Mười lăm giây mở đầu video: hạt sáng, kim loại lỏng, kim cương, mặt trời mọc trên biển, có cả nhạc. Không ai ngồi kéo thả trong phần mềm dựng phim. Mình gõ đúng một câu cho Claude rồi đi ngủ. Đẹp. Nhưng mười lăm giây đó chạy mất hơn hai tiếng, tính theo giá API là ba mươi sáu đô. Và kênh này để AI dựng video từ tháng Năm, hơn ba mươi video, chưa video nào đăng được nhờ một câu lệnh. Một câu lệnh cho bạn cái để khoe. Video đăng được thì cần một quy trình, và bài này mở quy trình đó ra.
Bài này đi kèm video trên kênh AI 5 Phút, dành cho người đã dùng Claude nhưng chưa từng để AI dựng video. Mọi câu lệnh trong video nằm ở đây, đánh mã L01 tới L06. Mọi con số là số mình tự đo trên máy mình từ 04 tới 07/10/2026, mỗi thứ chỉ chạy một lần, nên máy bạn sẽ ra số khác.
Một câu lệnh thì được gì
L01Câu duy nhất mình gõ cho Opus 5.5 mức Max trong một thư mục trống
Làm một video mười lăm giây khoe tay nghề dựng hình của bạn, chơi hết sức.
Kết quả: nó không viết code web như mọi khi. Nó tự viết code đồ hoạ chạy thẳng trên card màn hình, tự tổng hợp nhạc, tự viết 65 bài kiểm thử. Lượt chạy ngày 05/10 kéo dài 127,6 phút, 162 lượt gọi model, 291 lần dùng công cụ. Quy theo giá API của Opus 5.5 tra cùng ngày là 35,99 đô. Mình dùng gói tháng nên không mất thêm tiền, chỉ hết lượt dùng nhanh hơn.
Cái đó để khoe. Để có video đăng hằng tuần thì mình đi đường khác hẳn.
AI không vẽ video, nó viết ra video
Chỗ nhiều người hiểu nhầm nhất: nghe "AI dựng video" là nghĩ tới mấy con tạo video kiểu gõ chữ ra cảnh quay. Không phải. Claude không vẽ ra một khung hình nào. Với video mình đăng hằng tuần, nó viết đúng loại code để làm trang web. Mỗi dòng chữ, mỗi logo, mỗi tấm ảnh là một món đồ trên trang. Rồi nó viết thêm một kịch bản: giây thứ hai, chữ này bay vào từ bên trái; giây thứ ba, logo xoay nửa vòng.
Hình dung một sân khấu múa rối. Con rối là các món đồ. Kịch bản ghi giây nào con nào làm gì. Và có một cái máy quay chụp sân khấu đó 30 lần mỗi giây, ghép lại thành video. Cái máy quay đó là Hyperframes, miễn phí, mã nguồn mở.
Biết vậy để được hai cái lợi:
- Sửa được từng chi tiết. Chữ sai màu thì sửa đúng một dòng mã màu, Studio đổi màu ngay, không phải làm lại cả cảnh.
- Phong cách đóng gói được. Một kiểu đẹp đã chỉnh xong thì cất lại, lần sau gọi ra dùng tiếp.
Còn vì sao làm video này đúng lúc này: ngày 22/09/2026 Anthropic ra Claude Opus 5.5. Mình dùng mấy đời Claude trước để dựng rồi, và khác biệt lớn nhất không nằm ở chỗ nó đẹp hơn. Nó biết tự kiểm tra bài của mình. Xem bước năm.
Bước 1: bóc lời, kèm giờ của từng chữ
Trước khi làm gì khác, bảo Claude chuyển giọng nói trong video thành chữ, kèm thời điểm của từng chữ. Vì hiệu ứng phải vào đúng lúc bạn nói: bạn nói "ba lý do", con số 3 phải hiện lên ngay lúc đó, không phải nửa giây sau. Không có bản lời có giờ thì AI chỉ đoán.
