหรับผู้ใหญ่ AI ก็ดูจะสามารถสร้างวิดีโอแบบ OW, My balls! จากหนัง Idiocracy ได้แบบไม่สิ้นสุดเช่นกัน
      https://substackcdn.com/image/fetch/$s_!Dh4l!,f_auto,q_auto:...
      https://media.licdn.com/dms/image/v2/D4E22AQEqLntg_DW7vg/fee...
    • ฉันยังอยาก ให้เงินนักศึกษามหาวิทยาลัย 100 ดอลลาร์ไปถ่ายอะไรก็ได้แล้วตัดต่อ มากกว่า แบบนั้นน่าจะน่าสนใจกว่าเยอะ
    • วงการวิชวลเอฟเฟกต์ก็เคยผ่านช่วงเจ็บปวดของการเติบโตคล้ายกันเมื่ออุตสาหกรรมเริ่มสุกงอม แต่สิ่งที่เมื่อก่อนต้องใช้เวลาหลายสิบปีในการพัฒนา ตอนนี้ AI ไล่ตามได้ในเวลาไม่กี่เดือน จากวิดีโอ Will Smith กินสปาเกตตีมาถึงระดับปัจจุบันแล้ว และ higgsfield ai ที่เน้นงานวิดีโอก็เป็นอีกชื่อที่มองข้ามได้ยาก

  • น่าสนใจที่ถ้าไม่ใช้โมเดลวิดีโอและการกำกับโดยตรง คุณภาพจะออกมาแย่ได้ถึงขนาดนี้ คลิปสองอันก่อนหน้านี้ฉันทำด้วย Kling ที่ใช้อยู่เอง ไม่ได้มีส่วนเกี่ยวข้องกับบริษัท: https://xcancel.com/PJaccetturo/status/2076312902685085815#m
    แน่นอนว่า ไม่ใช่ผลลัพธ์ที่สร้างจบในครั้งเดียว และมีการเก็บงานต่อในโปรแกรมตัดต่อวิดีโอ แต่ก็เป็นไปได้จริงที่จะได้ความสมจริงในระดับนี้

  • เป็นเรื่องดีที่ผู้สร้างยอมรับว่า “ไม่มีมิวสิกวิดีโออันไหนยอดเยี่ยมเลย” อยากรู้เหมือนกันว่านอกจากโทเค็นแล้วต้องใช้เวลาไปเท่าไร
    ถ้าระดับคือใช้ 25 ดอลลาร์กับ 45 นาที แล้วได้วิดีโอที่แทบดูไม่ได้ ก็เหมือนว่ายังไม่ต้องกังวลว่าผู้สร้างหนังอินดี้จะถูกแทนที่ในเร็ว ๆ นี้

    • แต่เมื่อแค่ปีที่แล้ว แม้แต่สิ่งนี้ก็ยังทำไม่ได้เลย เมื่อดูจากความเร็วของพัฒนาการและขนาดงบทำหนัง ก็อดสงสัยไม่ได้ว่าสุดท้ายแล้วมันจะเป็นไปไม่ได้จริงหรือที่จะสร้าง หนังงบ 100 ล้านดอลลาร์ด้วยค่าโทเค็นต่ำกว่า 1 ล้านดอลลาร์
    • ผู้กำกับและคนตัดต่อที่ใช้ Seedance สามารถทำงานได้โดยไม่ต้องพึ่งสตูดิโอภาพยนตร์ นี่ไม่ใช่แค่เรื่องว่าใครเป็นคนจับพวงมาลัย แต่คือการเปลี่ยนแปลงอย่างรากฐานของ วิธีการผลิตและระดมทุนสำหรับเรื่องเล่า และการเปลี่ยนแปลงแบบเดียวกันนี้ก็กำลังเกิดขึ้นในโลกโค้ดด้วย
    • ฉันผ่านการฝึกแบบคลาสสิกมา แต่พูดตามตรงก็ไม่ค่อยรู้ว่าวิดีโอพวกนี้แย่กว่าสิ่งที่มนุษย์ทำอย่างไร ในสายตาฉันมันก็ดูคล้าย ๆ กันหมด

