Skip to content

Claude Fable 5 ทำวิดีโอเองทั้งชิ้นได้จริงแค่ไหน และธุรกิจเอาไปใช้อะไรได้บ้าง

VibeSolo
video thumbnail for 'Claude Fable 5 Made This Entire Video By Itself.'
ภาพจาก วิดีโอต้นทาง

เรียบเรียงจากคลิป Nate Herk และบทความ VideoToBlog วันที่ 12 มิถุนายน 2026 ซึ่งเป็นวันที่ของบทความต้นทาง ชื่อรุ่น ความสามารถ ราคา เวลา และจำนวนโทเคนเป็นสิ่งที่ผู้สร้างคลิปรายงานในเวลานั้น ไม่ใช่การยืนยันข้อมูลบริการปัจจุบันหรือผลทดสอบซ้ำ เดโมอาศัยเครื่องมือและ Skill ที่เตรียมไว้แล้ว การโคลนเสียงและสร้างอวตารต้องได้รับความยินยอมจากเจ้าของเสียงและภาพ สัดส่วนงาน AI กับคนในบทความเป็นข้อเสนอ ไม่ใช่ผลวัดที่รับรองได้ · วิดีโอต้นทาง

ถ้า AI ไปไกลถึงจุดที่ “สั่งครั้งเดียวแล้วงานคอนเทนต์เสร็จทั้งก้อน” คำถามที่สำคัญไม่ใช่แค่มันว้าวหรือไม่ แต่คือเราจะเอาความสามารถแบบนี้ไปลดต้นทุนงานจริงได้ตรงไหนบ้าง และตรงไหนที่ยังต้องมีคนคุมอยู่ดี

คลิปจาก Nate Herk | AI Automation หยิบประเด็นนี้มาโชว์แบบตรงไปตรงมา ด้วยการให้ Claude Fable 5 สร้างวิดีโอทั้งชิ้นเอง ตั้งแต่ค้นข้อมูล เขียนสคริปต์ ทำเสียงโคลน สร้าง avatar ใส่ motion graphics ไปจนถึงตรวจงานก่อนส่งออกไฟล์ จุดที่น่าสนใจกว่าความหวือหวา คือ workflow ที่อยู่ข้างหลังมัน เพราะนี่คือภาพตัวอย่างของ “AI agent ที่ทำงานยาวหลายขั้นตอนแทนคน” ซึ่งเจ้าของธุรกิจไทยควรเริ่มทำความเข้าใจตั้งแต่ตอนนี้

บทความนี้จะสรุปสิ่งที่คลิปสื่อ วิเคราะห์ข้อจำกัดที่ต้องระวัง และแปลงแนวคิดทั้งหมดให้กลายเป็นขั้นตอนที่ใช้ได้จริงกับงานการตลาด งานขาย และงานคอนเทนต์ของธุรกิจ

สารบัญ

Step 1: เข้าใจก่อนว่า Claude Fable 5 โชว์อะไรให้เราเห็น

แกนหลักของคลิปนี้มีอยู่ข้อเดียว คือ AI ไม่ได้หยุดแค่ตอบคำถามหรือช่วยเขียนข้อความแล้ว แต่มันเริ่มทำงานเป็นชุดยาวได้เอง เมื่อได้รับเป้าหมายที่ชัดเจนพอ

ในกรณีนี้ ผู้สร้างใส่ prompt เดียวใน Claude Code แล้วปล่อยให้ระบบจัดการต่อเอง งานที่เกิดขึ้นไม่ใช่งานเล็ก แต่เป็นงานหลายชั้นที่ปกติใช้หลาย tool และต้องมีคนคอยตรวจเป็นระยะ เช่น

  • อ่านประกาศของ Anthropic และดึงประเด็นสำคัญ
  • ตรวจข้อเท็จจริงของข้อมูลก่อนเขียน
  • เขียนสคริปต์ในสไตล์การพูดเดิม
  • ส่งสคริปต์ไปสร้างเสียงโคลนผ่าน 11Labs
  • เอาเสียงไปขับ avatar ผ่าน HeyGen
  • รวมคลิป ตัดต่อ ใส่กราฟิก และซิงก์กับคำพูด
  • ตรวจงานด้วยการเรนเดอร์เฟรมออกมาดูเองอีกชั้น

