เอกสารอ้างอิงเอนจิน AI

แพ็กเกจ @snapotter/ai เชื่อมโยง Node.js เข้ากับ Python sidecar แบบถาวร สำหรับการดำเนินการ ML ทั้งหมด กระบวนการ dispatcher จะคงอยู่ระหว่างคำขอเพื่อประสิทธิภาพการเริ่มต้นแบบ warm-start ที่รวดเร็ว NVIDIA CUDA จะถูกตรวจจับโดยอัตโนมัติเมื่อเริ่มต้นและใช้งานเมื่อพร้อมใช้งาน มิฉะนั้นเครื่องมือ AI จะทำงานบน CPU

การเร่งความเร็ว iGPU ของ Intel/AMD ผ่าน VA-API, Quick Sync หรือ OpenCL ยังไม่รองรับสำหรับการอนุมาน AI ในปัจจุบัน การแมป /dev/dri เข้าไปในคอนเทนเนอร์ไม่ได้เร่งความเร็วเครื่องมือ Python sidecar เหล่านี้ เว้นแต่จะมี NVIDIA GPU ที่รองรับ CUDA พร้อมใช้งาน

เครื่องมือ AI แบบ Python sidecar จำนวน 19 รายการครอบคลุมสี่โมดาลิตี (ภาพ เสียง วิดีโอ เอกสาร) พร้อมด้วยเครื่องมืออีก 2 รายการที่มีความสามารถ AI เสริม โมเดลทั้งหมดทำงานในเครื่อง ไม่ต้องใช้อินเทอร์เน็ตหลังจากดาวน์โหลดโมเดลครั้งแรก

สถาปัตยกรรม

Node.js Tool Route
      |
      v
 @snapotter/ai bridge.ts
      | (stdin/stdout JSON + stderr progress events)
      v
 Python dispatcher (persistent process, "ai" profile)
      |
      |-- remove_bg.py        (rembg / BiRefNet)
      |-- upscale.py          (RealESRGAN)
      |-- inpaint.py          (LaMa ONNX)
      |-- outpaint.py         (LaMa canvas expansion)
      |-- ocr.py              (PaddleOCR / Tesseract)
      |-- ocr_pdf.py          (page-by-page document OCR)
      |-- ocr_preprocess.py   (image enhancement for OCR)
      |-- detect_faces.py     (MediaPipe)
      |-- face_landmarks.py   (MediaPipe landmarks)
      |-- enhance_faces.py    (GFPGAN / CodeFormer)
      |-- colorize.py         (DDColor)
      |-- noise_removal.py    (SCUNet / tiered denoising)
      |-- red_eye_removal.py  (landmark + color analysis)
      |-- restore.py          (scratch repair + enhancement + denoising)
      |-- transcribe.py       (faster-whisper speech-to-text)
      +-- install_feature.py  (on-demand bundle installer)

โปรไฟล์ dispatcher แบบ "docs" ที่แยกต่างหากจะแทนที่รายการอนุญาต AI ด้วยสคริปต์ประมวลผลเอกสาร (doc_pagecount, doc_health, doc_flatten, doc_redact, doc_text, doc_to_word, doc_metadata, doc_html_pdf) และข้ามการอิมพอร์ต ML ขนาดใหญ่

เวลาหมดเวลา: ค่าเริ่มต้น 300 วินาที OCR และการลบพื้นหลัง BiRefNet ได้ 600 วินาที

ชุดฟีเจอร์ (Feature Bundles)

โมเดล AI ถูกจัดแพ็กเกจตามชุด dependency ที่ใช้ร่วมกัน ไม่ใช่หนึ่งไฟล์เก็บถาวรต่อหนึ่งเครื่องมือ ชุดฟีเจอร์หนึ่งชุดสามารถเปิดใช้งานเครื่องมือได้หลายรายการเมื่อเครื่องมือเหล่านั้นใช้ตระกูลโมเดล, Python wheel หรือไลบรารีเนทีฟเดียวกัน วิธีนี้ทำให้ Docker image สำหรับรีลีสมีขนาดเล็กลงและหลีกเลี่ยงการเก็บสำเนาซ้ำของโมเดล background matting, การตรวจจับใบหน้า, OCR, การกู้คืน และโมเดลเสียงพูดเดียวกัน

