Tabcom video edit — pipeline dựng video dọc

Dựng video bằng code (ffmpeg + Pillow render từng frame), không dùng CapCut để dựng. Người dùng chỉ chèn nhạc nền trong CapCut sau khi nhận file — caption do pipeline dựng luôn (chốt 18/08/2026).

Thông số chuẩn: 1080×1920, 25fps, H.264 crf 19, giữ nguyên trọn lời thoại của source. Nối OUTRO TABCOM vào cuối (convert 30fps→25fps rồi concat).

Bước 0 — Đọc trước khi làm

tai-lieu/Phan-tich-video-mau.md (trong skill này) — phân tích video mẫu, 5 kiểu cảnh chuẩn.
tai-lieu/quy-tac-video-tabcom.md (trong skill này) — quy ước logo thương hiệu, quy ước lưu output, quy ước thu thập ảnh minh họa. Bắt buộc đọc trước khi gom asset.

Nội dung pháp lý/chính sách: asset phải trích từ văn bản gốc hoặc nguồn chính thức, ghi tên văn bản dưới ảnh.

Chuẩn bị (chỉ làm 1 lần trên mỗi máy)

Asset cố định (font, nền, card gradient, OUTRO, logo sàn, sticker mẫu) nằm sẵn trong assets/ của skill này — không cần tải gì thêm. Kiểm tra bằng:

python scripts/tabcom_paths.py     # in ra bảng OK/THIẾU cho từng asset

Môi trường cần có: xem cai-dat/README-cai-dat.md trong gói (ffmpeg, python + rembg, faster-whisper, Playwright). Thiếu thư viện thì báo người dùng cài trước, đừng tự chế đường vòng.

Đầu vào

Mỗi video là một thư mục yy.mm.dd - Tên video/ chứa file source người nói. Chỉ định qua biến môi trường, không hardcode đường dẫn vào script:

# PowerShell
$env:TABCOM_SRC    = "D:\Video\26.08.20 - Ten video\source.mp4"     # file source người nói
$env:TABCOM_OUT    = "D:\Video\26.08.20 - Ten video\26.08.20 - Ten video (draft v1).mp4"
$env:TABCOM_ASSETS = "D:\Video\26.08.20 - Ten video\assets"          # ảnh minh họa riêng video này

Mọi script đọc đường dẫn từ scripts/tabcom_paths.py:

Biến	Trỏ tới	Ghi chú
`P.FIX`	`assets/co-dinh/`	Nền, card gradient cảnh split, OUTRO, logo nền sáng
`P.LOGO`	`assets/logo/`	Logo Shopee, TikTok, Facebook, Zalo đã tách nền — thêm mới thì lưu vào đây
`P.FONTS`	`assets/fonts/ps-display/`	`PS Anton - Regular V1.0.otf` (chữ lớn), `Big Shoulders ExtraBold Viet Hoa.otf` (dòng phụ). Cỡ chữ nhân 1.22 vì font condensed
`P.STICKERS`	`assets/stickers/`	Sticker, badge sàn, PNG flash mẫu
`P.src()` / `P.out_file()`	`TABCOM_SRC` / `TABCOM_OUT`	Báo lỗi rõ nếu chưa set
`P.assets()`	`TABCOM_ASSETS`	Ảnh minh họa riêng của video đang dựng
`P.work()`	`./build` hoặc `TABCOM_WORK`	Nơi ghi frame, clip, mask trung gian

Bước 1 — Bóc timestamp lời thoại (bắt buộc)

ffmpeg -i "source....mp4" -ac 1 -ar 16000 audio.wav

faster-whisper model small, language='vi', word_timestamps=True, vad_filter=True.

Whisper nhận sai tên riêng ("shop"→"SOAP", "Tabcom"→"TAPCOM", "Shopee"→"Soppy") — bỏ qua, chỉ cần mốc thời gian. Lập bảng: mốc → ý đang nói → cảnh dự kiến.

Bước 2 — Gom ảnh (BẮT BUỘC, quyết định chất lượng video)

Yêu cầu cứng của người dùng: ảnh phải liên tục, mọi màn đều có hình, không màn nào chỉ có chữ trơn. Một video ~115 giây cần 25–30 hình.

