Bài viết gốc Weixin: https://mp.weixin.qq.com/s/P1VJ-o2SPA2ulZ5uYLbHBw · Tác giả: 李墨玩 (Lý Mặc Ngoạn · Mặc Ngoạn AI / 墨玩AI) · WeChat · Kho mã nguồn mở Skill đi kèm: github.com/limowan/mw-concept-video · Biên dịch toàn văn, Việt hóa 6 ảnh gốc, khôi phục 2 video Full HD 1080p & thiết kế Infographic bởi AIHot.vn
Tóm tắt 60 giây & Infographic Giải phẫu Dây chuyền Làm Video Bằng Code Thuần
🎬 Điểm nhấn thực chiến từ bài hướng dẫn & bộ Skill mã nguồn mở của Lý Mặc Ngoạn (墨玩AI): Không cần biết dùng Premiere hay CapCut, không cần lục tìm kho ảnh/video mẫu, không tốn tiền mua nhạc bản quyền và cũng không cần thu âm giọng đọc: chỉ bằng sự kết hợp giữa Claude (viết kịch bản, code giao diện & soạn nhạc) + GPT (kiểm chứng sự thật chống ảo giác) + Remotion (dựng đồ họa React từng khung hình) + Python Scorekit (ghép mẫu nhạc giao hưởng CC0 khớp từng câu phụ đề), bạn có thể sản xuất trọn vẹn các video giải thích khoa học – tâm lý học – tư duy dài 2–3 phút chuẩn 2K. Con người chỉ cần gật đầu duyệt ở đúng 4 điểm chốt (Chọn đề tài, Kịch bản phân cảnh, Bản nháp 15 giây đầu và Thành phẩm cuối cùng), toàn bộ các bước nặng nhọc ở giữa đều do Claude tự chạy và tự chụp bảng Contact Sheet để kiểm định!
| Khâu sản xuất | Cách làm video truyền thống | Dây chuyền 'Video Bằng Code Thuần' (mw-concept-video) |
|---|---|---|
| 1. Nghiên cứu & Kịch bản | Tự đọc tài liệu, tự chia cột kịch bản; dễ lẫn nguồn tin đồn mạng | Claude tra bài báo gốc phân 3 hạng (Sơ cấp / Thứ cấp / Loại bỏ) + GPT kiểm chứng chéo; nhịp 4–8s / điểm sảng khoái |
| 2. Hình ảnh & Chuyển động | Tìm stock video/ảnh, kéo thả keyframe thủ công trong phần mềm dựng phim | 100% vẽ bằng code trên framework Remotion (nền tối, chủ thể phát sáng, 1 vật thể biến hình xuyên suốt, ~2s đổi cảnh/lần) |
| 3. Nhạc nền & Hiệu ứng âm | Mua nhạc bản quyền hoặc tải thủ công rồi cắt ghép khớp hình bằng tay | Python Scorekit dùng mẫu Piano/Cello VSCO 2 (CC0 thương mại) + tự tổng hợp Pluck/Riser/Impact khớp chính xác từng câu phụ đề |
| 4. Kiểm định (QC) & Bìa | Người dựng phải tự xem đi xem lại hàng chục lần để tìm lỗi đè chữ | Script tự chụp 1 frame/giây ghép thành Contact Sheet cho Claude tự soi lỗi bố cục, đo tần suất chuyển cảnh & tạo bìa bằng gpt-image-2 |
Mở đầu: 2 Video mẫu Full HD 1080p do Claude tự viết code từ A–Z
Hai đoạn phim ngắn dưới đây — từ kịch bản lời bình, hình ảnh chuyển động cho đến nhạc nền — đều do tôi để Claude viết code làm ra.
Chẳng cần mở bất kỳ phần mềm dựng phim hay kho tư liệu nào, cũng không tốn một xu mua nhạc bản quyền: một video giảng giải về Định luật Đỉnh – Kết (Peak-End Rule) dài 2 phút 27 giây; một video mổ xẻ câu hỏi người hướng nội (i人) rốt cuộc có ít nói thật không, dài 2 phút 21 giây.
Đây chính là trào lưu dùng Claude làm “video bằng code” (代码视频) đang gây sốt rần rần thời gian gần đây. Trên Bilibili có một chủ kênh (UP chủ) tên là Bit Tân Ngữ (比特新语), chỉ nhờ làm dạng video này mà trong vài ngày ngắn ngủi đã tăng vọt lên tới hàng trăm nghìn (600.000+) người theo dõi. Trong bài viết này, tôi sẽ hướng dẫn chi tiết từng bước cách làm ra những video như vậy.
