Image, Video, Audio, Documents — สั่งงาน AI ด้วยข้อมูลหลายรูปแบบ
AI ในปี 2026 ไม่ได้รับแค่ข้อความ — สามารถ เห็น (vision), ได้ยิน (audio), อ่านเอกสาร (document), และสร้างวิดีโอ (video generation) ได้ในรอบเดียว frontier model ส่วนใหญ่ทำคะแนนได้สูงบน benchmark งาน multimodal เช่น MMMU-Pro (ตัวเลขเปลี่ยนตามรุ่น — ตรวจสอบ leaderboard ล่าสุดก่อนอ้างอิง)
💡 เข้าใจง่ายๆ: ลองนึกภาพว่า AI เหมือนผู้ช่วยที่สามารถดูรูป ฟังเสียง อ่านเอกสาร และสร้างวิดีโอให้คุณได้ในการสนทนาครั้งเดียว — ไม่ต้องใช้หลายเครื่องมือแยกกัน
💡 วิธีอ่านตาราง: ✅ = รองรับ, ❌ = ไม่รองรับ | "In" = รับข้อมูลเข้า, "Gen" = สร้างข้อมูลออก
| Model | Image In | Video In | Audio In | Image Gen | Video Gen |
|---|---|---|---|---|---|
| GPT-5.5 | ✅ | ✅ | ✅ | ✅ (DALL·E) | ✅ (Sora) |
| Claude Opus 4.8 | ✅ | ❌ | ❌ | ❌ | ❌ |
| Gemini 2.5 Pro | ✅ | ✅ | ✅ | ✅ (Imagen) | ✅ (Veo) |
| Gemini Omni | ✅ | ✅ | ✅ | ✅ | ✅ (Any-to-Any) |
📌 ชื่อรุ่นและความสามารถข้างต้นเป็นข้อมูล ณ ปี 2026 ที่เปลี่ยนเร็วมาก — ตรวจสอบ capability และชื่อรุ่นล่าสุดจากเว็บผู้ให้บริการก่อนใช้งานจริง
| งาน | คำอธิบาย | ตัวอย่าง Use Case |
|---|---|---|
| OCR + Analysis | อ่านข้อความจากรูปแล้ววิเคราะห์ | อ่านใบเสร็จ, สแกนเอกสาร |
| Image Description | อธิบายสิ่งที่เห็นในรูป | Accessibility, รายงานสถานที่เกิดเหตุ |
| Chart/Graph Analysis | วิเคราะห์กราฟและแผนภูมิ | อ่าน dashboard, financial charts |
| Comparison | เปรียบเทียบ 2+ รูป | Before/after, หลักฐานเปรียบเทียบ |
| Document Understanding | เข้าใจเอกสารที่มีทั้งข้อความและรูป | อ่าน PDF, slide decks, infographic |
[แนบรูป: screenshot หน้าจอ LINE ที่มีข้อความหลอกลวง] Prompt: "คุณเป็นนักวิเคราะห์ Cybercrime วิเคราะห์ screenshot การสนทนา LINE ที่แนบมา: 1. ระบุรูปแบบการหลอกลวง (MO) ที่ใช้ 2. จุดที่เป็น Red Flags สำหรับเหยื่อ 3. เทคนิคทางจิตวิทยาที่ผู้กระทำใช้ 4. ข้อมูลที่เป็นประโยชน์ต่อการสืบสวน (เบอร์โทร, ชื่อบัญชี, link ที่ปรากฏ) 5. จัดหมวดหมู่ตาม ประเภทคดี พ.ร.บ.คอมพิวเตอร์ ตอบเป็นรายงานสั้น ไม่เกิน 15 บรรทัด"
[แนบรูป: screenshot หน้าเว็บคู่แข่ง 3 ราย] Prompt: "คุณเป็น UX Analyst เปรียบเทียบ landing page ของ 3 คู่แข่งที่แนบมา: 1. จุดแข็ง/จุดอ่อนของแต่ละ design 2. Call-to-Action: ใครชัดเจนที่สุด? 3. Value Proposition: ใครสื่อสารได้ดีที่สุด? 4. Mobile-friendliness: ประเมินจากสิ่งที่เห็น 5. ข้อเสนอแนะสำหรับ landing page ของเรา ตอบเป็นตาราง comparison + สรุป 3 ข้อ"