Nguồn theo thứ tự:

Asset session gom sẵn trong thư mục TABCOM_ASSETS của video (P.assets()) — dùng cho hết, đừng bỏ phí.
Ảnh giao diện sàn/app: scripts/17_collect_platform_images.py — xem SOP bên dưới.
Ảnh stock miễn phí: chạy scripts/16_get_stock_photos.mjs (Playwright + Chrome).
- Pexels bị Cloudflare chặn ("Just a moment...") — đừng mất thời gian.
- Unsplash và Pixabay scrape được. Wikimedia chỉ hợp để lấy logo, không hợp ảnh stock.
Illustration người bán / ảnh generated (tùy chọn): đặt trong <VIDEO_ROOT>/tai-nguyen/carousel-hook-video-ban-hang/ và <VIDEO_ROOT>/tai-nguyen/generated-carousel/, gọi bằng P.extra("..."). Không có cũng dựng được.

Kiểm ảnh trước khi dùng — người dùng bắt lỗi này: mở xem ảnh thật sự vẽ gì. Ví dụ đã mắc: ảnh biểu đồ nến chứng khoán bị dùng cho "dashboard ads" (sai), ảnh cổng sạc điện thoại dùng cho CTA comment (không liên quan). Ảnh sai ngữ cảnh thì bỏ, không chèn cho đủ số lượng.

SOP tìm ảnh giao diện sàn (Shopee, TikTok Shop, Zalo, Facebook)

Nội dung nhắc tính năng nào của sàn thì phải có ảnh giao diện thật của đúng tính năng đó. Bốn nguồn, chạy bằng scripts/17_collect_platform_images.py:

Cần gì	Lệnh	Ghi chú
Giao diện app (người mua và người bán)	`play <package>`	Nguồn chính thức, tiếng Việt, tự crop khung điện thoại
Giao diện không mở được bằng bot (Shopee Live, TikTok LIVE)	`page <url-bài-hướng-dẫn> <slug>`	Tìm bài trước bằng WebSearch
Trang web công khai (fanpage, group, Zalo OA, Academy, website)	`shot <url> <tên>`	Playwright + Chrome hệ thống
Ảnh minh họa chung	`bing "<query>" <slug>`	Query phải cụ thể

Package Play đã dùng được: com.shopee.vn · com.shopee.shopeeseller (có màn Hiệu quả bán hàng với khung 7/30 ngày — ảnh chuẩn cho mọi câu "mở phần phân tích, xem 30 ngày") · com.tiktokshop.seller · com.zing.zalo · com.facebook.katana.

Đã thử và chặn, đừng mất thời gian: shopee.vn (trả "Trang không khả dụng"), tiktok.com/shop và trang cá nhân TikTok (captcha), API banhang.shopee.vn và Shopee Uni/TikTok Academy dạng SPA (WebFetch/curl chỉ ra khung rỗng, API cần token đăng nhập), Google Images (HTML không còn URL ảnh gốc — dùng Bing).

Bài tiếng Việt có screenshot thật dùng lại được: shopee.vn/blog (chính thức, ưu tiên), misaeshop.vn, cellphones.com.vn/sforum, ghn.vn. Không lấy ảnh của đối thủ (tukigroup.vn).

Sau khi gom: chạy sheet out/<slug> rồi Read contact sheet để chọn — không chọn theo tên file.

Bàn giao asset kèm README (bắt buộc)

Trong thư mục asset của video (TABCOM_ASSETS) phải có README.md gồm: ảnh nào cho đoạn nào của kịch bản · URL ảnh + URL trang + ngày lấy · những gì chưa lấy được · lưu ý khi dựng. Kèm _preview-all.png (contact sheet) để người dùng duyệt nhanh.

Ba điều luôn phải ghi và làm:

Số liệu trong ảnh app là số mẫu của nhà phát hành — không đọc thành số liệu, không dùng như bằng chứng kết quả.
Ảnh có tên tài khoản, tên shop, tên người bình luận → crop bỏ hoặc làm mờ trước khi lên video.
Số liệu shop tụt/biểu đồ nguồn traffic: không đi tìm ảnh dashboard để giả làm dữ liệu thật, cũng không dán nhãn "minh họa" lên màn (xem mục "Không dùng nhãn minh họa").