Dạng video này thường có thời lượng từ 2 đến 5 phút, giải thích một khái niệm về tâm lý học, triết học hoặc mô hình tư duy — hoàn toàn không có giọng đọc người thật (no voiceover), thuần túy dựa vào phụ đề + nhạc nền, và phông nền hình ảnh đều sử dụng tông màu tối (dark background).
01. Quy trình tổng thể (WORKFLOW · Luồng chạy + 4 chốt duyệt)
Như có thể thấy ở quy trình này, chúng ta chỉ cần đứng ra duyệt ở 4 khâu là Chọn đề tài, Kịch bản video, Bản nháp (样片 - 15 giây đầu) và Thành phẩm cuối cùng, còn lại tất cả đều ném cho Claude tự chạy.
02. Chọn đề tài: Một câu hỏi phản trực giác & Một vật thể vẽ được xuyên suốt
(TOPIC · 反差 + 实验 — Tương phản + Thí nghiệm)
Mấy nguyên tắc dưới đây là kinh nghiệm tôi đúc kết cùng AI sau khi tự làm xong hai video Định luật Đỉnh – Kết, Người hướng nội (i人) và tham khảo thêm các video triệu view của những kênh khác:
- 1. Toàn bộ video phải xoay quanh một chủ đề có tính tương phản / phản trực giác: Ngay ở khung hình mở đầu (frame thứ 0) đã phải ném thẳng câu hỏi đó ra — ví dụ “Vì sao điện thoại của bạn cứ sạc đến 80% là đột nhiên chậm hẳn lại?” — để khán giả vừa nhìn thấy là muốn biết ngay câu trả lời.
- 2. Đoạn kết phải chạm tới cảm xúc người xem: Câu nói cuối cùng của video phải là câu đọng lại thật sâu trong tâm trí họ. Chẳng hạn với video Định luật Đỉnh – Kết là “Ký ức không tính tổng sổ” (记忆不算总账) ; còn với video Người hướng nội là “Người hướng nội (i人) và người hướng ngoại (e人) thực chất là diện mạo của cùng một con người ở những hoàn cảnh khác nhau” .
- 3. Phải có thí nghiệm, tên nhà khoa học, năm thực hiện và con số cụ thể: Khi đưa ra luận cứ chứng minh, cần tra cứu các bài báo khoa học và trích dẫn những thí nghiệm thực chứng để nâng cao sức thuyết phục của lập luận.
Ngoài ra, chủ đề không nên quá dài dòng — chỉ cần gói gọn trong vài phút là giảng giải xong; nếu kéo dài quá sẽ tạo cảm giác như đang phải ngồi nghe giảng bài trên lớp, trải nghiệm trong bối cảnh lướt video ngắn sẽ cực kỳ tệ.
03. Nghiên cứu tài liệu: Phân 3 hạng nguồn gốc + Kiểm chứng chéo bằng GPT
(RESEARCH · 论文 + 核查 — Bài báo khoa học + Kiểm chứng sự thật)
Bước này cực kỳ dễ “lật xe” (sai lệch dữ kiện). Tôi yêu cầu Claude phải tra cứu các bài báo khoa học gốc, và phân mọi luận điểm thành 3 hạng rõ ràng: Nguồn sơ cấp (hạng 1 - bài báo gốc) thì dùng trực tiếp; nguồn thứ cấp (hạng 2 - sách/báo dẫn lại) phải ghi chú rõ ràng; còn thông tin không tra ra xuất xứ gốc thì tuyệt đối không dùng. Sau khi làm xong bước này, tôi còn dùng GPT giúp rà soát kiểm chứng sự thật (fact-check) lại một lượt nữa — bởi nếu xét về tỷ lệ ảo giác (hallucination rate) thấp nhất thì GPT xứng đáng là vị vua không đối thủ, thấp nhất trong tất cả các mô hình mà tôi từng sử dụng tính đến hiện tại.
