ฉันจะสร้างวิดีโอสั้นด้วย AI ได้อย่างไร: Hooks, Captions และ B-Roll

อัปเดตล่าสุด: 28 มิถุนายน 2569

วิดีโอแนวตั้งแบบสั้นเป็นรูปแบบหนึ่งที่ยังคงเข้าถึงได้ซึ่งฉันไม่สามารถซื้อจากที่อื่นได้ และตอนนี้ AI กำลังทำส่วนที่ฉันเคยกลัว: ท่อนฮุก ม้วนบี คำบรรยาย และการสับจากการบันทึกขนาดยาวให้เป็นคลิปที่แน่นหนา ฉันเผยแพร่วิดีโอสั้นประมาณ 120 รายการในไตรมาสที่แล้วโดยใช้ขั้นตอนการทำงานนี้ และนี่คือลำดับที่แน่นอนที่ฉันดำเนินการ — เขียนท่อนฮุกสามวินาที สร้างหรือดึง b-roll เบิร์นคำบรรยาย ตัดให้ยาว และโพสต์

สำหรับโมเดลเบื้องหลังคลิป ฉันพึ่ง Sora video Generator และ Runway Gen-3 video; การตัดต่อขั้นสุดท้ายและเอฟเฟกต์แสดงสดในบันทึกย่อ การตัดต่อวิดีโอ AI ของเรา นี่คือวิธีการทำงานของแอสเซมบลีวิดีโอสั้นจริง

คำตอบด่วน: คุณสร้างวิดีโอสั้นด้วย AI ได้อย่างไร

เลือกหนึ่งไอเดีย เขียนประเด็นที่คุ้มค่าในสามวินาทีแรก สร้างหรือรวบรวม b-roll ห้าถึงแปดวินาที ถอดเสียงและเขียนคำบรรยาย ตัดให้เหลือน้อยกว่า 60 วินาทีในเวลา 9:16 น. และโพสต์ นั่นคือวงทั้งหมด AI จัดการสี่ขั้นตอนเหล่านี้ ได้แก่ การสร้าง b-roll การถอดเสียง คำบรรยายภาพ และการสับแบบยาวไปสั้น แต่คุณยังคงเขียนท่อนฮุกและเลือกส่วนตัด

ฉันทดสอบลำดับที่แน่นอนนี้ในช่องทางการเงินแบบ faceless และช่องทางผลิตภัณฑ์ที่สามารถพูดคุยได้ และคำสั่งซื้อที่จัดขึ้นสำหรับทั้งสองช่องทาง การตัดสินใจเชิงสร้างสรรค์นั้นแคบแต่มีความสำคัญ: ฮุคจะตัดสินว่าใครก็ตามที่เห็นวินาทีที่สองหรือไม่ และรูปแบบคำบรรยายจะตัดสินว่าผู้ชมที่ถูกปิดเสียงจะอยู่ต่อหรือไม่

สิ่งที่นับเป็นวิดีโอสั้น ๆ และแพลตฟอร์มต้องการอะไร?

วิดีโอสั้นเป็นแนวตั้ง 9:16 ไม่เกิน 3 นาที และสร้างขึ้นสำหรับการเล่นอัตโนมัติโดยปิดเสียง แท่นทั้งสามแต่ละแท่นกำหนดเพดานแตกต่างกัน และความยาวของตู้เซฟจะสั้นกว่าค่าสูงสุด

กฎสองข้อจากแพลตฟอร์มเป็นตัวกำหนดทุกสิ่งทุกอย่าง ตาม คำแนะนำเกี่ยวกับวิดีโอสั้นของ YouTube วิดีโอสั้นต้องเป็นแนวตั้งและยาวไม่เกิน 60 วินาที มิฉะนั้นจะไม่ใช่วิดีโอสั้นเลย โดยจะมีการยื่นเป็นวิดีโอปกติและจะสูญเสียฟีดวิดีโอสั้นไป แนวทางปฏิบัติที่ดีที่สุดสำหรับม้วนฟิล์ม ของ Instagram ผลักดันข้อจำกัดในแนวตั้งเท่านั้น รวมถึงให้รางวัลข้อความและคำอธิบายภาพ เนื่องจากมีผู้คนจำนวนมากดูแบบปิดเสียง

ผลลัพธ์ที่ได้ในทางปฏิบัติ: ถ่ายหรือเรนเดอร์ 9:16 ทุกครั้ง เขียนให้ผู้ชมที่ปิดเสียง และติดตามในสามวินาทีแรก ฉันถือว่าเวลา 30 วินาทีเป็นค่าเริ่มต้น และใช้เวลานานขึ้นเฉพาะเมื่อแนวคิดนี้ต้องการรันเวย์อย่างแท้จริงเท่านั้น