  • ในเชิงปรัชญา ฉันมองว่า ศิลปะเป็นสิ่งที่มีความเป็นมนุษย์โดยเนื้อแท้ ความหมายและพลังของมันไม่ได้มาจากแค่รูปลักษณ์ที่ดูดี แต่มาจากชีวิตของศิลปิน บริบทของงาน ความพยายามและความเจ็บปวด รสนิยมส่วนตัว และจากมนุษย์ที่สร้างบางสิ่งขึ้นมาภายใต้สถานการณ์เฉพาะ
    จะใช้ AI เป็นเครื่องมือสร้างงานศิลปะก็ได้ แต่ถ้ามีคนแค่พิมพ์พรอมป์ต์ 1-2 นาที ปรับนิดหน่อย แล้วเอาไปขายว่าเป็นงานศิลปะของตัวเอง มันก็เป็นแค่คอนเทนต์ทำง่าย ๆ เท่านั้น ต่อให้ไม่มี AI คอนเทนต์ก็ทะลักออกมาเร็วกว่าที่เราจะดูทันอยู่แล้ว และ ศิลปะที่มีความหมายย่อมต่างจากสิ่งที่ถูกสร้างแบบจำนวนมาก
    ศิลปะเป็นเรื่องอัตวิสัย ดังนั้นบางคนอาจพบความหมายในสิ่งที่ AI สร้างขึ้นได้ และถ้าวิธีการนำเสนอที่แปลกใหม่สัมผัสใจอย่างลึกซึ้ง มันก็อาจนับเป็นศิลปะได้เช่นกัน แต่ขยะนี่ไม่เข้าข่ายนั้น และถึงจะบอกว่าเป็นแค่การทดสอบความสามารถ ก็คงมีหลายที่นำไปใช้เพราะมันถูกและดีพอ จึงต้องต่อต้านการลดต้นทุนอีกแบบหนึ่งที่ไม่ได้ทำให้โลกดีขึ้น

    • Andy Warhol อาจไม่เห็นด้วยกับคำว่า “ศิลปะที่มีความหมายไม่ใช่ของที่ผลิตจำนวนมาก”: https://en.wikipedia.org/wiki/Campbell%27s_Soup_Cans
      เช่นเดียวกับวลีที่ว่า “ศิลปะคืออะไรก็ตามที่คุณทำแล้วไม่ถูกจับได้” การถกเถียงเรื่อง อะไรคือศิลปะ ไม่ใช่เรื่องใหม่ และการที่เทคโนโลยีแบบนี้ไปกระตุ้นให้ผู้คนถกมุมมองของตัวเองกัน ก็อาจเป็นวิธีที่วัฒนธรรมก่อตัวขึ้นมาได้ ศิลปะเป็นศิลปะเพราะสิ่งที่ผู้สร้างทำ หรือเพราะวิธีที่ผู้ชมรับมัน ก็เป็นคำถามที่น่าสนใจเช่นกัน
      ถ้าคุณซาบซึ้งกับผลงานชิ้นหนึ่งโดยไม่รู้ที่มา แล้วมารู้ทีหลังว่ามันสร้างโดย AI 100% มันจะยังเป็นศิลปะอยู่ไหม ก็เป็นเรื่องที่น่าคิด
    • ในทางกลับกัน ฉันให้ความสำคัญกับ ผลงานสุดท้าย มากกว่าประวัติหรือความยากลำบากของศิลปิน ธรรมชาติอาจเป็นศิลปินที่ยิ่งใหญ่ที่สุดก็ได้ และพระอาทิตย์ตก ใบไม้ ปะการัง หรือก้อนหิน ก็อาจเหนือกว่าสิ่งที่มนุษย์สร้างขึ้นแทบทั้งหมด
    • ตรรกะแบบเดียวกันนี้ใช้กับภาพถ่ายได้เหมือนกัน ภาพถ่ายส่วนใหญ่ไม่ใช่งานศิลปะ หรืออย่างน้อยก็ไม่ใช่ศิลปะที่มีความหมาย และความพยายามวาดรูปของฉันก็เช่นกัน
      ถ้าใช้มาตรฐานสูงระดับนั้น มิวสิกวิดีโอที่มนุษย์สร้างส่วนใหญ่ก็ไม่ใช่ศิลปะเช่นกัน: https://en.wikipedia.org/wiki/Potboiler
    • อีกด้านหนึ่งก็คือความจริงที่ว่าแต่แรกแล้วมนุษย์ส่วนใหญ่ก็สร้างศิลปะอย่างภาพวาด สัมผัสคล้องจอง การเต้น หรือการแสดงไม่ได้อยู่แล้ว ประโยคที่ว่า “ศิลปะเป็นเรื่องอัตวิสัยล้วน ๆ แต่ขยะ AI นี้ไม่ใช่ศิลปะ” สองประโยคนี้ขัดกันพอสมควร
      บางคนอาจมองว่า Centre Pompidou เต็มไปด้วยผลงานอัจฉริยะ แต่ฉันกลับไม่ได้ชอบมันนัก และงาน AI ก็มีปัญหาแบบเดียวกันเป๊ะ
    • ศิลปะที่มีความหมายเกิดขึ้นเมื่อผลงานนั้นสื่อบางอย่างได้ด้วยตัวมันเอง ถ้าบริษัทประชาสัมพันธ์ต้องมาอธิบายว่าทำไมมันถึงพิเศษ ก็ชวนให้สงสัยว่าความเป็นต้นฉบับของมันอยู่ตรงไหน
      หนังสือก็คือหนังสือ จะดีหรือแย่ก็ได้ แต่ข้อเท็จจริงที่ว่ามันเขียนโดย Goethe, ลุง Clara, LLM หรือสุนัข ไม่ใช่ส่วนหนึ่งของตัวงานเอง ต่อให้มนุษย์จะหลงใหลเรื่องเล่าเบื้องหลังได้ง่ายแค่ไหน มันก็ไม่ควรสำคัญต่อการตัดสินคุณค่าทางศิลปะ

