mini-video-workspace · Xưởng video mini

Viết kịch bản, chạy một lệnh, ra video dọc 9:16 (1080×1920, 30 fps) có giọng đọc tiếng Việt và chữ chuyển động khớp lời. Không mở phần mềm dựng nào.

Repo gồm ba thứ:

	Là gì	Dùng khi
PROMPT.md	Prompt dán vào agent viết code để nó tự dựng lại cả xưởng này từ một thư mục trống	Muốn xem agent làm thế nào, hoặc muốn có bản của riêng mình
Chính repo này	Xưởng đã dựng sẵn: make.py, khung hình HTML, luật cho AI, video mẫu	Muốn làm video ngay
Skill tao-video	Dạy agent đi từ ý tưởng tới mp4 đã kiểm trong xưởng này	Muốn chỉ nói "làm video về…" rồi để agent lo

Repo đi kèm loạt video Xưởng video AI của Fx Studio.

Demo

Video mẫu dựng từ projects/demo/script.json bằng đúng một lệnh .venv/bin/python make.py projects/demo: 3 cảnh, 16,3 giây, 1080×1920, 30 fps, có giọng đọc.

▶ Xem video demo (mp4, có tiếng)

Kịch bản của video này chỉ có ba dòng:

{ "id": "s1", "say": "Đây là xưởng làm video dọc mini: bạn viết kịch bản, chạy một lệnh là có video.", "show": "MỘT LỆNH" },
{ "id": "s2", "say": "Giọng đọc sinh bằng edge-tts, mốc thời gian đo trên từng file thật.", "show": "GIỌNG THẬT" },
{ "id": "s3", "say": "Hình vẽ bằng HTML, chụp từng khung rồi ghép thành mp4 có tiếng.", "show": "RA MP4" }

show là chữ to giữa màn hình, say là lời đọc kiêm phụ đề. Thanh cam trên cùng chạy theo thời lượng giọng thật. Chạy lại make.py sẽ ghi đè projects/demo/out/, nên video bạn tự dựng có thể khác vài mili giây do giọng đọc.

Xưởng chạy thế nào

script.json ──1. VOICE──▶ voice/ + timing-manifest.json ──2. HTML──▶ trang có window.seek(t)
                                                                          │
              out/video.mp4 ◀──4. MUX── out/silent.mp4 ◀──3. RENDER───────┘

1. VOICE: mỗi câu một file giọng bằng edge-tts, đo độ dài thật, ghi timing-manifest.json (câu nào bắt đầu và kết thúc lúc nào, tính bằng mili giây). Hình biết khi nào đổi cảnh là nhờ file này.
2. HTML: nhét manifest vào khung hình template/index.html.
3. RENDER: Playwright mở trang, gọi seek(t) cho từng khung (30 khung một giây), chụp lại, đẩy thẳng vào ffmpeg. seek(t) vẽ khung hình tại giây t, cùng t luôn ra cùng một hình, nên chụp chậm hay nhanh cũng không lệch.
4. MUX: ffmpeg ghép hình với tiếng.

Cài đặt (một lần)

Cần Python 3.10+, ffmpeg + ffprobe trên PATH (macOS: brew install ffmpeg), và mạng cho edge-tts.

python3 -m venv .venv
.venv/bin/pip install -r requirements.txt
.venv/bin/python -m playwright install chromium     # lần đầu tải vài trăm MB

Windows: thay .venv/bin/ bằng .venv\Scripts\.

Cách 1: làm video bằng tay

.venv/bin/python make.py projects/demo

Ra projects/demo/out/video.mp4. Video mới: chép projects/demo/ thành projects/<tên>/, sửa script.json:

{
  "title": "NHÃN NHỎ TRÊN ĐẦU",
  "segments": [
    { "id": "s1", "say": "Câu giọng đọc sẽ nói.", "show": "CHỮ TO" },
    { "id": "s2", "say": "Câu tiếp theo.", "show": "CHỮ KẾ" }
  ]
}

Mỗi segment là một cảnh. show nên 1–3 từ. Giọng đọc khoảng 2,5–3,3 từ/giây.

Cách 2: nhờ agent, dùng skill tao-video

Mở repo trong Claude Code (đọc .claude/skills/) hoặc Antigravity / Codex (đọc .agents/skills/), rồi nói:

làm video về 3 mẹo đặt tên file cho gọn

Agent viết kịch bản, trình bạn xem (bảo "cứ làm luôn" thì nó bỏ bước này), chạy make.py, kiểm mp4 bằng ffprobe, xem lại vài khung hình rồi báo đường dẫn. Luật nó phải theo nằm ở CLAUDE.md (bản cho agent khác: AGENTS.md).

Cách 3: tự dựng lại cả xưởng từ prompt

Mở một thư mục trống trong agent, dán khối prompt trong PROMPT.md. Prompt này đã chạy thật hai lượt từ thư mục trống, cả hai ra mp4 đạt kiểm; chỗ agent vấp ở lượt trước đã viết lại vào prompt.

Sửa giao diện

Sửa template/index.html. Mọi chuyển động phải tính từ t trong window.seek(t): không CSS animation, không timer, không Math.random. Sửa xong:

.venv/bin/python make.py projects/demo --check-seek

Phải ra CHECK-SEEK: OK (seek từng mốc theo ba thứ tự, ảnh phải giống hệt từng byte).

Giới hạn

• edge-tts là thư viện mã nguồn mở (LGPLv3), gọi dịch vụ đọc của Microsoft Edge: miễn phí nhưng không chính thức, cần mạng, có lúc lỗi tạm thời (make.py tự thử lại tối đa 5 lần, báo câu nào lỗi). Muốn dùng cho việc thương mại thì tự xem điều khoản của Microsoft.
• Font lấy từ máy. Đã thử trên macOS; Linux/Windows có thể thiếu dấu tiếng Việt, khi đó cài font Noto Sans.
• Render bằng chụp màn hình nên chậm: khoảng 15–80 giây cho video 15 giây, tuỳ máy.
• Repo không đăng video lên đâu cả. Cổng cuối là người.

Giấy phép

Phi thương mại, cho cá nhân, học tập, nghiên cứu: xem LICENSE.