ตะขอ: การเขียนตัวเปิดสามวินาทีที่ได้รับการปัด

hooks เป็นสิ่งเดียวที่คุณเขียนได้เลเวอเรจสูงสุด และ AI ก็ปานกลาง ดังนั้นฉันจึงเขียน hooks ด้วยตัวเองและใช้ AI เพื่อทดสอบแรงกดดันเท่านั้น ฮุคทำหน้าที่หนึ่งในสี่งาน: ให้คำมั่นสัญญา ระบุความตึงเครียด แสดงผล หรือถามคำถามที่ผู้ชมต้องการคำตอบ

ตะขอที่ฉันวัดได้ว่าใช้งานได้:

• "ฉันใช้เวลาหกชั่วโมง นี่คือเวอร์ชัน 30 วินาที"
• "ไม่มีใครบอกคุณเรื่องนี้เกี่ยวกับ [หัวข้อ] จนกว่าคุณจะเสียค่าใช้จ่าย"
• "ฉันทดสอบ [เครื่องมือ] เป็นเวลา 30 วัน ผลลัพธ์ไม่เป็นไปตามที่ฉันคาดหวัง"
• “อีกสามวินาที ดูว่าเกิดอะไรขึ้นกับราคา”

ฉันเขียนตะขอห้าอัน วางลงในข้อความแจ้งของโปรแกรมสร้างวิดีโอเป็นข้อความบนหน้าจอ และเลือกอันที่อ่านเร็วที่สุด เฟรมแรกต้องมองเห็นตะขอได้ เนื่องจากยังไม่ได้อ่านคำบรรยายที่ศูนย์ที่สอง

B-roll และภาพ: สร้างภาพเมื่อคุณไม่มี

หากคุณอยู่ในกล้อง b-roll คือใบหน้าและรอยตัดของคุณ หากคุณไม่มีใบหน้า B-Roll คือวิดีโอทั้งหมด และนี่คือจุดที่ฟุตเทจ AI จะได้รับการเก็บไว้ ฉันสร้างช็อตตั้งฉาก ภาพระยะใกล้ของผลิตภัณฑ์ และคลิปภาพเคลื่อนไหวแบบนามธรรม จากนั้นจึงวางสคริปต์ไว้ข้างใต้

ขั้นตอนการทำงานแบบไร้ใบหน้าที่ฉันดำเนินการทุกสัปดาห์:

1. เขียนสคริปต์ความยาว 60 วินาทีและแบ่งออกเป็นหกถึงแปดช็อต
2. สร้างแต่ละช็อตเป็นคลิปความยาวห้าวินาทีจากข้อความแจ้ง
3. คงสไตล์ที่สอดคล้องกันโดยนำตัวอธิบายสไตล์เดียวกันกลับมาใช้ใหม่ในทุกพรอมต์
4. เรียงลำดับคลิปเพื่อให้แต่ละคลิปตรงกับท่อนที่กำลังพูด
5. เพิ่มการพากย์เสียงจากเสียง AI โคลนหรือสต็อก
6. เบิร์นคำบรรยายและส่งออกเวลา 9:16 น.

ขีดจำกัดที่แท้จริง: คลิปที่สร้างโดย AI ล่องลอยไป ถ้วยกาแฟเปลี่ยนรูปร่างระหว่างช็อต ข้อความในเฟรมออกมาอ่านไม่ออก และตัวตนไม่ได้ถูกล็อคไว้ระหว่างการตัด ฉันสร้างช็อตสามเทคในแต่ละช็อต และเลือกช็อตที่สะอาดที่สุด และฉันหลีกเลี่ยงการถามโมเดลเกี่ยวกับข้อความหรือโลโก้บนหน้าจอ เมื่อฉันต้องการฟุตเทจที่ฉันเชื่อถือได้ ฉันจะจับคู่คลิปที่สร้างขึ้นกับสต็อก ดังนั้นการตัดจึงไม่ดูสังเคราะห์ทั้งหมด

คำบรรยาย: ข้อความบนหน้าจอที่ทำให้โปรแกรมดูปิดเสียงการเล่นอัตโนมัติ

คำบรรยายไม่สามารถต่อรองได้เนื่องจากการดูวิดีโอสั้นส่วนใหญ่เริ่มถูกปิดเสียง ฉันถอดเสียงโดยอัตโนมัติ จากนั้นจัดรูปแบบคำเพื่อให้สามารถอ่านได้ตั้งแต่แรกเห็น การส่งออกคำบรรยาย AI เริ่มต้นนั้นใช้งานได้แต่ดูน่าเกลียด ดังนั้นฉันจึงใช้เวลาสองนาทีในการพิมพ์คำบรรยาย