Bước 3 — Tách nền người cho cảnh split

Bài học quan trọng: phương án gate (birefnet trên frame mẫu + isnet từng frame) không đủ sạch — union mask qua nhiều frame vẫn nuốt vật thể nền cạnh đầu (ngôi sao cúp, lá cây, mép ghế), và bước "làm tối vùng sáng" chỉ biến chúng thành khối đen xấu hơn.

Cách đúng:

Giữ cửa sổ split ngắn (≤ 4 giây). Đoạn dài hơn thì chuyển thành màn asset full màn (ảnh còn to, dễ đọc hơn).
Chạy scripts/15_cutout_birefnet.py: birefnet-portrait từng frame (~17 s/frame; 90 frame ≈ 25 phút). Đây là cách duy nhất cho viền tóc sạch tuyệt đối.
Cắt frame: crop=940:1040:70:340 (kiểm lại bằng drawgrid cho từng source).

Bố cục cảnh split đã duyệt:

Card gradient 800×690 đặt tại (140, 1226) — tâm khung.
Người scale=760:842, overlay=160:1074 — đúng tâm, chân chạm mép dưới.
Chừa trống nửa trên khung cho caption. Chỉ đặt nhãn nhỏ góc trái + 1 ảnh + 1 capsule.
Dùng bố cục này nhiều lần trong video, không chỉ ở CTA cuối — người dùng yêu cầu đa dạng (18/08/2026). Khi lên kế hoạch phải tính trước chi phí cutout: birefnet-portrait chạy ~50 giây/frame trên máy này, tức mỗi giây split tốn ~21 phút. 3–4 cửa sổ × 2,5–3 giây là khoảng 4 tiếng — chạy nền và làm việc khác trong lúc chờ, đừng để dồn vào phút cuối.

Bước 4 — Dựng cảnh

scripts/10_scene_helpers.py (Layer, capsule, textimg, icon, render) + 11_scenes_images.py (ảnh trong mọi màn) + 12_layout_archetypes.py (bố cục đa dạng).

Hiệu ứng chữ — phải đa dạng, đánh trúng nhịp nói

pop (ease-out-back), slide, wipe, slideL/slideR (xen kẽ tạo nhịp zig-zag), blurin (cho ảnh), flip (co giãn ngang), shakein (capsule cảnh báo), none (hiện sẵn, không animation), float (lơ lửng rung nhẹ), fly (bay từ A tới B), TypeLayer (gõ chữ cho hook/CTA), CountLayer (đếm số, ví dụ 0→50%, kèm boom khi số dừng), MarkerLayer (bút highlight quét nền sau chữ).

Biên độ hiệu ứng — người dùng bắt lỗi "rối mắt, đau đầu" (09/08/2026)

Sinh động không đồng nghĩa nảy mạnh. Thông số đã duyệt: pop phóng từ 74% (không phải 60%), flip bóp còn 48% bề ngang (không phải 15%), shakein thu 84% + rung ≤4px ở 7 nhịp/giây trong ≤0,45s. Nhân toàn bộ thời gian vào thêm ~18%.

Đoạn mở đầu phải giãn hơn phần thân: các item cách nhau ≥0,4 giây, TypeLayer ≤16 ký tự/giây.

Ảnh đã xuất hiện ở cảnh trước thì cảnh sau vào là có sẵn (anim="none", t0=0), không cho hiện lại — nếu không, chữ trong cảnh đó bị dồn hiệu ứng và người xem thấy gấp.

Không dùng nhãn minh họa (chốt 20/08/2026)

Không dập chữ "MINH HỌA" lên bất cứ đâu — không lên đạo cụ đồ họa (tờ tiền, icon), cũng không lên biểu đồ tự dựng, và không có nhãn "ảnh minh hoạ giao diện…" dưới ảnh chụp app. Người dùng thấy vướng và làm màn rối. Cách giữ đúng giới hạn claim mà không cần nhãn:

Cột/biểu đồ tự dựng thì để trần, không gắn số nào — chỉ so sánh cao–thấp trực quan (ví dụ cột "TREO LIVE" thấp · cột "LIVE AI" cao). Không có số thì không thành cam kết kết quả.
Ảnh chụp app/sàn: chọn ảnh không lộ số liệu (crop bỏ băng doanh thu, tên shop, tên người bình luận) ngay từ khâu gom asset, thay vì để nguyên rồi dán nhãn.