Docker image มาพร้อมกับแอปพลิเคชันบวกกับรันไทม์ทั่วไป ไฟล์เก็บถาวรของโมเดลขนาดใหญ่จะถูกดาวน์โหลดตามความต้องการลงในโวลุ่ม /data/ai แบบถาวร แล้วนำกลับมาใช้ซ้ำโดยทุกเครื่องมือที่ต้องการ หากติดตั้งชุดฟีเจอร์แล้วเนื่องจากมีเครื่องมืออื่นต้องการใช้ การเปิดใช้งานเครื่องมือใหม่ที่ต้องพึ่งพาชุดนั้นจะไม่ดาวน์โหลดชุดฟีเจอร์นั้นซ้ำอีก

เครื่องมือ AI แต่ละรายการต้องมีชุดฟีเจอร์ตั้งแต่หนึ่งชุดขึ้นไปก่อนจึงจะทำงานได้ UI ของผู้ดูแลระบบติดตั้งตามเครื่องมือผ่าน POST /api/v1/admin/tools/:toolId/features/install ซึ่งจะแยกรายการชุดฟีเจอร์ทั้งหมด ข้ามชุดที่ติดตั้งแล้ว และจัดคิวเฉพาะการดาวน์โหลดที่ขาดหายไปเท่านั้น ตัวอย่างเช่น การเปิดใช้งาน Passport Photo บนอินสแตนซ์ใหม่จะจัดคิว background-removal และ face-detection แต่การเปิดใช้งานหลังจากติดตั้ง Background Removal แล้วจะจัดคิวเฉพาะ face-detection เท่านั้น

ชุดฟีเจอร์	ขนาด	กลุ่ม dependency ที่ใช้ร่วมกัน	เครื่องมือที่ใช้
background-removal	4-5 GB	rembg / BiRefNet background matting	remove-background, passport-photo, transparency-fixer, background-replace, blur-background
face-detection	200-300 MB	การตรวจจับใบหน้าและจุดสังเกต MediaPipe	blur-faces, red-eye-removal, smart-crop
object-eraser-colorize	1-2 GB	LaMa inpainting/outpainting และ DDColor	erase-object, colorize, ai-canvas-expand
upscale-enhance	5-6 GB	RealESRGAN, GFPGAN / CodeFormer, denoising	upscale, enhance-faces, noise-removal
photo-restoration	4-5 GB	ไปป์ไลน์ซ่อมรอยขีดข่วนและกู้คืน	restore-photo
ocr	5-6 GB	สแตก PaddleOCR / Tesseract OCR	ocr, ocr-pdf
transcription	~600 MB	โมเดลแปลงเสียงเป็นข้อความ faster-whisper	transcribe-audio, auto-subtitles

เครื่องมือที่มี dependency ข้ามชุดฟีเจอร์:

เครื่องมือ	ชุดฟีเจอร์ที่ต้องใช้	เหตุผล
passport-photo	background-removal, face-detection	ลบพื้นหลัง แล้วใช้จุดสังเกตใบหน้าจัดกรอบการครอปให้เป็นไปตามกฎของรูปหนังสือเดินทางและรูปบัตรประจำตัว
enhance-faces	upscale-enhance, face-detection	ตรวจจับใบหน้าก่อนรันการปรับปรุงด้วย GFPGAN หรือ CodeFormer บนบริเวณใบหน้าที่เลือก

เครื่องมือจะพร้อมใช้งานเฉพาะเมื่อติดตั้งชุดฟีเจอร์ที่จำเป็นครบทุกชุดแล้ว การติดตั้งบางส่วนถือว่าใช้ได้และจัดการแบบเพิ่มทีละส่วน ชุดที่ติดตั้งแล้วจะถูกนำกลับมาใช้ซ้ำ ชุดที่ขาดหายไปจะแสดงเป็นการดาวน์โหลด และการติดตั้งที่จัดคิวไว้จะทำงานทีละรายการเพื่อไม่ให้มีการแก้ไขสภาพแวดล้อม Python ที่ใช้ร่วมกันพร้อมกัน