Công cụ có hai loại: trả tiền theo giờ, chạy trên máy chủ, nhanh; và Whisper, miễn phí, chạy ngay trên máy bạn. Mình dùng Whisper. Ai cũng nói nó chậm. Đúng, nếu chạy bằng bộ xử lý thường: một video bảy phút, máy mình bóc mất 27 phút (đo tháng 8). Chuyển sang chạy bằng card đồ hoạ, cũng video đó còn 4 phút. Mình vừa đo lại ngày 05/10 với đúng một tiếng audio, mô hình large-v3 trên card RTX 2070 SUPER: 11,4 phút là xong, có mốc từng chữ. Vẫn không mất đồng nào.
Cẩn thận một chỗ: video nói lẫn tiếng Việt với tiếng Anh thì bản bóc sẽ sai vài từ chuyên ngành. Không sao. Mình chỉ cần nó đúng giờ, không cần đúng chính tả từng chữ.
Bước 2: cắt, với ba luật
Bạn quay thì có chỗ vấp, chỗ nói lại, chỗ im lặng. Bảng chữ ở bước một giúp AI thấy hết. Nhưng chỉ bảo "cắt chỗ thừa đi" thì nó cắt mất những câu bạn muốn giữ. Ba luật mình viết vào câu lệnh cắt:
- Câu nào nói nhiều lần thì giữ lần cuối, vì lần cuối thường là lần mượt nhất.
- Trước khi cắt, đưa mình đọc toàn bộ phần chữ sẽ giữ lại. Mình gật đầu mới cắt. Đọc chữ mất hai phút, xem lại video mất hai mươi phút.
- Quan trọng nhất: chỉ được bỏ đi. Không sắp xếp lại, không sửa lời mình nói. AI rất thích "làm cho câu chuyện hay hơn" bằng cách đảo thứ tự. Đảo một lần là bạn nói một điều bạn chưa từng nói.
Thêm một điều nhỏ: nếu dùng dịch vụ bóc lời trả tiền, đừng dán mã khoá vào khung chat. Bảo Claude tạo sẵn một file trống, bạn tự điền khoá.
L02Câu lệnh cắt đầy đủ, dán vào Claude Code
Bóc lời đoạn quay thô của mình rồi cắt thành bản sạch, mỗi câu chỉ giữ một lần nói tốt nhất. - File gốc ở đây: [đường dẫn] - Bóc lời bằng Whisper, lấy thời gian từng chữ. - Nếu dùng dịch vụ trả tiền: KHÔNG bảo mình dán khoá vào chat. Tạo file .env có dòng khoá để trống, nói mình biết nó nằm đâu, mình tự điền. - Câu nào mình nói nhiều lần thì giữ lần cuối nói trọn, bỏ các lần trước. Cắt luôn chỗ vấp, nói lại, ho, im lặng dài. - TRƯỚC KHI CẮT: đưa mình đọc toàn bộ chữ sẽ giữ lại, mình đồng ý mới cắt. - Cắt một lượt bằng ffmpeg, lưu cạnh file gốc tên cut.mp4, kèm bản lời của bản cắt. - Kiểm từng mối nối xem có mất chữ hay tiếng lách cách không, chỗ nào không chắc thì liệt kê kèm giây. - Chỉ được BỎ. Không sắp xếp lại, không viết lại lời mình nói.
Đổi phần trong ngoặc vuông thành đường dẫn file của bạn. Câu lệnh này gồm luôn bước một.
Bước 3: lên nhịp, và đừng xuất video vội
Đây là chỗ bạn làm đạo diễn. Không cần biết dựng phim, chỉ cần nói rõ muốn gì ở chỗ nào. Không phải "làm cho đẹp", mà là:
L03Ba kiểu yêu cầu lên nhịp mình hay dùng, viết cho đoạn của bạn
- Khi mình nói tới con số [36 đô], hiện nó thật to ở bên trái. - Khi mình chỉ tay sang phải, logo [Claude] hiện ở bên phải. - Sau chữ thì đặt một tấm kính mờ, không thì khó đọc. - Mặt mình không bao giờ bị che.
Câu cuối nghe hiển nhiên đúng không? Không có câu đó, nó che thật. Cái này mình dính suốt.