  • ทุกโมเดลทำได้ดีมากอย่างน้อยก็ในเรื่อง การออกแบบเครื่องแต่งกาย เลยสงสัยว่าเป็นเพราะพวกมันถูกฝึกด้วยข้อมูลแฟชั่นจำนวนมากเพื่อรองรับการใช้งานในอุตสาหกรรมแฟชั่นหรือไม่
    การทำภาพยนตร์โดยเนื้อแท้คือกระบวนการปรับปรุงซ้ำไปมา และในโลกจริงก็มิวสิกวิดีโอก็ไม่ได้ทำเสร็จในรอบเดียว เอเจนต์จึงต้องตรวจผลลัพธ์ในแต่ละขั้นและแก้ไขซ้ำหลายรอบ ทำให้ยังมีพื้นที่ให้พัฒนาอีกมาก
    งบของมิวสิกวิดีโอ Uptown Funk ต้นฉบับเองก็น่าจะอยู่ราว 100,000 ดอลลาร์ และแม้แต่หนังอินดี้แบบดั้งเดิมก็ยังแพงเพราะค่าอุปกรณ์ คน และสถานที่ ไม่ว่าในอุตสาหกรรมไหน การ ลดต้นทุนลง 100 เท่า ก็เป็นการเปลี่ยนแปลงครั้งใหญ่

  • ฉากที่เอาเนื้อร้อง “don't believe me just watch” ไปตีความตรงตัวเป็น แขนที่ใส่นาฬิกา นี่ตลกมาก เหมือนเกมทายคำจากท่าทางเลย

    • ฉันหลุดขำแรงมากกับมังกรมหึมาแบบการ์ตูนที่ถือป้ายเขียนว่า retired

  • เป็นการทดลองที่น่าสนใจและผลลัพธ์ก็น่าทึ่ง แต่ถ้าเป็นนักดนตรี ฉันกล้าพูดเลยว่าใช้แค่ 25 ดอลลาร์กับ 45 นาที ร่วมกับเพื่อน ๆ ก็ทำมิวสิกวิดีโอที่ดีกว่านี้ได้มาก

    • 25 ดอลลาร์นี่เวอร์ไปหน่อย แค่จะเลี้ยงข้าวกลางวันเพื่อตอบแทนเพื่อนที่มาช่วยก็ยังไม่พอเลย
      OK Go ประสบความสำเร็จอย่างมากในยุคแรกของ YouTube ด้วย Here It Goes Again: https://www.youtube.com/watch?v=dTAAsCNK7RA
      แต่กรณีแบบนี้เป็นข้อยกเว้น และส่วนใหญ่ก็ไม่มีความสามารถที่จะสร้างผลงานสร้างสรรค์จากงบจำกัดได้ ไม่ได้แปลว่าผลลัพธ์จาก AI นี้ดีกว่า ตรงกันข้าม มันแย่อย่างสิ้นเชิง