Reelcut

/reelcut — ถอดสูตรคลิป แล้วทำตามสูตร

สองโหมด อ่านเจตนาจากประโยคผู้ใช้แล้วเลือกเอง:

• A · TEARDOWN — "คลิปนี้มีอะไรบ้าง / ตัดต่อยังไง / เสียงทำยังไง" → §1–§4
• B · BUILD — "อยากได้คลิปแบบนี้ / ทำตามสูตรนี้" → §5

ถ้าผู้ใช้ส่งคลิปมาเฉยๆ พร้อมคำว่า "ศึกษา/ดูให้หน่อย" → TEARDOWN ถ้าจะทำ BUILD ให้ teardown คลิปอ้างอิงก่อนเสมอ อย่าเดาสูตรจากความจำ

สื่อสารสองภาษา: สรุปไทย + ศัพท์เทคนิคอังกฤษ ตามที่ผู้ใช้ชอบ

หลักการเดียวที่ห้ามละเมิด

วัด อย่าเดา. ทุกตัวเลขที่รายงานต้องมาจากคำสั่งที่รันจริง ถ้าวัดไม่ได้ ให้บอกว่าวัดไม่ได้ — ห้ามประมาณแล้วเขียนเหมือนเป็นค่าที่วัดมา

โดยเฉพาะเรื่อง "มีเพลงประกอบไหม" — หูคนฟังผิดประจำเพราะ SFX ท้ายยาวๆ ฟังเหมือนเพลง ต้องแยกสเต็มแล้ววัด (§2 ข้อ 11) ถึงจะตอบได้

0. Environment (เครื่องนี้ — ยืนยันแล้ว 2026-07-28)

สคริปต์หลัก: scripts/reelcut_analyze.py (ในโฟลเดอร์สกิลนี้)

1. TEARDOWN — รันตัววิเคราะห์

python "~/.claude/skills/reelcut/scripts/reelcut_analyze.py" \
       "<path/to/clip.mp4>" --stems

• --stems ใส่เสมอเมื่อเรื่องเสียงสำคัญ (ซึ่งคือเกือบทุกครั้ง) — เป็นการทดสอบเดียวที่ชี้ขาดว่ามี BGM หรือไม่
• --work DIR เลือกที่เก็บไฟล์กลาง (default = _reelcut/ ข้างไฟล์วิดีโอ) → ให้ชี้ไป scratchpad อย่าไปสร้างขยะในโฟลเดอร์ผู้ใช้
• --no-frames ข้ามการวิเคราะห์ภาพ (ใช้ตอนสนใจเฉพาะเสียง)

สคริปต์พิมพ์ออกมา 13 ส่วน:

2. TEARDOWN — ดูภาพด้วยตา (สคริปต์แทนไม่ได้)

ตัวเลขบอกว่า เกิดอะไร ตาบอกว่า มันหน้าตายังไง ต้องทำทั้งคู่

contact sheet — 2 fps ทั้งคลิป แล้ว Read ดู:

ffmpeg -hide_banner -v error -i CLIP -vf "fps=2,scale=200:-1,tile=7x4" -q:v 3 SHEET_%02d.jpg -y

เฟรมความละเอียดสูงตรงจุดสำคัญ — เอาเวลาจาก §2/§5/§12 มาใช้:

ffmpeg -hide_banner -v error -ss 2.60 -i CLIP -frames:v 1 -q:v 2 out.jpg -y

สเปกโตรแกรม (ดูรูปร่าง SFX/riser):

ffmpeg -hide_banner -v error -i CLIP -lavfi "showspectrumpic=s=1400x600:mode=combined:legend=1:scale=log" spec.png -y

จาก contact sheet ให้เก็บ: ข้อความบนจอทุกชิ้น + เวลา, ฟอนต์/stroke/เงา/ไล่สี, ชนิดเอฟเฟกต์ที่พาข้อความเข้า (mask wipe / explosion sprite / glitch), โลโก้อยู่ไหน, อะไรเป็น prop จริง อะไรเป็นกราฟิก

3. TEARDOWN — ถอดบท

python - <<'PY' > tx.txt 2>&1
from faster_whisper import WhisperModel
m = WhisperModel("small", device="cpu", compute_type="int8")
segs, info = m.transcribe(r"<a16.wav>", language="th", vad_filter=False)
for s in segs: print(f"[{s.start:6.2f} -> {s.end:6.2f}] {s.text}")
PY

• ใช้ small ก่อน — medium ดีกว่าแต่โหลดโมเดลครั้งแรกนานมาก ถ้าจะใช้ให้สั่ง background แล้วทำอย่างอื่นรอ คุ้มที่จะรอ: ในคลิปอ้างอิง small ได้ยิน "2.4.9" แต่ medium ได้ยิน "2.4 GHz" ถูกต้อง ซึ่งเป็นตัวชี้ขาดว่าข้อความบนจอพิมพ์ผิด ไม่ใช่คนพูดผิด
• คำทับศัพท์อังกฤษจะเพี้ยน → เอาข้อความบนจอมาปะติดปะต่อ จะได้บทที่ถูก
• เสียงจาก stem vocals.wav ให้ผลดีกว่าเสียงดิบเมื่อมี SFX หนัก
• ขอบเขต segment ของ whisper = สัญญาณหาจุดคัตที่ดีกว่า silence detection คัตที่ตกกลางประโยคแบบไม่มีช่องว่างเสียงเลย ยังตกที่ "รอยต่อวรรค" อยู่ดี — silence จับได้แค่ครึ่งเดียว ให้เทียบเวลาคัต (§2) กับทั้ง VO gaps (§10) และ ขอบ segment ของ whisper