ตรงนี้สำคัญมากสำหรับธุรกิจ เพราะมันชี้ให้เห็นว่า AI รุ่นใหม่ไม่ได้เก่งเฉพาะ “สร้างชิ้นงาน” แต่เริ่มเก่งเรื่อง “จัดการ workflow” ด้วย หากมองในมุมใช้งานจริง มันเท่ากับการมีผู้ช่วยดิจิทัลที่ทำงานข้ามหลายระบบได้เอง

ข้อความ one prompt in a video out พร้อมไอคอนขั้นตอนการสร้างวิดีโอ
ภาพจาก วิดีโอต้นทาง

Step 2: มองให้เห็นคุณค่าที่แท้จริง ไม่ใช่แค่วิดีโออัตโนมัติ

หลายคนอาจมองว่าคลิปนี้คือเดโมสร้างวิดีโออัตโนมัติ แต่ถ้ามองให้ลึกขึ้น สิ่งที่มีค่ากว่าคือความสามารถ 3 ด้านของ model นี้

1. ทำงานยาวต่อเนื่องได้

ปัญหาใหญ่ของ AI รุ่นก่อนคือพอ task ยาวขึ้น มันหลุดเป้าหมาย ลืมข้อกำหนด หรือทำงานครึ่งทางแล้วคุณภาพตก แต่คลิปนี้ชี้ว่า Fable 5 เด่นเรื่องการโฟกัสงานระยะยาวและถือ context ปริมาณมากได้ดีขึ้นมาก

2. ทำงานหลาย modality ใน flow เดียว

นี่ไม่ใช่แค่ text model ที่ตอบเก่ง แต่มันประสานงานข้อความ เสียง ภาพ โค้ด และการตรวจภาพเข้าด้วยกัน ซึ่งเป็นลักษณะของงานจริงในธุรกิจ ไม่ใช่งานทดลองในแชต

3. ตรวจงานตัวเองได้ระดับหนึ่ง

ส่วนที่น่าสนใจมากคือมันไม่ได้แค่สร้างเสร็จแล้วจบ แต่ยังเรนเดอร์เฟรมมาตรวจว่ากราฟิกเข้าเวลาหรือไม่ มีอะไรล้นกรอบหรือไม่ ภาพรวมสวยงามหรือไม่ นี่คือแนวคิดของ AI ที่เริ่มมีวงจร สร้าง ตรวจ แก้ แล้วตรวจซ้ำ

สำหรับธุรกิจไทย นี่แปลว่า AI จะเริ่มช่วยในงานที่มีมาตรฐานซ้ำๆ ได้ดีขึ้น เช่น สร้างคลิปสินค้า สร้างสื่ออบรมพนักงาน ทำวิดีโอสรุปรายงาน หรือทำคอนเทนต์อธิบายบริการแบบ template เดิมซ้ำหลายเวอร์ชัน

Step 3: แกะ workflow ที่ใช้สร้างวิดีโอทั้งชิ้น

ถ้าเอา workflow ในคลิปมาแปลงเป็นภาษาคนทำงาน จะได้ประมาณนี้

  1. รับเป้าหมาย เช่น สร้างวิดีโอเกี่ยวกับ Claude Fable 5
  2. ค้นข้อมูลต้นทาง โดยอ่านประกาศของบริษัทเจ้าของ model
  3. ตรวจความถูกต้อง ทีละ claim ก่อนเอาไปใช้
  4. เขียนสคริปต์ ให้สอดคล้องกับสไตล์การสื่อสารเดิม
  5. สร้างเสียง ผ่าน voice clone
  6. แยกเสียงเป็นช่วงสั้น เพื่อลดอาการเสียงเพี้ยนระหว่างเจนยาว
  7. สร้างคลิป avatar จากแต่ละช่วงเสียง
  8. รวมไฟล์วิดีโอ และจัดลำดับเวลา
  9. สร้าง motion graphics ด้วยโค้ด ให้ขึ้นตามคำพูด
  10. ตรวจเฟรมและแก้จุดผิด ก่อน export งานสุดท้าย

