เจาะเบื้องหลังระบบสร้างวิดีโออัตโนมัติ: บทเรียนราคาแพงจากบั๊กแคชและเศษทศนิยม

การสร้างวิดีโออธิบายประวัติศาสตร์แบบอัตโนมัติทั้งกระบวนการตั้งแต่สคริปต์ เสียงบรรยาย รูปภาพ ไปจนถึงวิดีโอจบในตัวคนเดียว เคยใช้แนวทางเรียบง่ายคือใช้ภาพนิ่งภาพเดียวแล้วค่อยๆ ซูมความยาวสองนาทีครึ่ง ซึ่งทำให้คนดูเบื่อหน่ายอย่างรวดเร็ว

ทางออกคือการปรับใหม่ให้เปลี่ยนภาพทุกๆ ประโยค สคริปต์ความยาว 17 ประโยคจึงต้องใช้ภาพ 17 ภาพ โดยภาพทั้งหมดสร้างจากโมเดลโอเพนซอร์สท้องถิ่นอย่าง FLUX ขนาด 1024x576 พิกเซล ทำงาน 4 ขั้นตอน และควอนไทต์แบบ 3-bit รันบนเครื่อง Mac แรม 16GB ที่ภาพหนึ่งภาพกินแรมมหาศาล ทำให้ไม่สามารถรันขนานกันได้ ต้องทำทีละภาพและรอให้กระบวนการก่อนหน้าปิดสนิทจริงๆ เท่านั้น

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ระบบตรวจความพร้อมตั้งเงื่อนไขว่าหากแรมว่างต่ำกว่า 50% จะปฏิเสธการทำงาน ในความพยายามครั้งแรก เมมโมรี่เหลือเพียง 35% จนต้องปิดเบราว์เซอร์หนักๆ เพื่อดันแรมกลับมาที่ 64% ระบบจึงยอมปล่อยให้สร้างภาพ 17 ภาพติดต่อกัน ภาพละประมาณหนึ่งนาที ใช้เวลารวมทั้งหมด 15 ถึง 20 นาที

หลังจากสร้างไปได้ 14 ภาพแล้วหยุดไว้เพื่อจะมาทำต่ออีก 3 ภาพที่เหลือ นั่นคือจุดเริ่มต้นของปัญหาแรก เมื่อสั่งเรซูมการสร้างภาพ บันทึกความคืบหน้ากลับเงียบสนิทจนต้องหันไปปรึกษา Claude Code และถามย้ำถึงสามครั้งว่าระบบกำลังทำงานอยู่จริงหรือไม่ จนพบว่ามันไม่ได้ทำงานต่ออย่างที่คิด