---

การลบพื้นหลัง

เส้นทางเครื่องมือ: remove-background
โมเดล: rembg พร้อม BiRefNet (ค่าเริ่มต้น) หรือรุ่นย่อย U2-Net

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
model	string	-	รุ่นย่อยของโมเดล (การแทนที่แบบเสริม)
backgroundType	string	"transparent"	หนึ่งใน: transparent, color, gradient, blur, image
backgroundColor	string	-	สีเลขฐานสิบหกสำหรับพื้นหลังสีทึบ
gradientColor1	string	-	สีไล่ระดับสีแรก
gradientColor2	string	-	สีไล่ระดับสีที่สอง
gradientAngle	number	-	มุมไล่ระดับสีเป็นองศา
blurEnabled	boolean	-	เปิดใช้งานเอฟเฟกต์เบลอพื้นหลัง
blurIntensity	number (0-100)	-	ความเข้มของการเบลอ
shadowEnabled	boolean	-	เปิดใช้งานเงาตกกระทบบนวัตถุ
shadowOpacity	number (0-100)	-	ความทึบของเงา
outputFormat	string	-	รูปแบบเอาต์พุต: png, webp หรือ avif
edgeRefine	integer (0-3)	-	ระดับการปรับแต่งขอบ
decontaminate	boolean	-	ลบสีที่ซึมออกจากขอบ

แทนที่พื้นหลัง

เส้นทางเครื่องมือ: background-replace
โมเดล: rembg / BiRefNet (ใช้ร่วมกับ remove-background)

ลบพื้นหลังและแทนที่ด้วยสีทึบหรือสีไล่ระดับ

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
backgroundType	"color" | "gradient"	"color"	โหมดพื้นหลัง
color	string	"#ffffff"	สีเลขฐานสิบหกของพื้นหลัง (เมื่อ backgroundType เป็น color)
gradientColor1	string	-	สีเลขฐานสิบหกไล่ระดับสีแรก
gradientColor2	string	-	สีเลขฐานสิบหกไล่ระดับสีที่สอง
gradientAngle	integer (0-360)	180	มุมไล่ระดับสีเป็นองศา
feather	integer (0-20)	0	รัศมีการเกลี่ยขอบ
format	"png" | "webp"	"png"	รูปแบบเอาต์พุต

เบลอพื้นหลัง

เส้นทางเครื่องมือ: blur-background
โมเดล: rembg / BiRefNet (ใช้ร่วมกับ remove-background)

เบลอพื้นหลังในขณะที่ยังคงความคมชัดของวัตถุ

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
intensity	integer (1-100)	50	ความเข้มของการเบลอ
feather	integer (0-20)	0	รัศมีการเกลี่ยขอบ
format	"png" | "webp"	"png"	รูปแบบเอาต์พุต

การขยายภาพ

เส้นทางเครื่องมือ: upscale
โมเดล: RealESRGAN (พร้อม Lanczos สำรองเมื่อไม่พร้อมใช้งาน)

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
scale	number	2	ตัวคูณการขยาย
model	string	"auto"	รุ่นย่อยของโมเดล
faceEnhance	boolean	false	ใช้รอบการปรับปรุงใบหน้า GFPGAN
denoise	number	0	ความแรงในการลดสัญญาณรบกวน
format	string	"auto"	การแทนที่รูปแบบเอาต์พุต
quality	number	95	คุณภาพเอาต์พุต (1-100)

OCR / การแยกข้อความ

เส้นทางเครื่องมือ: ocr
โมเดล: Tesseract (เร็ว), PaddleOCR PP-OCRv5 (สมดุล), PaddleOCR-VL 1.5 (ดีที่สุด)

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
quality	"fast" | "balanced" | "best"	"balanced"	ระดับการประมวลผล
language	string	"auto"	ภาษา: auto, en, de, fr, es, zh, ja, ko
enhance	boolean	true	ประมวลผลภาพล่วงหน้าเพื่อเพิ่มความแม่นยำของ OCR
engine	string	-	เลิกใช้แล้ว แมป tesseract เป็น fast, paddleocr เป็น balanced

ส่งคืนผลลัพธ์ที่มีโครงสร้างพร้อมกล่องขอบเขต คะแนนความเชื่อมั่น และบล็อกข้อความที่แยกออกมา