สิ่งที่เราชอบใน workflow นี้คือมันไม่ได้คิดแบบ “โยน AI ไปทำทุกอย่างมั่วๆ” แต่มันแยกงานเป็นช่วงที่ AI ทำได้ดี แล้วคุมความเสี่ยงด้วยการตรวจสอบซ้ำ

กราฟิกคำว่า stitch transcribe พร้อมกล่อง ch1 ch2 ch3 ch4
ภาพจาก วิดีโอต้นทาง

ตรงนี้เป็นบทเรียนสำคัญสำหรับธุรกิจที่อยากใช้ AI จริง หากเราอยากได้ผลลัพธ์ที่เชื่อถือได้ อย่าคิดเป็น prompt เดียวแบบขอทุกอย่างในประโยคเดียว แต่ควรคิดเป็นระบบย่อย เช่น ค้นข้อมูลก่อน เขียนก่อน ตรวจทีหลัง แล้วค่อยเอาไปผลิตชิ้นงาน

Step 4: เรียนรู้จากเทคนิคย่อยที่ดูเล็ก แต่มีผลกับคุณภาพมาก

ในคลิปมีรายละเอียดเล็กๆ หลายจุดที่ดูเหมือนเรื่องเทคนิค แต่จริงๆ ใช้กับงานธุรกิจได้เลย

แยกเสียงเป็นช่วงสั้น เพื่อลดอาการ drift

ผู้สร้างอธิบายว่า ถ้าให้ระบบสร้างเสียงต่อเนื่องยาวหลายนาที น้ำเสียงจะเริ่มเพี้ยนจากต้นฉบับ จึงแบ่งสคริปต์ออกเป็นช่วงละไม่ถึง 1 นาที แล้วค่อยรวมทีหลัง นี่คือหลักคิดง่ายๆ ที่เอาไปใช้กับทุกงาน AI ได้เลย คือ งานยาวมักควรแบ่งเป็นชิ้น เพื่อคุมคุณภาพ

ข้อความ 4 clean chunks พร้อมเส้นคลื่นเสียงแบ่งเป็นสี่ช่วง
ภาพจาก วิดีโอต้นทาง

ใช้ browser automation เมื่อ API ยังไม่พร้อม

ช่วงหนึ่งใน workflow เดิมต้องให้ AI ควบคุมเบราว์เซอร์เพื่อกดเมนูเอง เพราะ API ของระบบ avatar ยังไม่เปิดฟีเจอร์ที่ต้องใช้ นี่สะท้อนความจริงของโลกธุรกิจว่า บางครั้งการทำ automation ไม่ได้สวยงามเต็มร้อย แต่ก็ยังเวิร์กถ้ารู้ว่าต้องคุมตรงไหน

กราฟิกทุกชิ้นคือโค้ด

motion graphics ในคลิปไม่ได้มาจากการลากวางบนโปรแกรมตัดต่อแบบเดิม แต่สร้างจาก HTML และ GSAP แล้วจับเวลาให้สัมพันธ์กับคำพูด นี่เปิดความเป็นไปได้ใหม่สำหรับทีมการตลาดที่ต้องผลิตคอนเทนต์รูปแบบเดิมซ้ำบ่อย เช่น วิดีโออธิบายแพ็กเกจ วิดีโอ onboarding หรือวิดีโอสรุปข้อมูลประจำสัปดาห์

หน้าจอแสดงโค้ดทางซ้ายและการ์ดข้อความ the cards are code ทางขวา
ภาพจาก วิดีโอต้นทาง

มุมมองของเรา คือจุดแข็งจริงไม่ได้อยู่ที่ “มันทำแทน editor ได้หมด” แต่อยู่ที่ “มันทำชิ้นส่วนที่ซ้ำและคาดเดาได้แทนคนได้มากขึ้น” ต่างหาก