4. TEARDOWN — เขียนรายงาน

โครงที่ผู้ใช้คนนี้ชอบ (ยืนยันแล้ว):

1. สเปกไฟล์ + คำเตือน transcode ถ้ามี
2. Beat sheet ตาราง: เวลา / บท / ภาพ / กราฟิก
3. การตัดต่อ — shot list, cut-on-breath, push-in, whip, สิ่งที่ไม่มี (freeze, dissolve)
4. กราฟิก & เอฟเฟกต์ — ตารางทุก overlay + ชนิดเอฟเฟกต์ที่พาเข้า
5. เกรดสี
6. เสียงละเอียด — มาสเตอร์ริ่ง / สเตอริโอ / VO / มี-ไม่มี BGM พร้อมหลักฐาน / ตาราง SFX / กฎการวาง SFX
7. สูตรทำซ้ำ เป็นข้อๆ ทำตามได้จริง
8. จุดที่ควรแก้ — เอาไปลอกไม่ได้

กฎการเขียน:

• ทุกข้ออ้างต้องมีตัวเลขติดมา ("LRA 2.4 LU" ไม่ใช่ "บีบอัดหนัก")
• ทั้ง สิ่งที่มี และ สิ่งที่จงใจไม่มี — "ไม่มีเพลงเลย" มักเป็นข้อค้นพบที่ใหญ่ที่สุด
• ตารางเยอะๆ ผู้ใช้อ่านเร็ว
• ปิดท้ายด้วยข้อเสนอต่อยอด อย่ายัดเยียด

5. BUILD — ทำคลิปตามสูตร

ถ้าจะสร้างไม่ใช่แค่วิเคราะห์ ให้ส่งต่อไปที่ toolchain เดิม แล้วใช้สูตรจาก teardown เป็น spec:

• ตัดฟุตเทจจริง → [[vdocut]] (มี Windows/Thai gotcha ครบ)
• รีลข่าว/แชร์ข้อมูล 9:16 มี VO+ภาพ gen → [[reel-factory]]
• explainer การ์ตูน → [[vdostory]]
• วางแผน hook/retention → [[vidcraft]]

เช็กลิสต์ก่อนเรนเดอร์ (เทียบกับตัวเลขที่ teardown มา):

• ทุกช็อตมีการเคลื่อนไหว — ห้ามมีช็อตนิ่งสนิท
• Hard cut ล้วน ไม่มี dissolve เว้นแต่มีเหตุผล
• คัตตกในช่องว่างลมหายใจ 90–270 ms
• ความเงียบใน VO < 12% ของความยาว
• SFX 6–8 ก้อน วางที่ กราฟิกเข้า ไม่ใช่ที่คัต
• SFX หลักมี sub 60–80 Hz + noise sweep 2–8 kHz
• Master −14 LUFS, LRA 3–5 LU, True peak ≤ −1.5 dBTP (อย่าไป −0.7 แบบต้นฉบับ)
• ส่งโมโนได้ถ้ากลุ่มเป้าหมายดูบนมือถือ
• มีซับ — ต้นฉบับไม่มี และนั่นคือจุดอ่อนของมัน
• รันตัววิเคราะห์กับงานตัวเอง แล้วเทียบตัวเลขกับ reference

ค่าอ้างอิงที่วัดมาแล้วจากคลิปโฆษณาไทยที่ทำได้ดี อยู่ในความทรงจำ ref-reel-ad-anatomy

6. Gotchas ที่จ่ายค่าเรียนไปแล้ว

1. -v error ฆ่า showinfo/ebur128 — filter พวกนี้ log ที่ระดับ info ถ้าจะอ่าน output ใช้ -hide_banner อย่างเดียว ห้ามใส่ -v error

2. metadata=print:file=... ไม่ยอมเขียนไฟล์บนเครื่องนี้ — อย่าเสียเวลา ให้ dump raw frame แล้ววิเคราะห์ด้วย numpy แทน (เร็วกว่าและยืดหยุ่นกว่ามาก)

3. อย่าไปป์ output ของ whisper ผ่าน tail -N ใน background task — มันตัดหัวทิ้ง ได้บทมาแค่ท้ายคลิป เขียนลงไฟล์แล้วค่อย grep

4. Bash tool รีเซ็ต cwd ทุกครั้ง — ใช้ absolute path เสมอ อย่าพึ่ง cd ค้าง

5. แยกคัตจริงจากภาพเคลื่อนไหวเร็ว — threshold เฉยๆ ไม่พอ กราฟิกวิ่งเข้าให้ค่า frame-diff 12–18 ติดกันยาว ส่วนคัตจริงคือ spike โดดเดี่ยวที่สูงกว่าเพื่อนบ้าน ≥2 เท่า

6. Framing-drift proxy หลอกได้ — มือ/ป้ายเข้า-ออกเฟรมทำให้ตัวเลขเหมือนซูม ต้องเปิด contact sheet ดูก่อนสรุป

7. HE-AAC / bitrate ต่ำ = ไฟล์จากแพลตฟอร์ม ไม่ใช่มาสเตอร์ — ย่านสูง >10 kHz เป็น SBR สังเคราะห์ อย่าเคลมเรื่องคุณภาพย่านสูง

8. BGM ที่ "ได้ยิน" มักไม่มีจริง — ต้องดู 3 ค่าคู่กัน: ระดับ bed ย่าน 300 Hz–8 kHz, correlation กับ envelope ของ VO, และ beat autocorrelation ค่าเดียวตัดสินไม่ได้

9. ห้าม shell=True ในสคริปต์ที่รับ path จากผู้ใช้ — ใช้ argv list

10. librosa ไม่มีบนเครื่องนี้ — scipy welch/stft/hilbert/find_peaks ทำได้หมด