PDF OCR

เส้นทางเครื่องมือ: ocr-pdf
โมเดล: ระบบระดับเดียวกับ OCR ภาพ

แยกข้อความจากเอกสาร PDF ที่สแกนโดยใช้ OCR ที่ขับเคลื่อนด้วย AI ทีละหน้า

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
quality	"fast" | "balanced" | "best"	"balanced"	ระดับการประมวลผล
language	string	"auto"	ภาษา: auto, en, de, fr, es, zh, ja, ko
pages	string	"all"	การเลือกหน้า: "all", "1-3", "1,3,5"

เบลอใบหน้า / PII

เส้นทางเครื่องมือ: blur-faces
โมเดล: การตรวจจับใบหน้า MediaPipe

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
blurRadius	number (1-100)	30	รัศมีการเบลอแบบเกาส์เซียน
sensitivity	number (0-1)	0.5	เกณฑ์ความเชื่อมั่นในการตรวจจับ

การปรับปรุงใบหน้า

เส้นทางเครื่องมือ: enhance-faces
โมเดล: GFPGAN, CodeFormer

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
model	"auto" | "gfpgan" | "codeformer"	"auto"	โมเดลการปรับปรุง
strength	number (0-1)	0.8	ความแรงของการปรับปรุง
sensitivity	number (0-1)	0.5	เกณฑ์การตรวจจับใบหน้า
onlyCenterFace	boolean	false	ปรับปรุงเฉพาะใบหน้าที่อยู่กึ่งกลางที่สุด

การลงสีด้วย AI

เส้นทางเครื่องมือ: colorize
โมเดล: DDColor (พร้อม OpenCV DNN สำรอง)

แปลงภาพถ่ายขาวดำหรือโทนสีเทาเป็นภาพสีเต็มรูปแบบ

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
intensity	number (0-1)	1.0	ความแรงของความอิ่มตัวของสี
model	"auto" | "ddcolor" | "opencv"	"auto"	รุ่นย่อยของโมเดล

การลบสัญญาณรบกวน

เส้นทางเครื่องมือ: noise-removal
โมเดล: SCUNet (ไปป์ไลน์ลดสัญญาณรบกวนแบบหลายระดับ)

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
tier	"quick" | "balanced" | "quality" | "maximum"	"balanced"	ระดับการประมวลผล
strength	number (0-100)	50	ความแรงในการลดสัญญาณรบกวน
detailPreservation	number (0-100)	50	จำนวนรายละเอียดที่จะเก็บรักษา ยิ่งสูงยิ่งเก็บพื้นผิวไว้มาก
colorNoise	number (0-100)	30	ความแรงในการลดสัญญาณรบกวนสี
format	string	"original"	รูปแบบเอาต์พุต: original, png, jpeg, webp, avif, jxl
quality	number (1-100)	90	คุณภาพการเข้ารหัสเอาต์พุต

การลบตาแดง

เส้นทางเครื่องมือ: red-eye-removal

ตรวจจับจุดสังเกตใบหน้า ระบุตำแหน่งบริเวณดวงตา และแก้ไขการอิ่มตัวเกินของช่องสีแดง

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
sensitivity	number (0-100)	50	เกณฑ์การตรวจจับพิกเซลสีแดง
strength	number (0-100)	70	ความแรงในการแก้ไข
format	string	-	การแทนที่รูปแบบเอาต์พุต (เสริม)
quality	number (1-100)	90	คุณภาพเอาต์พุต

การกู้คืนภาพถ่าย

เส้นทางเครื่องมือ: restore-photo

ไปป์ไลน์หลายขั้นตอนสำหรับภาพถ่ายเก่าหรือเสียหาย: การตรวจจับและซ่อมรอยขีดข่วน/รอยฉีก การปรับปรุงใบหน้า การลดสัญญาณรบกวน และการลงสีเสริม

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
scratchRemoval	boolean	true	ตรวจจับและซ่อมรอยขีดข่วน รอยฉีก
faceEnhancement	boolean	true	ใช้รอบการปรับปรุงใบหน้า
fidelity	number (0-1)	0.7	ความแรงในการปรับปรุงใบหน้า (สูงกว่า = อนุรักษ์นิยมมากกว่า)
denoise	boolean	true	ใช้รอบการลดสัญญาณรบกวน
denoiseStrength	number (0-100)	25	ความแรงในการลดสัญญาณรบกวน
colorize	boolean	false	ลงสีหลังการกู้คืน
colorizeStrength	number (0-100)	85	ความเข้มของการลงสี