Lớp phủ đè lên người nói — một kiểu dựng bắt buộc, dùng rải khắp video (20/08/2026)

Thay vì cắt sang màn đồ họa full khung, render PNG sequence RGBA đè lên chính hình người nói: chữ float lơ lửng rung nhẹ ở khoảng trống phía trên đầu (tránh vùng mặt, đo bằng drawgrid trước), ảnh minh họa xếp thành dải ngang phía dưới người, ngang bàn làm việc. Ghép bằng cùng cơ chế với cảnh split: -framerate 25 -start_number 1 -i seq_XXX/%04d.png rồi overlay=0:0:enable='between(...)'.

Không chỉ dùng ở đoạn mở đầu. Người dùng yêu cầu (20/08/2026) coi lớp phủ là một kiểu dựng ngang hàng với màn đồ họa full khung và cảnh split, và luân phiên cả ba kiểu trong suốt video:

Kiểu	Khi nào dùng	Chi phí
Màn đồ họa full khung	Câu có nhiều ý cần liệt kê, số liệu, lưới, checklist	Rẻ, render Pillow
Lớp phủ đè lên người nói	Câu chỉ có 1–2 ý; muốn giữ mạch mặt người, giữ nhịp nói	Rẻ, render Pillow
Cảnh split (người tách nền)	Điểm nhấn, chốt ý, CTA	Đắt, ~50 s/frame cutout

Mục tiêu nhịp: cứ 2–3 màn full khung thì chèn 1 đoạn lớp phủ, mỗi video ≥ 3–4 cửa sổ lớp phủ, mỗi cửa sổ 2,5–5 giây. Lớp phủ là cách rẻ nhất để "ảnh liên tục" mà không cắt rời người nói.

Quy tắc dựng lớp phủ:

Đo vùng trống trước bằng drawgrid trên đúng frame của cửa sổ đó. Người nói ngồi lệch/đưa tay theo từng đoạn — không dùng lại tọa độ của cửa sổ trước mà không kiểm.
Không che mặt và không che tay đang diễn. Chữ đặt ở khoảng trống trên đầu hoặc bên vai trống; ảnh minh họa xếp dải ngang ngang bàn, hoặc cột dọc ở bên vai còn trống.
Nền lớp phủ phải bán trong suốt, không phải khối đặc: panel trắng alpha 200–225 bo góc 28, hoặc scrim gradient navy alpha 0→150 ở mép trên/dưới. Đặc 100% thì thành màn full khung, mất ý nghĩa của lớp phủ.
Chữ phải có viền/bóng đậm vì nền phía sau là hình quay thật, sáng tối thay đổi liên tục.
Hiệu ứng ưu tiên float, blurin, slideL/slideR biên độ nhỏ — lớp phủ nằm trên hình động nên hiệu ứng mạnh sẽ rối. Không dùng shakein trên lớp phủ.
Vẫn giữ vùng an toàn Reels: chữ trên y ≈ 1500, tránh cột phải x > 900.
Caption lời thoại vẫn bật trong cửa sổ lớp phủ (khung này thoáng), trừ khi lớp phủ đã là một checklist nhiều dòng.

Bố cục — đừng để 2 màn liền nhau giống nhau

Các archetype đã duyệt: ảnh phủ khổ + chữ đè (có scrim sáng để chữ navy đọc được) · lưới 2×2 ô có nhãn · cột ảnh trái + checklist phải · ảnh nửa trên + panel trắng nổi dưới · dải 3 ảnh ngang · ảnh cắt tròn viền màu · ảnh trái + capsule trượt phải · khối đôi có ảnh bên trong · số lớn + ảnh phụ · flow mũi tên dọc.

Thuật ngữ phải gọi đúng

"treo live" — không phải "chèo live". Đây là cách người bán gọi việc phát lại video quay sẵn thành phiên live. Whisper luôn nghe thành "chèo live"/"TeoLive"; sửa tay ở caption và chữ trên màn.

