LeAnhTuanIT/short-video

Video ngắn có giọng đọc + phụ đề

Pipeline: kịch bản .txt → make_video.py (edge-tts đọc từng câu → ghép audio → phụ đề ASS theo thời lượng thật → nền + burn sub bằng ffmpeg) → MP4 1080x1920.

Chế độ đã chốt: voice có sẵn → video (dùng mặc định khi người dùng gửi mp3)

Người dùng tạo giọng trên EverAI (web, tốc độ 0.85), gửi mp3 + lời thoại. Không gọi API, không clone giọng, không chạy model giọng (VieNeu) trên máy.

1. Tách lời thoại thành file .txt mỗi dòng 1 cụm ngắn (ở dấu phẩy/chấm/"..."), không dòng #, không [icon].
2. python3 make_video.py kichban.txt ~/Downloads/<ten>.mp4 --audio voice.mp3 --style night --no-wave --bg assets/pho-dem.mp4 --target <dài±5>
3. In mốc từng dòng: chạy lại lệnh trên thêm --print-timing (không render). Kiểm tra: dòng nào dài/ngắn bất thường so với số chữ → gộp/tách rồi render lại.
4. Trích 1–2 khung hình kiểm tra phụ đề, báo đường dẫn + thời lượng. Không nghe thấy tiếng → thường do Mac xuất ra AirPods. Hướng dẫn cho người: HUONG-DAN.md.

Cài trên máy khác

Chép cả thư mục ~/.claude/skills/short-video/ sang máy mới (cùng đường dẫn), rồi chạy bash ~/.claude/skills/short-video/setup.sh. Hỗ trợ macOS và Ubuntu/Debian; Windows dùng qua WSL. Nền phố đêm có sẵn: assets/pho-dem.mp4 (stock Mixkit, dùng thương mại được).

Yêu cầu (đã cài trên máy này)

• ffmpeg-full (cần filter subtitles/libass): brew install ffmpeg-full
• edge-tts: pipx install edge-tts (lỗi mạng thì tự fallback giọng say -v Linh)

Bước 1 — Chốt brief

Lấy từ yêu cầu; thiếu thì dùng mặc định, chỉ hỏi khi chủ đề hoàn toàn không rõ:

• Chủ đề / góc nhìn — chưa có góc cụ thể thì tự chọn một góc hấp dẫn, cụ thể.
• Thời lượng — mặc định 45–60s.
• Giọng — mặc định nữ vi-VN-HoaiMyNeural; nam vi-VN-NamMinhNeural. Ngôn ngữ khác: edge-tts --list-voices | grep <mã> (vd en-US-AriaNeural).
• Nền / nhạc — ảnh/video người dùng đưa, nếu không có thì nền gradient mặc định.

Bước 2 — Viết kịch bản

Lưu file .txt, dòng đầu là tiêu đề, mỗi dòng sau là 1 câu đọc:

# Tiêu đề ngắn hiện ở đầu màn hình (≤ 6 từ)
Câu hook gây tò mò, ≤ 12 từ.
Câu nội dung...
Câu kết + kêu gọi hành động.

Quy tắc:

• Độ dài tiếng Việt: ~2.3 từ/giây (đo thực tế: 155 từ ≈ 65s). 45–60s → 110–140 từ; 30s → ~65 từ; 15s → ~30 từ.
• Mỗi dòng 1 câu, 8–20 từ. 3 giây đầu là hook (câu hỏi / sự thật bất ngờ). Giữa: 3–5 ý cụ thể, dễ nhớ. Cuối: CTA (lưu lại, theo dõi, bình luận).
• Sự thật phải chính xác; chủ đề sức khỏe/tài chính/pháp lý: không chẩn đoán, không khuyên cụ thể kiểu chuyên gia, gợi ý hỏi chuyên gia khi cần.
• Viết số/ký hiệu bằng chữ khi đọc dễ sai ("bốn - bảy - tám" thay "4-7-8", "phần trăm" thay "%"). Tránh emoji, ký tự {} \.

Cho người dùng duyệt kịch bản trước khi render, trừ khi họ đã đưa sẵn nội dung hoặc bảo cứ làm luôn.