รูปถ่ายหนังสือเดินทาง

เส้นทางเครื่องมือ: passport-photo
โมเดล: จุดสังเกตใบหน้า MediaPipe + การลบพื้นหลัง BiRefNet

เวิร์กโฟลว์สองเฟส: วิเคราะห์ (ตรวจจับใบหน้า + ลบพื้นหลัง) จากนั้นสร้าง (ครอป ปรับขนาด เรียงเป็นแผ่น) รองรับกว่า 37 ประเทศใน 6 ภูมิภาค

เฟส 1: วิเคราะห์

POST /api/v1/tools/image/passport-photo/analyze

รับไฟล์ภาพ (multipart) ส่งคืนข้อมูลจุดสังเกตใบหน้า ตัวอย่างแบบ base64 และขนาดของภาพ

เฟส 2: สร้าง

POST /api/v1/tools/image/passport-photo/generate

รับ JSON body ที่มีผลลัพธ์จากเฟส 1 พร้อมด้วยการตั้งค่าการสร้าง:

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
jobId	string	(จำเป็น)	Job ID จากเฟส 1
filename	string	(จำเป็น)	ชื่อไฟล์ต้นฉบับจากเฟส 1
countryCode	string	(จำเป็น)	รหัสประเทศ ISO (เช่น US, GB, IN)
documentType	string	"passport"	ประเภทเอกสาร
bgColor	string	"#FFFFFF"	สีเลขฐานสิบหกของพื้นหลัง
printLayout	string	"none"	เลย์เอาต์การพิมพ์: none, 4x6, a4, letter
maxFileSizeKb	number	0	ขนาดไฟล์สูงสุดเป็น KB (0 = ไม่จำกัด)
dpi	number (72-1200)	300	DPI เอาต์พุต
customWidthMm	number	-	ความกว้างกำหนดเองเป็นมิลลิเมตร (แทนที่ข้อกำหนดของประเทศ)
customHeightMm	number	-	ความสูงกำหนดเองเป็นมิลลิเมตร (แทนที่ข้อกำหนดของประเทศ)
zoom	number (0.5-3)	1	ตัวคูณการซูม
adjustX	number	0	การปรับตำแหน่งแนวนอน
adjustY	number	0	การปรับตำแหน่งแนวตั้ง
landmarks	object	(จำเป็น)	จุดสังเกตจากเฟส 1
imageWidth	number	(จำเป็น)	ความกว้างของภาพจากเฟส 1
imageHeight	number	(จำเป็น)	ความสูงของภาพจากเฟส 1

การลบวัตถุ (Inpainting)

เส้นทางเครื่องมือ: erase-object
โมเดล: LaMa ผ่าน ONNX Runtime

มาสก์จะถูกส่งเป็น ส่วนไฟล์ที่สอง (fieldname mask) ไม่ใช่แบบ base64 พิกเซลสีขาวในมาสก์บ่งชี้บริเวณที่จะลบ การตั้งค่า format และ quality จะถูกส่งเป็นฟิลด์ฟอร์มระดับบนสุด

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
file	file	(จำเป็น)	ภาพต้นฉบับ (multipart)
mask	file	(จำเป็น)	ภาพมาสก์ (multipart, fieldname mask, สีขาว = ลบ)
format	string	"auto"	รูปแบบเอาต์พุต: auto, png, jpg, jpeg, webp, tiff, gif, avif, heic, heif, jxl
quality	integer (1-100)	95	คุณภาพเอาต์พุต

เร่งความเร็วด้วย CUDA เมื่อมี NVIDIA GPU พร้อมใช้งาน

AI Canvas Expand

เส้นทางเครื่องมือ: ai-canvas-expand
โมเดล: outpainting ที่ใช้ LaMa

ขยายพื้นที่แคนวาสของภาพในทิศทางใดก็ได้ และเติมบริเวณใหม่ด้วยเนื้อหาที่สร้างโดย AI ให้เข้ากับภาพที่มีอยู่