กฎคำอธิบายภาพที่ฉันปฏิบัติตาม:

• หนึ่งถึงสามคำต่อการ์ดคำอธิบายภาพ ซึ่งซิงค์กับจังหวะของคำพูด
• วางคำไว้ตรงกลางบน-กลาง โดยไม่มี UI ของแพลตฟอร์มและแถบความคิดเห็น
• ใช้ซานเซอริฟที่มีเส้นขีดหรือแผ่นพื้นหลังเพื่อตัดกัน
• เน้นคีย์เวิร์ดด้วยสีตัดกันเพื่อดึงดูดสายตา
• เก็บคำบรรยายไว้ในโซนปลอดภัยเพื่อให้สามารถใช้งานได้เมื่อโพสต์ซ้ำในแอปต่างๆ

ฉันถือว่าการถอดเสียงเป็นฉบับร่าง AI ได้รับคำนามเฉพาะ ตัวเลข และคำศัพท์ทางเทคนิคผิด และคำผิดหนึ่งคำในคำบรรยายถือเป็นความผิดพลาดของผู้ดู ฉันอ่านออกเสียงทุกคำบรรยายเทียบกับเสียงก่อนที่จะส่งออก

การนำวิดีโอขนาดยาวมาทำเป็นคลิปสั้น

การเปลี่ยนวัตถุประสงค์คือจุดที่ AI จ่ายคืนเร็วที่สุด เนื่องจากมีวิดีโอขนาดยาวอยู่แล้ว และคำถามเดียวก็คือว่าเวลาไหนคุ้มค่าที่จะตัดออกไป ฉันบันทึกเสียงความยาว 20 นาทีและดึงกางเกงขาสั้นสี่ถึงหกตัวออกมาในการนั่งครั้งเดียว

วิธีที่ฉันใช้:

1. ใส่วิดีโอขนาดยาวลงไปและเรียกใช้การถอดเสียงด้วย AI พร้อมการเปลี่ยนลำโพง
2. ขอให้เครื่องมือทำเครื่องหมายช่วงเวลาที่สูงกว่าอัตราการดูหรือเกณฑ์การมีส่วนร่วม
3. ดึงแต่ละช่วงเวลาที่ทำเครื่องหมายไว้ และตัดขอบรันเวย์สิบวินาทีจากทั้งสองด้าน
4. จัดเฟรมภาพแนวนอนใหม่เป็น 9:16 โดยใช้การติดตามอัตโนมัติบนลำโพง
5. ตัดตะขอที่ด้านหน้าอีกครั้งเพื่อให้แต่ละคลิปเปิดบนเส้นที่แข็งแรงที่สุด
6. เขียนคำบรรยายใหม่ๆ และเผยแพร่แต่ละเรื่องสั้นเป็นโพสต์ของตัวเอง

การรีเฟรมเป็นขั้นตอนที่แตกหักบ่อยที่สุด การติดตามอัตโนมัติจะทำให้ลำโพงหายไปเมื่อพวกเขาเคลื่อนไหวหรือเมื่อคนสองคนอยู่บนหน้าจอ ดังนั้นฉันจึงตรวจสอบการครอบตัด 9:16 แบบเฟรมต่อเฟรมในคลิปแรกของทุกชุด คำแนะนำแบบละเอียดเกี่ยวกับ การตัดต่อวิดีโอ AI ของเราครอบคลุมเครื่องมือการปรับเฟรมและสีในเชิงลึกมากขึ้น

ฉันใช้เครื่องมือ AI ใดจริงๆ

ฉันตั้งใจเก็บสแต็กให้เล็ก เครื่องมือแต่ละชิ้นทำงานได้ดีกว่างานอื่นๆ และการเปลี่ยนเครื่องมือระหว่างแบตช์จะใช้เวลามากกว่าที่จะช่วยได้

การเปรียบเทียบโมเดลและการแลกเปลี่ยนระหว่าง Sora กับรันเวย์นั้นแสดงสดในรายละเอียด Sora AI video Generator สำหรับกางเกงขาสั้นโดยเฉพาะ ฉันจะไปหา Sora เมื่อฉันต้องการช็อตและรันเวย์เมื่อฉันต้องการการเคลื่อนไหวของกล้องที่แม่นยำ

อะไรจะทำให้คุณถูกตั้งค่าสถานะหรือฝังสั้น ๆ ของคุณ?