04. Kịch bản video: Bảng phân cảnh 5 cột & Nhịp '4–8 giây một điểm sảng khoái'
(SCRIPT · 分镜 + 爽点 — Phân cảnh + Điểm sảng khoái)
Ở bước kịch bản phân cảnh, tôi bảo AI trình bày vào tài liệu theo bảng dưới đây để tiện duyệt. Ví dụ, đây là một phần kịch bản của video nói về người hướng nội (i人):
| Giây (秒) | Phụ đề (字幕) | Điểm sảng khoái (爽点) | Hình ảnh chuyển động (画面) | Nhạc nền & Âm thanh (配乐) |
|---|---|---|---|---|
| 0 | Các nhà tâm lý học từng tin rằng: Chỉ một giọt nước chanh là đo ra được người hướng nội (i人). | Mồi câu (钩子 - Hook) | Frame thứ 0 là cảnh cận cảnh giọt nước chanh phát sáng, rơi xuống ở giây 1,5 tạo thành vòng gợn sóng lan tỏa | Giây thứ 0 vang lên một tiếng “Tách” trong trẻo |
| 4 | Năm 1967, thí nghiệm trên 100 người: Càng hướng nội, nước bọt tiết ra càng nhiều. | Dữ liệu đập vào mắt (数据砸脸) | Vòng gợn sóng hóa thành 100 hình người nhỏ, xếp thành biểu đồ phân tán (scatter plot) | Nhịp gảy dây xung lực (Pluck pulse) |
| 8 | Hai năm sau, có người làm lại thí nghiệm y hệt: Chẳng có sự khác biệt nào. | Cú lật kèo (打脸反转) | Đường chéo hồi quy “rắc” một tiếng gãy đôi, các chấm phân tán vỡ tung thành một đám hỗn độn | Tiếng xước đĩa than, ngắt nhịp đột ngột |
| 12 | Về sau mới phát hiện ra: Chiêu này chỉ linh nghiệm vào... buổi sáng. | Điểm gây cười (笑点) | Mặt trời lướt từ trái sang phải, vừa qua buổi trưa là quả chanh vụt tắt ngúm | Âm trượt xuống (glissando) tinh nghịch |
| 16 | (Tiêu đề) Người hướng nội (i人) có thực sự ít nói không? | — | Một chiếc nhãn “i人” đập “bốp” một cái dán chặt lên màn hình | Cú đập trầm (Impact), giai điệu chủ đề vang lên |
| 28 | Khoảng một nửa số người bị đổi ít nhất một chữ cái (khi test lại MBTI). | Dữ liệu đập vào mắt + Điểm gây cười | Các thẻ chữ cái MBTI lật mặt, nhấp nháy con số “≈50%” | Tiếng gảy dây hài hước |
Ở đây cần đặc biệt lưu ý: để thích ứng với nhịp điệu của video ngắn, tốt nhất là mỗi một câu thoại phải ứng với một khung hình biến đổi, tuyệt đối không để khung hình đứng yên quá lâu nếu không khán giả sẽ vuốt bỏ ngay. Tôi thường áp dụng 4 nguyên tắc sau:
- Mỗi màn hình một câu: Độ dài từ 12 đến 20 chữ (tiếng Trung), hiển thị trong khoảng 4 giây.
- 2 giây đầu tiên quyết định tất cả: Ngay ở frame thứ 0 đã phải có hình ảnh, có phụ đề và có âm thanh; câu phụ đề đầu tiên ném thẳng câu hỏi cốt lõi mà toàn bộ video sẽ trả lời — tốt nhất là trùng khớp với tiêu đề video.
- Cứ mỗi 4 đến 8 giây phải có một “điểm sảng khoái” (爽点): Hệ thống phân loại tôi dùng gồm 7 nhóm: Nói trúng tim đen (被说中), Đảo ngược nhận thức (认知反转), Dữ liệu đập vào mắt (数据砸脸), Minh oan giúp bạn (替你正名), Điểm gây cười (笑点), Thu hồi nút thắt (悬念回收), và Tiền tệ xã hội / Câu đúc kết đáng chia sẻ (社交货币) .
- Bố cục phân bổ theo tỷ lệ phần trăm thời lượng: Mở đầu lạnh (Cold open), đến khoảng 12% thời lượng thì tung tiêu đề chính, đoạn giữa là chuỗi bằng chứng khoa học dày đặc, tới mốc 55% đưa ra định nghĩa gói gọn trong một câu, mốc 60% tự phản biện / tự bóc tách lại chính luận điểm vừa nêu một nhịp, phần sau quay trở về cuộc sống của khán giả, và câu cuối cùng khép lại toàn bộ mạch cảm xúc.