Lề an toàn trên và dưới khung (chốt 20/08/2026)

Nền Tabcom có logo ở y 48–122 và hotline/website ở y 1829–1872. Người dùng bắt lỗi "chữ sát logo, ảnh sát mép dưới":

Capsule tiêu đề màn FULL đặt tâm y ≥ 240 (mép trên cách logo ≥ 90px).
Mép dưới của mọi ảnh ≤ 1820. Dải ảnh của lớp phủ đặt tâm y ≈ 1670 (cao ~300) thay vì 1770.
Vẫn giữ trần cũ cho chữ: chữ và số kết thúc trên y ≈ 1500.

Màu cam Shopee là màu nhấn thứ ba

ORANGE = (238, 77, 45) — cam Shopee #EE4D2D, dùng xen với teal và navy cho capsule nhấn liên quan Shopee, mũi tên, viền số lớn, và nền từ khóa "SHOPEE"/"SHOP" trong caption (caption(..., hi_col=ORANGE) — chữ trên nền cam là trắng, trên nền teal là navy). Liều lượng: khoảng 8–12 điểm cam trong một video ~100 giây, không thay thế teal/navy làm màu chính.

Ảnh Live AI của Tabcom phải để full khung, không crop (chốt 20/08/2026)

Bộ avatar-* trong TABCOM_ASSETS/avatar-ai/ là 941×1672 = tỉ lệ 9:16 (0,563) — đây là ảnh sản phẩm dịch vụ, crop vào là mất set quay, mất sản phẩm hai bên. Người dùng yêu cầu thấy hết khung:

Mọi ô chứa ảnh này phải đặt đúng tỉ lệ 0,563: 170×302 · 200×355 · 240×426 · 300×533.
Không bỏ ảnh này vào circle_photo() (crop tròn) hay ô ngang — dùng ảnh reuse khác cho khung tròn.
Lưới nhiều ảnh Live AI thì xếp hàng ngang (4 ảnh 230×408) hoặc 3×2, không xếp 2×2 vì ảnh hẹp sẽ để lại hai khoảng trống lớn giữa màn.

Lề an toàn (người dùng bắt lỗi bị crop)

Cột phải: cx ≤ 806 và maxw ≤ 490 (shadow cộng thêm 30px mỗi bên). Kiểm mọi capsule: cx + maxw/2 + 30 ≤ 1080.

Khối có ảnh bên trong

Tính chiều cao chữ (font.getmetrics()) rồi mới đặt ảnh phía dưới, nếu không ảnh sẽ đè lấp chữ phụ.

Vùng an toàn thật khi phát trên Reels (18/08/2026)

Khung 1080×1920 chỉ là khung file. Khi phát trên Facebook Reels / TikTok, phần dưới bị thanh tên page + caption + nút che, mép phải bị cột nút tương tác che. Vì vậy:

Chữ và số liệu phải nằm trên y ≈ 1500, tránh cột phải x > 900.
Ảnh nền, card gradient và người tách nền được phép xuống thấp hơn — bị che một phần cũng không mất thông tin.
Hàm balance() căn khối vào giữa vùng an toàn của nền; với phần chữ thì siết trần dưới còn 1500 thay vì 1810.

Bố cục phải có logic

Thấy khoảng trống thì không mặc nhiên nhét ảnh vào cho đầy — mỗi khối phải gắn với một ý của câu đang nói. Người dùng nhận ra ngay kiểu "trống đâu bạ đấy" và thấy khó chịu. Trống có chủ đích còn hơn lấp bừa.

Nhãn phân đoạn

Khi người nói full hình mà đang nói về một nhánh chủ đề (ví dụ NỘI SÀN / NGOẠI SÀN), thêm capsule nhãn trượt vào góc trái trong suốt đoạn đó để người xem phân biệt.

Bước 4b — Caption chạy theo lời thoại (từ 18/08/2026)

Trước đây người dùng tự chèn caption trong CapCut; nay pipeline dựng luôn.

Chọn khung nào có caption: không bật đều toàn video. Khung đã kín chữ (công thức, lưới 6 ô, checklist) thì bỏ caption ở khung đó; khung thoáng (ảnh phủ khổ, talking head, lớp phủ, cảnh người ngồi nửa dưới) thì có. Quyết theo từng khung khi lên ke-hoach-canh.md, ghi rõ cột "caption".