แพลตฟอร์มลงโทษสิ่งที่เฉพาะเจาะจง และบางแพลตฟอร์มก็สะดุดได้ง่ายโดยบังเอิญเมื่อคุณพึ่งพา AI การรู้กฎเกณฑ์ก่อนที่คุณจะเผยแพร่จะบันทึกโพสต์ที่อาจขาดการพิจารณา

ความเสี่ยงที่ฉันระวัง:

• ลายน้ำจากแพลตฟอร์มคู่แข่งที่เหลืออยู่ในการส่งออก
• ฟุตเทจที่มีความละเอียดต่ำหรือมีแถบดำซึ่งเป็นสัญญาณของการโพสต์ซ้ำอย่างเกียจคร้าน
• คำบรรยายที่สร้างขึ้นโดยอัตโนมัติซึ่งมีคำหยาบคายหรือคำสบประมาทที่ถอดความไม่ถูกต้อง
• ภาพ AI ของคนจริงๆ โดยไม่มีการเปิดเผยในกรณีที่แพลตฟอร์มต้องการ
• เสียงที่ไม่ได้รับอนุญาตหรือดึงมาจากวิดีโอของผู้สร้างรายอื่น

[นโยบายการโฆษณาและเนื้อหาทางธุรกิจ] ของ TikTok (https://www.tiktok.com/business/en) กำหนดมาตรฐานสำหรับสิ่งที่ถูกลดระดับ และแพลตฟอร์มอื่นๆ ก็มีตรรกะที่คล้ายกัน: ดั้งเดิม แนวตั้ง ชัดเจน และอยู่ในหัวข้อ ฉันเก็บรายการตรวจสอบสิ่งเหล่านี้และดำเนินการกับทุก ๆ เรื่องสั้นก่อนที่จะเผยแพร่ เนื่องจากมีลายน้ำหนึ่งอันทำให้โพสต์ที่แข็งแกร่งสำหรับฉัน

สรุป: ขั้นตอนการทำงานวิดีโอสั้นรายสัปดาห์ของฉัน

นี่คือลูปที่ฉันเรียกใช้ทุกสัปดาห์ โดยบีบอัดเป็นขั้นตอนที่สำคัญ AI ทำหน้าที่ยกภาระหนักให้กับ b-roll คำบรรยายภาพ และการสับแบบยาวไปสั้น ฉันเขียนเบ็ดและทำการตัด

รายการตรวจสอบรายสัปดาห์ของฉัน:

• เลือกหนึ่งแนวคิดและเขียนรูปแบบตะขอห้าแบบ
• สร้างหรือดึง b-roll หกถึงแปดวินาทีต่อช็อต
• บันทึกหรือสังเคราะห์เสียงพากย์
• ถอดเสียงอัตโนมัติและเขียนคำบรรยายที่มีสไตล์
• ตัดทอนเป็น 9:16 ต่ำกว่า 60 วินาที ขอในช่วงสามวินาทีแรก
• เรียกใช้รายการตรวจสอบแฟล็กความเสี่ยง จากนั้นจึงโพสต์

คำเตือนที่ผมจะขอปิดท้ายคือ AI เร่งการผลิต แต่ไม่ได้สร้างอุปสงค์ กางเกงขาสั้นที่ทำงานได้ดีที่สุดสำหรับฉันคือกางเกงขาสั้นที่มีแนวคิดที่เป็นประโยชน์อย่างแท้จริงหรือน่าประหลาดใจภายใต้การขัดเงา วิดีโอที่รวดเร็ว ราคาถูก และมีคำบรรยายที่ดีเกี่ยวกับสิ่งที่ยังคงไม่ล้มเหลว ใช้ขั้นตอนการทำงานเพื่อจัดส่งแนวคิดดีๆ ของคุณให้มากขึ้น ไม่ใช่จดเป็นลายลักษณ์อักษรโดยขาดไอเดียนั้นไป

เครดิตรูปภาพ

• สมาร์ทโฟนสมัยใหม่บนขาตั้งกล้องที่บันทึกการตั้งค่าวิดีโอเพื่อจัดสไตล์เนื้อหา — ภาพถ่ายโดย Tracy Le Blanc บน Pexels
• ผู้สร้างเนื้อหาบันทึกวิดีโอที่โต๊ะด้วยกล้องและอุปกรณ์จัดแสง — ภาพถ่ายโดย RODNAE Productions บน Pexels
• ภาพระยะใกล้ของอินเทอร์เฟซไทม์ไลน์การตัดต่อวิดีโอบนหน้าจอคอมพิวเตอร์ — ภาพถ่ายโดย Alex Fu บน Pexels
• หน้าจอสมาร์ทโฟนที่แสดงแอปพลิเคชันโซเชียลมีเดียยอดนิยม — ภาพถ่ายโดย cottonbro studio บน Pexels