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
extendTop	integer	0	จำนวนพิกเซลที่จะขยายด้านบน
extendRight	integer	0	จำนวนพิกเซลที่จะขยายด้านขวา
extendBottom	integer	0	จำนวนพิกเซลที่จะขยายด้านล่าง
extendLeft	integer	0	จำนวนพิกเซลที่จะขยายด้านซ้าย
tier	"fast" | "balanced" | "high"	"balanced"	ระดับคุณภาพ
format	string	"auto"	รูปแบบเอาต์พุต: auto, png, jpg, jpeg, webp, tiff, gif, avif, heic, heif, jxl
quality	integer (1-100)	95	คุณภาพเอาต์พุต

อย่างน้อยหนึ่งทิศทางในการขยายต้องมากกว่า 0

Smart Crop

เส้นทางเครื่องมือ: smart-crop
โมเดล: การตรวจจับใบหน้า MediaPipe (โหมดใบหน้าเท่านั้น)

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
mode	string	"subject"	กลยุทธ์การครอป: subject, face, trim
strategy	"attention" | "entropy"	"attention"	กลยุทธ์สำหรับโหมดวัตถุ
width	integer	-	ความกว้างเอาต์พุต
height	integer	-	ความสูงเอาต์พุต
padding	integer (0-50)	0	เปอร์เซ็นต์ระยะขอบรอบวัตถุ
facePreset	string	"head-shoulders"	การจัดกรอบสำเร็จรูปเมื่อ mode=face
sensitivity	number (0-1)	0.5	เกณฑ์การตรวจจับใบหน้า
threshold	integer (0-255)	30	เกณฑ์การตรวจจับพื้นหลัง (โหมด trim)
padToSquare	boolean	false	เพิ่มระยะขอบผลลัพธ์ที่ตัดแล้วให้เป็นสี่เหลี่ยมจัตุรัส
padColor	string	"#ffffff"	สีพื้นหลังสำหรับการเพิ่มระยะขอบแบบสี่เหลี่ยมจัตุรัส
targetSize	integer	-	ขนาดเป้าหมายสำหรับเอาต์พุตที่เพิ่มระยะขอบ (พิกเซล)
quality	integer (1-100)	-	คุณภาพเอาต์พุต

ค่า mode แบบเดิม attention และ content ยังคงรับได้และแมปไปเป็น subject และ trim ตามลำดับ

การจัดกรอบใบหน้าสำเร็จรูป:

สำเร็จรูป	เหมาะสำหรับ
closeup	ภาพศีรษะ
head-shoulders	ภาพโปรไฟล์
upper-body	LinkedIn / ทางการ
half-body	ครึ่งตัวบนเต็มตัว

ถอดเสียงเป็นข้อความ

เส้นทางเครื่องมือ: transcribe-audio
โมเดล: faster-whisper

แปลงเสียงพูดเป็นข้อความ รองรับรูปแบบเอาต์พุตข้อความธรรมดา, SRT และ VTT

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
language	string	"auto"	ภาษา: auto, en, de, fr, es, zh, ja, ko, id, th, vi
outputFormat	"txt" | "srt" | "vtt"	"txt"	รูปแบบเอาต์พุต

คำบรรยายอัตโนมัติ

เส้นทางเครื่องมือ: auto-subtitles
โมเดล: faster-whisper (แยกเสียงจากวิดีโอ แล้วถอดเสียงเป็นข้อความ)

สร้างไฟล์คำบรรยายจากแทร็กเสียงของวิดีโอ

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
language	string	"auto"	ภาษา: auto, en, de, fr, es, zh, ja, ko, id, th, vi
format	"srt" | "vtt"	"srt"	รูปแบบคำบรรยายเอาต์พุต

เครื่องมือแก้ไขความโปร่งใส PNG

เส้นทางเครื่องมือ: transparency-fixer
โมเดล: BiRefNet HR-matting (ความละเอียด 2048x2048)