Bản thảo đầu tiên do Claude viết thường đã đủ rõ ý, nhưng đôi chỗ vẫn hơi vương “mùi AI”, chúng ta vẫn cần tự biên tập lại một bản. Dù vậy, đôi lúc Claude cũng khá có khiếu hài hước: ở bản thảo đầu tiên của video i人, khi bảo nó bóc tách từng câu theo đúng phân loại điểm sảng khoái, chính nó đã tự tìm và viết ra phân đoạn buồng vệ sinh: “Một vị giáo sư từng giảng dạy tại Harvard (Brian Little), trên bục giảng chọc cười cả hội trường, nhưng có lúc vừa tan học liền trốn vào buồng vệ sinh, nhấc bổng hai chân lên để khỏi bị sinh viên nhận ra”.
05. Nhạc nền: Mẫu âm thanh VSCO 2 (CC0) + Động cơ Python viết tổng phổ khớp beat
(MUSIC · 采样 + 卡点 — Mẫu nhạc cụ + Khớp nhịp)
Phần này tôi cũng đã tìm hiểu kỹ: nhạc có bản quyền đa phần đều phải trả phí, còn các kho nhạc miễn phí thì không thể giao cho AI tự thao tác tải về vì vướng bước xác thực con người (CAPTCHA), nên tôi bảo Claude tự viết nhạc luôn. Tiếng đàn Piano và dàn dây (Strings/Cello) sử dụng bộ mẫu âm thanh VSCO 2 Community Edition (Bản cộng đồng) tải được trên GitHub theo giấy phép CC0 (dùng thương mại hoàn toàn không cần ghi công). Còn tiếng gảy dây (pluck) và hiệu ứng âm thanh (SFX) thì dùng code tổng hợp (synthesize) trực tiếp. Claude dùng Python viết một engine âm thanh nhỏ, soạn nhạc hệt như viết tổng phổ: “Giây thứ mấy, nhạc cụ nào, nốt nhạc gì, cường độ bao nhiêu”, rồi kết xuất thẳng ra file .wav:
s = Score(length=40)
s.note('piano', 3.0, N('A5'), vel=0.4, dur=2.0) # 3 秒处一个钢琴单音 (Giây thứ 3: Một nốt đơn Piano A5)
s.pad('cello', 18.0, [N('F2')], dur=5.0, vel=0.5) # 18 秒大提琴铺底 (Giây thứ 18: Tiếng đàn Cello F2 trải nền)
s.sfx('riser', 18.0, align='end') # 标题前蓄力 (Hiệu ứng Riser tụ lực ngay trước khi ra tiêu đề)
s.sfx('impact', 18.0) # 标题重击 (Cú đập Impact đúng giây 18 khi tiêu đề xuất hiện)
s.render('out/demo')Điều ở Claude khiến tôi kinh ngạc nhất chính là khả năng khớp nhịp (卡点 / beat-sync): nhạc nền và phụ đề của nó lần nào cũng ăn khớp với nhau từng nhịp một. Dù tôi không rành nhạc lý, nhưng nghe bằng tai vẫn cảm nhận rất rõ — thực sự mạnh hơn hẳn các mô hình khác.
06. Hình ảnh: Framework Remotion, nền tối nhiều khoảng trống & nhịp biến đổi 2 giây
(VISUAL · 深色 + 留白 — Phông nền tối + Khoảng trống thị giác)
Về phần hình ảnh, tôi lựa chọn dựng trên bộ khung Remotion (framework làm video bằng React) — cá nhân và nhóm nhỏ đều được sử dụng miễn phí, mỗi một khung hình đều do code tính toán ra nên căn chỉnh khớp nhạc chính xác tuyệt đối.
Phong cách thị giác được chọn là nền tối (dark background), chủ thể phát sáng (glowing subjects), hạt phim (film grain) và tối bốn góc (vignette): trong một khung hình có ít chi tiết, giữ nhiều khoảng trống (negative space), nhưng sự biến đổi giữa các khung hình lại diễn ra rất nhanh — nguyên tắc này cũng được đúc kết từ việc tham khảo các video triệu view.
Vật thể xuyên suốt toàn bộ video (Nhất vật đáo để - 一物到底) phải liên tục biến đổi hình thái khi xuất hiện. Chẳng hạn chiếc đồng hồ kim chỉ trong video i人: mở màn là một chiếc nhãn “i人” dán đè lên màn hình; tới đoạn giữa chiếc nhãn bị xé toạc, để lộ cây kim đồng hồ vẫn đang dao động không ngừng ở bên dưới; khi kể chuyện vị giáo sư Harvard, cây kim văng kịch kim sang tận cùng phía e; tới câu thứ ba tính từ cuối lên, cây kim quật ngược về i, và toàn bộ âm thanh ồn ào xung quanh lập tức tắt lịm về chế độ im lặng chỉ bằng một nút bấm.