Tools ที่ใช้ได้: DALL-E 3 (GPT-5.5), Imagen 3 (Gemini), Midjourney, Stable Diffusion
| องค์ประกอบ | คำอธิบาย | คำศัพท์แนะนำ |
|---|---|---|
| 1. Style (สไตล์ภาพ) | รูปแบบศิลปะ/เทคนิค | photorealistic · oil painting · watercolor · anime · cinematic · flat design · 3D render |
| 2. Camera (มุมกล้อง) | มุมมองและเลนส์ | wide shot · close-up · bird's eye view · macro · portrait · POV · fisheye lens |
| 3. Lighting (แสง) | แสงและบรรยากาศ | golden hour · studio lighting · soft diffuse light · dramatic shadow · neon glow · sunset backlit |
| 4. Quality (คุณภาพ) | ความละเอียดและรายละเอียด | 4K · ultra-detailed · hyperrealistic · award-winning · bokeh · sharp focus |
| 5. Extras (เพิ่มเติม) | aspect ratio + negative prompt | --ar 16:9 / 1:1 / 9:16 · --no text · --no blur (เฉพาะ Midjourney) |
A Thai police officer standing confidently in front of a modern police station, photorealistic style, wide shot, golden hour lighting, Thai police uniform with badge, friendly expression, sharp focus, 4K ultra-detailed, blue sky background, --ar 16:9
Infographic style poster warning about online scams, flat design, bold colors, Thai text placeholder areas, mobile-friendly layout, --ar 9:16
ใช้ภาษาอังกฤษสำหรับ Midjourney/DALL-E เพื่อผลลัพธ์ที่แม่นยำกว่า · พารามิเตอร์ --ar และ --no เป็น syntax เฉพาะ Midjourney เท่านั้น — DALL-E/Imagen ให้ระบุเป็นคำแทน เช่น "ภาพแนวตั้ง 9:16, ไม่มีตัวอักษร"
AI สามารถอ่านและเข้าใจเอกสาร PDF, DOCX, Spreadsheets ได้โดยตรง:
[แนบไฟล์: รายงานประจำปี.pdf (50 หน้า)] Prompt: "อ่านรายงานประจำปีที่แนบมา แล้ว: 1. สรุป Executive Summary ใน 5 bullet points 2. ดึงตัวเลขสำคัญ: รายได้, กำไรสุทธิ, ROE, D/E ratio 3. ระบุ 3 ความเสี่ยงหลักที่รายงานกล่าวถึง 4. เปรียบเทียบกับปีก่อน (ถ้ามีข้อมูล) 5. ให้คะแนนสุขภาพการเงิน 1-10 พร้อมเหตุผล ตอบเป็นรายงานสั้นสำหรับผู้บริหาร ไม่เกิน 1 หน้า"
Gemini 2.5 Pro และ GPT-5.5 รองรับ audio/video input:
[แนบไฟล์: meeting-recording.mp3 (45 นาที)] Prompt: "ฟังบันทึกเสียงการประชุมนี้แล้ว: 1. สรุปประเด็นหลักที่พูดถึง (bullet points) 2. ระบุ Action Items พร้อมผู้รับผิดชอบ 3. ระบุ Decisions ที่ตกลงกัน 4. ประเด็นที่ยังไม่มีข้อสรุป (parking lot) 5. วันประชุมถัดไป (ถ้ากล่าวถึง) Format: Meeting Minutes แบบมาตรฐาน"
Tools 2026: Sora (OpenAI), Veo 2 (Google), Runway Gen-3, Pika 2.0
| องค์ประกอบ | คำอธิบาย | คำศัพท์แนะนำ |
|---|---|---|