Step 5: เข้าใจต้นทุนและข้อจำกัดก่อนตื่นเต้นเกินไป

คลิปนี้ไม่ได้ขายฝันอย่างเดียว ผู้สร้างพูดชัดว่า workflow นี้กินทรัพยากรหนักมาก ใช้เวลาประมาณ 1 ชั่วโมง และใช้ token ราว 380,000 ถึง 400,000 token อีกทั้งยังใช้แผนแบบจ่ายรายเดือนจำนวนมากในรอบเดียว

สรุปแบบคนทำธุรกิจคือ ของแบบนี้ยังไม่ใช่เครื่องมือสำหรับกดเล่นฟรีไม่อั้น ถ้าใช้โดยไม่มีเป้าหมายชัด มีโอกาสเผางบเร็วมาก

กราฟิกในคลิปแสดงข้อความ $10 IN per million tokens พร้อมสัญลักษณ์ $50 ที่ส่วนล่างของเครื่อง
ภาพจาก วิดีโอต้นทาง

ข้อจำกัดอีกอย่างที่ต้องระวังคือ ผลลัพธ์ที่เห็นไม่ได้หมายความว่าใครก็จะได้เหมือนกันทันที เพราะในระบบของผู้สร้างมีองค์ประกอบเตรียมไว้แล้ว เช่น skill บางอย่างหรือ workflow เสริมที่ประกอบเข้ากับ Claude ไว้ก่อนหน้า

อีกประเด็นที่ควรเห็นต่างกับความตื่นเต้นในคลิปเล็กน้อย คือวิดีโอประเภทนี้เหมาะกับคอนเทนต์ที่มีโครงสร้างชัดและความเสี่ยงจำกัด ถ้าเป็นงานแบรนด์ที่ละเอียดอ่อนสูง งานสื่อสารวิกฤต หรือคอนเทนต์ที่ต้องใช้วิจารณญาณเชิงกลยุทธ์มาก AI ยังไม่ควรถูกปล่อยให้ทำแบบไร้คนคุม

Step 6: เขียน prompt ให้ AI ทำงานเป็น ไม่ใช่แค่ตอบเก่ง

อีกจุดที่น่าเก็บมาใช้คือวิธีตั้งเป้าหมาย ผู้สร้างไม่ได้สั่งสั้นๆ ว่า “ทำวิดีโอให้หน่อย” แต่ให้ทั้งเป้าหมาย มาตรฐาน และเหตุผลว่าทำไมคุณภาพจึงสำคัญ

หลักคิดที่ได้คือ prompt ที่ดีสำหรับงานหลายขั้นตอนควรมี 4 ส่วน

  • เป้าหมายปลายทาง เช่น ต้องได้วิดีโอพร้อมอัปโหลด
  • เกณฑ์ความสำเร็จ เช่น กราฟิกตรงเวลา ไม่มีอะไรเกินกรอบ ภาพรวมดูเรียบร้อย
  • ข้อจำกัดหรือความเสี่ยง เช่น ถ้างานไม่ดีจะกระทบชื่อเสียงแบรนด์
  • คำสั่งให้ตรวจงานซ้ำ เช่น หลังสร้างเสร็จให้ verify ทั้งระบบ
หน้าการตั้งค่า Usage ของ Claude แสดงโควตารอบปัจจุบันและรายสัปดาห์ในบัญชีที่ใช้เดโม
ภาพจาก วิดีโอต้นทาง

นี่เป็นบทเรียนที่ธุรกิจไทยเอาไปใช้ได้ทันที ไม่ว่าจะกับ AI ตัวไหนก็ตาม ถ้าเราให้แค่คำสั่งปลายเปิด เรามักได้งานกลางๆ แต่ถ้าเราให้ทั้งเป้าหมาย มาตรฐาน และเงื่อนไขตรวจงาน คุณภาพจะดีขึ้นมาก

สำหรับคนที่อยากศึกษาเพิ่มเรื่องการเขียน prompt แบบมีโครงสร้าง ลองดูแนวทางจาก Anthropic Engineering หรือแนวคิดด้าน workflow automation จาก OpenAI Prompt Engineering Guide เพื่อเอาไปประยุกต์กับงานในทีม