Chữ lấy từ đâu: dùng word_timestamps của faster-whisper để chia cụm và lấy mốc, nhưng nội dung chữ phải chép từ kịch bản gốc, không dùng thẳng text whisper — whisper nhận sai tên riêng (shop→"sóp", ROAS→"doát", Shopee→"Soppy", Tabcom→"tapcom"), lên caption là lộ ngay.

Kiểu chữ: font Nếp gấp là font của CapCut, không có trên máy — đừng đi tìm. Dùng PS Anton - Regular V1.0.otf trong assets/fonts/ps-display/ của skill (P.F_BLACK) cho đồng bộ với chữ trong video. IN HOA toàn bộ, 4–7 chữ một dòng, tối đa 2 dòng. Chữ trắng thì bắt buộc có viền/bóng đậm để nổi trên mọi nền (bài học "chữ trắng chìm vào nền teal", 18/08/2026); 1–2 từ khóa mỗi câu tô nền teal bo góc — chữ trên nền teal phải là navy.

Đặt ở đâu: ngang ngực người nói, khoảng y 1150–1350 — nằm dưới khối nội dung (kết ở ~1500) và trên vùng bị thanh info của Reels che. Không đặt caption đè lên chữ của cảnh.

Bước 5 — Ghép + hiệu ứng + SFX

scripts/13_assemble.py.

Base: zoompan zoom punch 12% trong 0.35 s tại mỗi điểm cắt về người nói.
Thứ tự overlay: nhãn phân đoạn → clip cảnh → cảnh split (bg + người) → sticker/PiP → flash.
PiP: ảnh nhỏ trượt vào từ mép phải trong các đoạn talking head còn trống, để ảnh không bị đứt quãng.
Flash chuyển cảnh: 2 lớp PNG radial trắng ấm (strong 0.85 → weak 0.38) tại mọi điểm chuyển.
SFX (ffmpeg lavfi, trộn amix): whoosh 2 lớp vào cảnh · pop+click cho punch/badge · ding cho capsule · beep alert cho màn cảnh báo · boom cho số lớn và outro.
Liều lượng ding — người dùng bắt lỗi "ting ting nhức đầu" (09/08/2026): ding chỉ đánh vào nhịp chính của mỗi màn, không đánh từng dòng trong list. Video ~100 giây thì ~68 điểm SFX là vừa, 119 điểm là quá nhiều; volume ding ≤ 0.20.

Chống hết RAM (đã gặp 2 lần)

Không chạy rembg và render Pillow song song → MemoryError/segfault. Chạy tuần tự, hoặc chain bằng until grep -q "DONE" log; do sleep 10; done.
Load lần lượt từng model rembg, del + gc.collect() giữa các phase.
Pillow 9.5 segfault trên Python 3.12 → cần pillow>=10.
Mọi script render phải có skip-if-exists để resume sau khi crash.

Checklist bắt buộc trước khi bàn giao

Bước 6 — Thumbnail (bắt buộc, làm luôn không cần hỏi)

Gọi skill tabcom-video-thumbnail ngay sau khi render xong video. Kết quả lưu trong chính thư mục của video với tên yy.mm.dd - Tên video (thumb).jpg.

QC bằng mắt (không bỏ qua)

ffmpeg -i out.mp4 -vf "fps=1/5,scale=300:533,tile=4x3" -frames:v 1 qc.png   # toàn timeline
ffmpeg -ss <t> -i out.mp4 -frames:v 1 -vf "crop=700:460:190:820,scale=335:220" head.png  # viền tách nền

Đọc từng ảnh QC bằng Read. QC cutout trước khi ghép, đừng chờ render xong mới phát hiện lỗi.

Bàn giao

yy.mm.dd - Tên video (draft vN).mp4 cùng folder source. Nêu rõ đã làm gì, còn gì người dùng tự làm (nhạc nền), điểm nào chưa hoàn hảo.

Môi trường

ffmpeg/ffprobe, faster-whisper, rembg+onnxruntime (isnet-general-use, birefnet-portrait đã tải), pillow>=10, scipy, numpy, Playwright + Chrome hệ thống.

Demander à votre IA préférée

Documentation