| ชื่อบทความ |
การพัฒนาระบบเพื่อการจัดการและสังเคราะห์สื่อวิดีโออัตโนมัติจากเนื้อหาดิจิทัลโดยประยุกต์ใช้เทคโนโลยีเวิร์กโฟลว์
|
| ชื่อบทความ(English) |
Development of Management and Synthesis for Automated Video from Digital Content System with Application of Workflow Technology
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
ธัญญลักษ์ สุขเกษม(1), รุ่งฤทธิ์ อนุตรวิรามกุล(2), สมนึก สินธุปวน(1), กิตติกร หาญตระกูล(1) และ ภานุวัฒน์ เมฆะ(1*) (Tanyaluk Sukkasem(1), Rungrit Anutarawiramkul(2), Somnuek Sinthupuan(1), Kittikorn Hantrakul(1) and Panuwat Mekha(1*))
|
| หน่วยงาน |
สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้(1), ศูนย์ปฏิบัติการหอดูดาวงานวิศวกรรมเมคาทรอนิกส์ สถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน)(2) (Department of Computer Science, Faculty of Science, Maejo University(1), Mechatronics, National Astronomical Research Institute of Thailand (Public Organization)(2)) *Corresponding author: panutwat_m@mju.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 12 ฉบับที่ 3 กันยายน – ธันวาคม 2569
|
| บทคัดย่อ |
ปัจจุบันการสื่อสารข้อมูลด้านวิทยาศาสตร์ โดยเฉพาะดาราศาสตร์ในรูปแบบที่เข้าถึงง่ายและน่าสนใจ ยังคงเป็นความท้าทายสำคัญของหน่วยงานด้านการวิจัยดาราศาสตร์ เนื่องจากการผลิตสื่อวิดีโอจำเป็นต้องใช้เวลาและทรัพยากรบุคลากรจำนวนมากในแต่ละรอบการเผยแพร่ข้อมูล ซึ่งระบบที่พัฒนาขึ้นเป็นระบบสร้างและจัดการสื่อวิดีโออัตโนมัติจากเนื้อหาดิจิทัล โดยผู้ใช้สามารถกำหนดคำอธิบายเนื้อหาและจัดเตรียมภาพประกอบ เพื่อให้ระบบสร้างวิดีโอสรุปข้อมูลรายเดือนเกี่ยวกับเหตุการณ์ทางดาราศาสตร์ ระบบประกอบด้วยฟังก์ชันสำคัญ เช่น การแปลงข้อความเป็นภาพเคลื่อนไหว การจัดองค์ประกอบภาพ และการจัดการเวิร์กโฟลว์แบบอัตโนมัติในการเผยแพร่ เทคโนโลยีหลักที่ใช้ ได้แก่ เวิร์กโฟลว์อัตโนมัติผ่านแพลตฟอร์มเอ็นเอทเอ็น การจัดการเนื้อหาผ่านเว็บเซิร์ฟเวอร์ และการประมวลผลภาพด้วยเครื่องมือปัญญาประดิษฐ์
ดังนั้นผู้วิจัยจึงมีแนวคิดที่จะนำเทคโนโลยีเวิร์กโฟลว์อัตโนมัติมาช่วยลดขั้นตอนการทำงานซ้ำซ้อน และเพิ่มประสิทธิภาพการผลิตสื่อวิดีโอที่เกี่ยวข้องกับปรากฏการณ์ทางดาราศาสตร์ โดยผลการทดสอบเปรียบเทียบสมรรถนะของโมเดลปัญญาประดิษฐ์พบว่า การประยุกต์ใช้เทคโนโลยีเวิร์กโฟลว์ร่วมกับโมเดลแต่ละประเภทมีข้อเด่นที่ต่างกัน โดยโมเดล Runway (Model A) มีประสิทธิภาพโดดเด่นด้านความเร็วในการประมวลผลเฉลี่ยประมาณ 2 นาที และให้ความละเอียดสูงสุดที่ 1200×780 พิกเซล ในขณะที่ Framepack (Model C) ให้ความละเอียดในระดับปานกลางที่ 770×520 พิกเซล ส่วน F5-TTS-Thai ในด้านการสังเคราะห์เสียง ทั้งสองโมเดลเป็นระบบประมวลผลภายใน (Local-based) และไม่มีค่าบริการจึงใช้ระยะเวลาในการประมวลผล ซึ่งผลการทดลองทั้งหมดนี้ยืนยันว่าการคัดเลือกโมเดลที่เหมาะสมสามารถผลิตสื่อวิดีโอได้ตรงตามความต้องการของผู้วิจัย
|
| คำสำคัญ |
เวิร์กโฟลว์อัตโนมัติ; เอ็นเอทเอ็น; ปัญญาประดิษฐ์; ดาราศาสตร์; ผลิตสื่อวิดีโอ
|
| ปี พ.ศ. |
2569
|
| ปีที่ (Vol.) |
12
|
| ฉบับที่ (No.) |
3
|
| เดือนที่พิมพ์ |
กันยายน - ธันวาคม
|
| เลขที่หน้า (Page) |
33-48
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0003-0971-3090
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R69102.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
ผุสดี บุญรอด, & ประกายมาศ ศรีสุขทักษิณ. (2015). การค้นคืนข้อมูลขนาดใหญ่โดยใช้ภาษสอบถามแบบไม่มีโครงสร้างร่วมกับเทคโนโลยีเว็บเชิงความหมาย. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 25(2), 255-264. https://ph01.tci-thaijo.org/index.php/kmutnb-journal/article/view/33784
|
| |
Adobe. (n.d.). คำแนะนำสำหรับมือใหม่เกี่ยวกับความละเอียดวิดีโอ. Retrieved February 28, 2026, from https://www.adobe.com/th_th/creativecloud/video/discover/video-resolution.html
|
| |
Hewlett Packard Enterprise. (2025). What are computing resources?. Retrieved March 17, 2026, from https://www.hpe.com/emea_europe/en/what-is/compute-resources.htm
|
| |
Kaur, N., & Singh, P. (2023). Conventional and contemporary approaches used in text to speech synthesis: A review. Artificial Intelligence Review, 56(7), 5837-5880. https://doi.org/10.1007/s10462-022-10315-0
|
| |
Venkiteela, P. (2025). n8n: An Open-Source Workflow Automation Platform for Enterprise Integration and AI-Driven Orchestration. International Journal of Computer Applications, 187(63), 1–11. https://doi.org/10.5120/ijca2025926031
|
| |
Xie, W., Hu, A., Xie, Q., Chen, J., Wan, R., & Liu, Y. (2025). Bibliometric analysis and review of AI-based video generation: research dynamics and application trends (2020–2025). Discover Computing, 28(1), 130. https://doi.org/10.1007/s10791-025-09628-9
|
| |
Yan, L., Han, C., Xu, Z., Liu, D., & Wang, Q. (2023, August). Prompt learns prompt: Exploring knowledge-aware generative prompt collaboration for video captioning. In IJCAI (pp. 1622-1630).
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|