แก้ไขไฟล์ PNG แบบ "โปร่งใสปลอม" ที่พื้นหลังถูกลบออกไปแล้วแต่ทิ้งขอบซ่อน, รัศมีเงา หรือสิ่งแปลกปลอมกึ่งโปร่งใสไว้ ใช้โมเดล matting ความละเอียดสูงของ BiRefNet เพื่อสร้างช่องอัลฟาที่สะอาด แล้วใช้การประมวลผล defringe ที่กำหนดค่าได้เพื่อลบการปนเปื้อนของสีตามขอบ

สายสำรองกรณี OOM: หาก BiRefNet HR-matting ใช้หน่วยความจำเกินที่มี เครื่องมือจะถอยกลับไปใช้ birefnet-general โดยอัตโนมัติ จากนั้นไปที่ u2net

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
defringe	number (0-100)	30	ความแรงของ defringe ขอบเพื่อลบการปนเปื้อนของสี
outputFormat	"png" | "webp"	"png"	รูปแบบภาพเอาต์พุต
removeWatermark	boolean	false	ใช้การประมวลผลล่วงหน้าเพื่อลบลายน้ำ (median filter)

curl -X POST http://localhost:1349/api/v1/tools/image/transparency-fixer \
  -H "Authorization: Bearer <token>" \
  -F "[email protected]" \
  -F 'settings={"defringe":30,"outputFormat":"png"}'

---

เครื่องมือที่มีความสามารถ AI เสริม

เครื่องมือต่อไปนี้ไม่ใช่เครื่องมือ Python sidecar แต่ใช้ฟีเจอร์ AI เมื่อเปิดใช้งานตัวเลือกบางอย่าง

การปรับปรุงภาพ

เส้นทางเครื่องมือ: image-enhancement
เอนจิน: อิงการวิเคราะห์ (ฮิสโทแกรมและสถิติของ Sharp)

วิเคราะห์ภาพและใช้การแก้ไขอัตโนมัติสำหรับการเปิดรับแสง คอนทราสต์ สมดุลแสงขาว ความอิ่มตัวของสี ความคมชัด และสัญญาณรบกวน รองรับโหมดเฉพาะฉาก

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
mode	"auto" | "portrait" | "landscape" | "low-light" | "food" | "document"	"auto"	โหมดฉากสำหรับการปรับจูนการแก้ไข
intensity	number (0-100)	50	ความแรงในการแก้ไขโดยรวม
corrections.exposure	boolean	true	ใช้การแก้ไขการเปิดรับแสง
corrections.contrast	boolean	true	ใช้การแก้ไขคอนทราสต์
corrections.whiteBalance	boolean	true	ใช้การแก้ไขสมดุลแสงขาว
corrections.saturation	boolean	true	ใช้การแก้ไขความอิ่มตัวของสี
corrections.sharpness	boolean	true	ใช้การแก้ไขความคมชัด
corrections.denoise	boolean	true	ใช้การลดสัญญาณรบกวน
deepEnhance	boolean	false	เปิดใช้งานการลบสัญญาณรบกวนด้วย AI ผ่าน SCUNet (ต้องใช้ชุดฟีเจอร์ upscale-enhance)

มีปลายทางการวิเคราะห์เพิ่มเติมที่ POST /api/v1/tools/image/image-enhancement/analyze ซึ่งส่งคืนการแก้ไขที่ตรวจพบโดยไม่นำมาใช้จริง

การปรับขนาดตามเนื้อหา (Seam Carving)

เส้นทางเครื่องมือ: content-aware-resize
เอนจิน: ไบนารี Go caire (ไม่ใช่ Python จึงไม่ได้ประโยชน์จาก GPU)

ปรับขนาดภาพอย่างชาญฉลาดด้วยการลบ seam ที่มีพลังงานต่ำ โดยรักษาเนื้อหาสำคัญไว้

พารามิเตอร์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
width	number	-	ความกว้างเป้าหมาย
height	number	-	ความสูงเป้าหมาย
protectFaces	boolean	false	ปกป้องบริเวณใบหน้าที่ตรวจพบ (ต้องใช้ชุดฟีเจอร์ face-detection)
blurRadius	number (0-20)	4	การเบลอล่วงหน้าสำหรับการคำนวณพลังงาน
sobelThreshold	number (1-20)	2	เกณฑ์ความไวของขอบ
square	boolean	false	บังคับเอาต์พุตเป็นสี่เหลี่ยมจัตุรัส