Bước 3 — Render

python3 ~/.claude/skills/short-video/make_video.py kichban.txt out.mp4 \
  [--voice vi-VN-HoaiMyNeural] [--rate -5%] [--target 45-60] \
  [--bg anh_hoac_video_nen] [--music nhac_nen.mp3] [--gap 0.35] \
  [--pitch -8Hz] [--style default|night]

• Giọng có sẵn: --audio voice.mp3 bỏ qua TTS. Kịch bản phải khớp lời đọc, mỗi dòng 1 cụm ngắn (tách ở dấu phẩy/chấm); mốc câu bắt vào chỗ ngắt hơi. In mốc bằng --print-timing (bình thường ~12–16 ký tự/giây), câu nào dài/ngắn bất thường thì gộp/tách dòng rồi render lại.
• FPT.AI: --engine fpt --voice leminh (nam Bắc; còn banmai, thuminh nữ Bắc, lannhi, linhsan nữ Nam, myan nữ Trung, giahuy nam Trung). Cần export FPT_API_KEY=... (key ở console.fpt.ai, gói Free Tier 100.000 ký tự/tháng). Không có mốc từng chữ nên karaoke chia theo độ dài chữ; --rate áp bằng atempo. Không bao giờ ghi key vào file skill.
• Mọi engine đều có nhịp đọc như người (lệch nhẹ tốc độ/cao độ từng câu, nghỉ lâu sau câu hỏi) + xử lý giọng ấm, nén, vang nhẹ. Viết kịch bản theo văn nói, dùng "..." và dấu chấm giữa câu để tạo chỗ ngắt hơi.
• Giọng nam Bắc trầm, trưởng thành (edge): --voice vi-VN-NamMinhNeural --pitch=-8Hz --rate=-10% (NamMinh là giọng nam vi duy nhất).
• --style night --no-wave + kịch bản không có dòng #, không tag [icon] → chỉ còn nền + phụ đề.
• --style night (kiểu reel "phố đêm"): tiêu đề in hoa giãn chữ màu teal + gạch chân, icon neon nét mảnh, phụ đề in hoa karaoke từng chữ (mốc thời gian thật từ edge-tts), sóng âm dạng vạch. Đặt [icon] đầu câu để đổi icon từ câu đó: sun hourglass gift heart leaf book star eye. Nền nên là video phố đêm thật: stock miễn phí ở Mixkit (https://mixkit.co/free-stock-video/night-city-street/, link assets.mixkit.co/videos/<id>/<id>-1080.mp4), ghép vài clip, crop dọc, setpts=1.4*PTS cho chậm.
• --style ui (video hướng dẫn công nghệ): nền tối có lưới, thanh series (tiêu đề #) + ô bước 1..n, cửa sổ app mô phỏng, terminal gõ phím, khung phụ đề tô cam *từ khóa*. Tag đầu câu: [step:Tên bước] (sang bước mới), [card:Tiêu đề|mục 1|mục 2] (cửa sổ, giữ đến cảnh sau), [term:lệnh]. Câu đọc phím tắt viết bằng chữ ("Command, Shift, ba"), còn trong card ghi "Command + Shift + 3". Mẫu: giọng vi-VN-NamMinhNeural --pitch=-4Hz --rate=+15% --gap 0.25.
• Không có --bg → nền gradient xanh tím tối chuyển động chậm (hợp chủ đề nhẹ nhàng; chủ đề sôi động nên xin ảnh/video nền). Ảnh → hiệu ứng zoom chậm. Video → tự lặp.
• --music được hạ còn 12% âm lượng, fade cuối.
• Script in thời lượng và cảnh báo nếu ngoài --target → thêm/bớt câu hoặc chỉnh --rate rồi render lại.

Bước 4 — Kiểm tra

Trích 1 khung hình xem sub có vỡ dấu/tràn lề không: ffmpeg -v error -y -ss 5 -i out.mp4 -frames:v 1 frame.jpg rồi Read frame.jpg. Báo người dùng đường dẫn tuyệt đối của video và thời lượng.

Mẫu kịch bản: example-sleep.txt trong thư mục skill.