Trước đó, video Định luật Đỉnh – Kết của tôi có nhịp điệu khá chậm nên sau khi đăng lên tỷ lệ người xem thoát giữa chừng (bounce rate) rất cao: trung bình tận 29 giây mới đổi cảnh lớn một lần, có đoạn dài nhất tới 115 giây không có biến đổi lớn. Rút kinh nghiệm, ở bước cuối cùng tôi luôn bắt AI kiểm tra lại tần suất biến đổi khung hình — nếu không đạt yêu cầu sẽ trả về bắt làm lại, trung bình khoảng 2 giây phải có một lần biến đổi hình ảnh, và mỗi lần biến đổi đều phải ăn khớp với hiệu ứng âm thanh.
07. Kiểm định chất lượng: Bắt Claude tự chụp Contact Sheet theo giây để tự soi lỗi
(QUALITY · 抽帧 + 检查 — Trích xuất khung hình + Kiểm tra)
Cứ mỗi khi làm xong một phân đoạn, cần bắt Claude trích xuất khung hình theo từng giây rồi ghép lại thành một bảng tổng hợp (Contact Sheet) — chính là hai bức ảnh ở ngay đầu bài viết này — để tự nó nhìn lại một lượt: chẳng hạn kiểm tra xem phụ đề có che khuất hình ảnh không, chữ nghĩa có bị đè chồng lên nhau không, các phần tử đồ họa có bị tràn ra ngoài khung hình không...
Trước khi xuất thành phẩm cuối cùng, kiểm tra thêm một lần nữa hình ảnh và âm lượng của 3 giây đầu tiên, nhịp điệu toàn tập (khoảng cách giữa các lần chuyển cảnh lớn, tỷ lệ khớp phụ đề, các đoạn đứng hình) và độ lớn âm thanh tổng thể (loudness). Nếu tất cả đều không có vấn đề gì thì mới tiến hành render xuất phim.
08. Tiêu đề & Ảnh bìa: Công thức toán học + Tạo bìa kép bằng gpt-image-2 & Mã nguồn mở Skill
(TITLE · 句式 + 封面 — Cấu trúc câu + Ảnh bìa)
Về phần tiêu đề, tạm thời tôi áp dụng một cấu trúc câu cố định: 《Chủ đề》 + Một mệnh đề phản trực giác + Dấu hai chấm + Một công thức toán học, ví dụ:
- 《Định luật Đỉnh – Kết》 Ký ức không tính tổng sổ: (Đỉnh + Kết) ÷ 2 ( 《峰终定律》记忆不算总账：(峰 + 终) ÷ 2 )
- 《Người hướng nội (i人)》 Có thực sự ít nói không: 1 Con người = i + e ( 《i人》真的话少吗：一个人 = i + e )
Ảnh bìa được tạo trực tiếp bằng mô hình gpt-image-2 với hai tấm tỷ lệ 3:4 và 4:3.
Đến đây là tổng kết xong toàn bộ quy trình rồi. Có thể bạn sẽ thấy nhiều chi tiết quá không nhớ xuể, nhưng không sao cả — tôi đã mở mã nguồn trực tiếp bộ Skill này luôn rồi. Trong Skill này tôi chỉ đóng gói quy trình làm video, còn các ví dụ cụ thể về thị giác hay tương tác thì không nhét thêm một cái nào cả, bởi tôi thấy năng lực mô hình của Claude hiện tại đã đủ mạnh, không cần phải mớm sẵn những thứ đó cho nó nữa.
Địa chỉ mã nguồn mở Skill của tôi tại: https://github.com/limowan/mw-concept-video
Nếu thấy hữu ích, hãy tặng tôi một ngôi sao (Star) trên GitHub nhé.
Tác giả bài gốc: 李墨玩 (Lý Mặc Ngoạn · Tài khoản WeChat: 墨玩AI)Kho mã nguồn mở Skill: https://github.com/limowan/mw-concept-videoNguồn nguyên bản Weixin: https://mp.weixin.qq.com/s/P1VJ-o2SPA2ulZ5uYLbHBw