| 1. Duration & Shot (ระยะเวลา + ประเภท Shot) | ความยาวและ shot type | 5-second clip · establishing shot · close-up · tracking shot · aerial view · POV shot |
| 2. Camera Movement (การเคลื่อนกล้อง) | การเคลื่อนไหวของกล้อง | slow zoom in · pan left/right · dolly forward · handheld shaky · smooth glide · crane shot |
| 3. Atmosphere & Lighting (บรรยากาศ) | แสงและสภาพแวดล้อม | golden hour · rainy night · neon city lights · foggy morning · bright daylight · dramatic storm |
| 4. Sound & Pace (เสียงและจังหวะ) | ความเร็วและเสียงประกอบ | slow motion · time-lapse · cinematic pace · siren in background · ambient crowd noise |
| 5. Quality (คุณภาพ) | ความละเอียด | 4K quality · cinematic color grading · ultra smooth · film grain |
5-second cinematic clip: A Thai police car with flashing blue-red lights driving through a rain-soaked Bangkok street at night, tracking shot from the side, neon reflections on wet asphalt, slow motion, cinematic color grading, ambient city sounds with distant siren, 4K quality
10-second social media video: Elderly Thai person receiving suspicious phone call, POV shot, worried expression, text overlay "มิจฉาชีพ!", quick cut to police hotline 191, bright daylight, documentary style
ระบุความยาวเป็น "5-second" หรือ "10-second" ก่อนเสมอ · บอก shot type ก่อนอื่น · เพิ่ม camera movement เช่น "slow zoom in" เพื่อความน่าตื่นตา · Sora รองรับ aspect ratio 16:9 / 9:16 / 1:1
| เคล็ดลับ | เหตุผล |
|---|---|
| ใช้ภาษาอังกฤษสำหรับ Midjourney/DALL-E | Training data ส่วนใหญ่เป็นภาษาอังกฤษ — คำศัพท์ visual ตรงกว่า |
| ระบุ aspect ratio ก่อนส่ง (Midjourney: --ar 16:9) | กัน AI crop ภาพผิดสัดส่วน — สำคัญมากสำหรับ social media (DALL-E/Imagen ระบุเป็นคำ) |
| ใช้ negative prompt (Midjourney: --no ...) | เช่น --no text --no logo — ลด element ที่ไม่ต้องการ (รุ่นอื่นบอกเป็นคำว่า "ไม่มี...") |
| บอก shot type ก่อน (สำหรับ video) | AI จะล็อก framing ตาม shot type ก่อนปรับ movement |
| ใช้ Negative Prompt สำหรับ quality | blurry, low quality, distorted, watermark — ทำให้ output คมชัดขึ้น |
Draft ด้วย Prompt สั้น → ดูผล → เพิ่ม elements ทีละส่วน — อย่าใส่ทุกอย่างพร้อมกันรอบแรก
รูปแบบที่พบบ่อยในการ prompt AI ด้วยข้อมูลหลายรูปแบบ:
| Pattern | คำอธิบาย | ตัวอย่าง |
|---|---|---|
| Describe & Analyze | ให้ AI อธิบายสิ่งที่เห็นในรูป | "อธิบายสิ่งที่เห็นในรูป แล้ววิเคราะห์..." |