Step 7: แปลงไอเดียนี้ให้เข้ากับธุรกิจไทย

คำถามสำคัญคือ ถ้าเราไม่ได้ทำช่อง YouTube เรื่อง AI แล้วจะเอาแนวคิดนี้ไปใช้ยังไง

ตัวอย่างที่เห็นภาพมีหลายแบบ

ธุรกิจบริการ

เช่น คลินิก สำนักงานบัญชี บริษัทที่ปรึกษา หรือเอเจนซี สามารถทำวิดีโออธิบายบริการ เวอร์ชันสั้นหลายชุด โดยเปลี่ยนเฉพาะหัวข้อ ปัญหาลูกค้า และข้อเสนอขาย ส่วนโครงสร้างภาพ เสียง และกราฟิกใช้ template เดิม

ธุรกิจขายสินค้า

ร้านออนไลน์หรือแบรนด์ DTC สามารถสร้างวิดีโอสินค้าหลาย SKU ได้เร็วขึ้น โดยให้ AI ดึงจุดเด่นจากข้อมูลสินค้า เขียนสคริปต์ และออกเวอร์ชันสำหรับ TikTok, Reels, และหน้าสินค้า

งานภายในองค์กร

บริษัทที่มีการอบรมพนักงานบ่อย สามารถใช้แนวคิดเดียวกันทำคลิป onboarding, SOP, หรือสรุปนโยบายใหม่ ลดภาระทีม HR และทีมปฏิบัติการได้มาก

อย่างไรก็ตาม เราไม่คิดว่าธุรกิจไทยควรกระโดดไปทำ “วิดีโออัตโนมัติเต็มรูปแบบ” ทันที สิ่งที่เหมาะกว่าคือเริ่มจาก semi-automation ก่อน เช่น ให้ AI ทำ 70 เปอร์เซ็นต์ แล้วมีคนตรวจ 30 เปอร์เซ็นต์ เพราะจุดคอขวดจริงมักอยู่ที่ความถูกต้องของข้อมูลและความเหมาะสมของน้ำเสียงแบรนด์

Step 8: Actionable Insights

  • เริ่มจากงานคอนเทนต์ที่มี template ชัด เช่น วิดีโอแนะนำบริการ วิดีโอ FAQ หรือคลิปสรุปโปรโมชั่น
  • แยก workflow เป็นช่วง ค้นข้อมูล เขียน ตรวจ สร้างเสียง ตัดต่อ และตรวจซ้ำ อย่ากองทุกอย่างไว้ใน prompt เดียว
  • ใส่เกณฑ์ตรวจงานใน prompt ทุกครั้ง เช่น ห้ามข้อมูลเกินจริง ห้ามใช้คำที่เสี่ยง และต้องตรวจความถูกต้องก่อนส่งออก
  • วัดต้นทุนเป็นต่อชิ้นงาน อย่าดูแค่ว่า AI ทำได้ แต่ให้ดูว่าประหยัดเวลาและงบจริงหรือไม่
  • เก็บ brand voice เป็น playbook เพื่อให้ AI สร้างสคริปต์ที่ฟังแล้วไม่หลุดบุคลิกแบรนด์

Step 9: Troubleshooting

  • ปัญหา: งานที่ได้ดูครบ แต่เนื้อหาไม่แม่น
    สาเหตุ: ให้ AI เขียนจากความรู้ทั่วไป โดยไม่ได้บังคับให้อ้างอิงแหล่งข้อมูลต้นทาง
    วิธีแก้: ระบุแหล่งข้อมูลที่ต้องใช้ สั่งให้ตรวจทุก claim ก่อนเขียน และแยกขั้น fact-check ออกมาต่างหาก
  • ปัญหา: เสียง AI ฟังเพี้ยนหรืออารมณ์ไม่นิ่ง
    สาเหตุ: สร้างเสียงเป็นไฟล์ยาวเกินไปจนเกิด drift
    วิธีแก้: แบ่งสคริปต์เป็นช่วงสั้น สร้างทีละส่วน แล้วรวมภายหลัง
  • ปัญหา: วิดีโอออกมาเร็ว แต่ภาพลักษณ์แบรนด์ดูไม่ใช่เรา
    สาเหตุ: ไม่มีตัวอย่างน้ำเสียงและรูปแบบการสื่อสารให้ model เรียนรู้
    วิธีแก้: ทำ brand voice playbook รวบรวมสไตล์การเขียน คำที่ใช้บ่อย และคำที่ห้ามใช้
  • ปัญหา: ใช้งบ AI สูงเกินคาด
    สาเหตุ: ปล่อยให้ model วิ่ง workflow ใหญ่เกินจำเป็น หรือเปิดการตรวจหลายชั้นโดยไม่จำเป็น
    วิธีแก้: ทดสอบด้วยงานสั้นก่อน ตั้งเพดานต้นทุนต่อชิ้น และใช้ model ที่เล็กลงในบางขั้นตอน
  • ปัญหา: งานผ่านทางเทคนิค แต่ยังไม่พร้อมเผยแพร่
    สาเหตุ: AI ตรวจเรื่องกรอบภาพและเวลาได้ แต่ยังไม่เข้าใจความเหมาะสมเชิงแบรนด์ทั้งหมด
    วิธีแก้: เพิ่ม human review ในด่านสุดท้าย โดยเฉพาะงานขาย งานโฆษณา และงานที่กระทบชื่อเสียงองค์กร

Step 10: การต่อยอด

  • ทำ content engine รายสัปดาห์ โดยให้ AI เปลี่ยนบทความหรือข่าวสารบริษัทเป็นคลิปสั้นหลายแพลตฟอร์ม
  • เชื่อม CRM กับระบบวิดีโอ เพื่อสร้างคลิปอธิบายข้อเสนอเฉพาะกลุ่มลูกค้าแบบกึ่งอัตโนมัติ
  • สร้าง knowledge base ภายในองค์กร แล้วให้ AI แปลงเอกสาร SOP เป็นสื่อสอนงานแบบภาพและเสียง

Step 11: สรุป Checklist ทั้งหมด

  • ☐ กำหนดงานที่เหมาะกับ automation ก่อน เช่น งานคอนเทนต์ที่มี template ชัด
  • ☐ แยก workflow ออกเป็นหลายช่วงแทนการสั่งก้อนเดียว
  • ☐ บังคับให้ AI ใช้แหล่งข้อมูลต้นทางและตรวจข้อเท็จจริง
  • ☐ สร้าง brand voice playbook สำหรับสคริปต์และน้ำเสียง
  • ☐ แบ่งงานเสียงหรือวิดีโอเป็นช่วงสั้นเพื่อลดคุณภาพตก
  • ☐ เพิ่มขั้น verify หลังสร้างงานทุกครั้ง
  • ☐ วัดต้นทุน token เวลา และคนที่ยังต้องคุมงาน
  • ☐ เริ่มแบบกึ่งอัตโนมัติก่อน แล้วค่อยขยาย
  • ☐ ให้คนตรวจงานด่านสุดท้ายในงานที่เสี่ยงต่อแบรนด์

สรุปแล้ว Claude Fable 5 ไม่ได้สำคัญเพราะมันทำวิดีโอชิ้นหนึ่งได้เอง แต่สำคัญเพราะมันทำให้เราเห็นอนาคตของ AI automation ชัดขึ้นมาก งานที่เคยต้องมีคนประสานหลาย tool เริ่มถูกยุบมาอยู่ใน workflow เดียวได้แล้ว

สำหรับเจ้าของธุรกิจและคนทำงาน สิ่งที่ควรโฟกัสไม่ใช่การไล่ตามเดโมที่ว้าวที่สุด แต่คือการถามว่าในธุรกิจของเรา มีงานไหนที่ซ้ำ มีเกณฑ์ชัด และวัดผลได้ ถ้าหาจุดนั้นเจอ Claude Fable 5 หรือ model ลักษณะใกล้กัน จะไม่ใช่ของเล่นใหม่ แต่จะกลายเป็นแรงทุ่นที่ลดเวลางานจริงได้มาก