| Compare & Contrast | เปรียบเทียบ 2+ รูป/เอกสาร | "เปรียบเทียบ 2 design นี้ ข้อดี/ข้อเสียของแต่ละแบบ" |
| Extract & Structure | ดึงข้อมูลจากรูป/เอกสาร แปลงเป็น structured data | "อ่านใบเสร็จนี้ แปลงเป็น JSON" |
| Verify & Fact-check | ใช้รูปเป็น evidence ตรวจสอบข้อเท็จจริง | "รูปนี้ตรงกับคำให้การหรือไม่? จุดไหนสอดคล้อง/ขัดแย้ง" |
| Generate from Reference | ใช้รูปเป็น reference สร้าง content | "ดู style ในรูปนี้ แล้วเขียน copy ที่เข้ากับ mood" |
เทคนิคการส่งผลวิเคราะห์จากรูปหนึ่งต่อไปยังรูปถัดไป — สร้าง context สะสมจาก visual evidence:
Step 1: [แนบรูปสถานที่เกิดเหตุ] "อธิบายสิ่งที่เห็นในรูป ระบุ: สภาพแวดล้อม, เวลาโดยประมาณ, สิ่งผิดปกติ" Step 2: [แนบรูปหลักฐาน close-up] "จากบริบทที่วิเคราะห์ในรูปก่อนหน้า ดูรูปหลักฐานนี้: มันสอดคล้องหรือขัดแย้งกับบริบท?" Step 3: [แนบแผนที่/diagram] "จากข้อมูลทั้ง 2 รูปก่อนหน้า ดูแผนที่นี้: ระบุตำแหน่งที่น่าจะเกิดเหตุ พร้อมเหตุผล"
AI จะ "จำ" context จากรูปก่อนหน้าในบทสนทนาเดียวกัน — ทำให้สามารถ สะสมข้อมูล จากหลายรูป แล้วสังเคราะห์เป็นข้อสรุปรวมได้ เหมาะกับงานสืบสวน, forensics, และการวิเคราะห์ที่ต้องใช้หลักฐานหลายชิ้นประกอบกัน
| # | ❌ ข้อผิดพลาด | ✅ วิธีที่ถูกต้อง |
|---|---|---|
| 1 | ส่งรูปโดยไม่บอก context → AI เดาเอง อาจเข้าใจผิด | ระบุ context เสมอ เช่น "นี่คือ screenshot dashboard ยอดขาย" "รูปสถานที่เกิดเหตุ" |
| 2 | ใช้ภาษาไทยใน Image/Video prompt → ผลลัพธ์ไม่ตรงที่ต้องการ | ใช้ภาษาอังกฤษสำหรับ Midjourney/DALL-E/Sora — training data ส่วนใหญ่เป็น EN |
| 3 | ไม่ระบุ aspect ratio → AI crop ผิด หรือสัดส่วนไม่เหมาะกับ social media | ระบุชัด: Midjourney ใช้ --ar 16:9 / 9:16 | DALL-E/Imagen บอกเป็นคำ "ภาพแนวตั้ง 9:16" |
| 4 | นำรูป AI-generated ไปใช้เป็นหลักฐานในคดี → ผิดกฎหมาย ถือว่าแต่งหลักฐาน | ใช้เฉพาะสื่อประชาสัมพันธ์/ฝึกอบรม พร้อมระบุว่า "สร้างโดย AI เพื่อประกอบการนำเสนอ" |
| 5 | Vision AI วิเคราะห์ Chart → ตัวเลขผิด เพราะ OCR ไม่แม่นยำ | Verify ตัวเลขสำคัญด้วยตา ถามเฉพาะเจาะจง เช่น "ยอดขายเดือนมี.ค. คือเท่าไหร่?" |
| 6 | ถามคำถามกว้างๆ "วิเคราะห์รูปนี้" → AI ตอบทั่วไป ไม่ตรงประเด็น | ถามเฉพาะเจาะจง เช่น "ดูที่มุมขวาบน มีสิ่งผิดปกติไหม?" "ระบุสีและรุ่นรถ" |
| 7 | ไม่ระวัง Deepfake → รูปที่ AI สร้างหลอก AI วิเคราะห์ได้ | ตรวจสอบ metadata, แหล่งที่มา เสมอ เมื่อวิเคราะห์รูปจากแหล่งไม่น่าเชื่อถือ |
โจทย์: ต้องการทำ 3 สิ่งต่อไปนี้ — ใช้ Model ไหนและ approach แบบไหน?