Giờ tới bài học đắt nhất của bước này. Hồi tháng Tám, mỗi lần muốn xem thử một cảnh, mình cho máy xuất cả video. Mười bảy tới hai mươi phút, có lần lên tới cả tiếng. Xem xong thấy sai một màu chữ, sửa, xuất lại. Một buổi chiều mất bốn tới năm tiếng chỉ để duyệt mấy cảnh rất nhỏ.
Giờ mình làm khác. Trước khi xuất, bảo Claude chụp đúng một khung hình của cảnh đó, hoặc ghép mấy phương án vào một tấm ảnh. Hai mươi tới ba mươi giây là có. Duyệt bằng mắt xong mới xuất.
Dân làm phim gọi đó là storyboard: duyệt bản phác trước khi quay thật. AI không đổi nguyên tắc đó, nó chỉ làm bản phác nhanh hơn rất nhiều.
Bước 4: phong cách riêng, đóng gói thành skill
Đây là bước phân biệt video của bạn với hàng nghìn video AI khác. Để AI tự chọn phong cách thì nó lấy phong cách mặc định, mà mặc định thì ai dùng cũng giống: nền tối, chữ trắng, gradient tím. Người xem lướt qua một giây là nhận ra "à, AI làm".
Ngay cả Anthropic cũng nói thẳng trong hướng dẫn dùng Opus 5.5, mục Frontend design defaults: bảo nó "đừng trông giống AI" là vô ích, nó chỉ đổi từ kiểu mặc định này sang kiểu mặc định khác. Phải nói cụ thể cấm cái gì, dùng cái gì.
Cách làm: thấy một video có phong cách bạn mê, tải về. Bảo Claude chụp nó thành một tờ ảnh ghép, mỗi giây một khung. Rồi bảo nó phân tích và đóng gói.
L04Học phong cách từ một video mẫu, dán vào Claude Code kèm file video
Chụp video này thành một tờ ảnh ghép, mỗi giây một khung. Phân tích xem vì sao video này hay, từng giây một. Rút ra mấy luật bắt buộc, kiểu như một chi tiết nhỏ xuất hiện từ đầu tới cuối, mọi cú cắt rơi đúng nhịp nhạc. Rồi đóng gói tất cả thành một skill để lần sau mình chỉ cần gọi tên.
Skill hiểu đơn giản là một tờ hướng dẫn mà Claude tự đọc mỗi lần làm việc đó. Thư mục skill của mình có skill dựng video dài, skill dựng video ngắn, bộ script minh hoạ. Mỗi lần mình chê một cảnh, lời chê được ghi thẳng vào skill. Nên video bạn đang xem được dựng bởi một Claude đã nghe mình chê hơn ba mươi video liền.
Chuyện vui: nó tự viết được cả tiếng động bằng code. Mình từng dùng thử, nghe đơn sắc tới mức quê. Giờ trong skill có luật: tiếng động phải là tiếng thật.
Bước 5: vòng tự kiểm, chỗ Opus 5.5 khác hẳn
Ngày trước, Claude dựng xong là báo "xong rồi". Mình mở ra thì chữ lệch khung, tiếng nhỏ xíu, có cảnh chớp trắng. Việc kiểm tra là việc của mình.
Đây là nhật ký thật của Opus 5.5 khi dựng một cảnh 15 giây trên máy mình. Dựng xong, nó tự trích mấy chục khung hình ra xem. Tự đo tiếng. Tự quét cả 450 khung xem có khung nào trống hay chớp sáng không. Máy kiểm tra báo không lỗi nào. Tới đó là đủ để báo xong. Nhưng nó làm thêm một việc mình không hề dặn: xuất video lần thứ hai, rồi so từng khung với lần đầu. Nó thấy bốn khung không khớp, khung 376 tới 379, quanh giây 12,5. Phóng to ra: chữ "bất ngờ" bị nhoè. Nó tự lần ra nguyên nhân là một hiệu ứng nảy quá đà, sửa, xuất lại, so lại. Mình không nói câu nào. Cảnh đó nó xuất tới năm lần rồi mới đưa mình.
L05Thêm vào cuối mọi câu lệnh dựng
Dựng xong tự xem lại các khung hình, sửa đến khi ổn mới đưa mình.
Nhưng nhớ: nó tự kiểm là để bạn đỡ việc, không phải để bạn khỏi xem. Luật của mình vẫn giữ: trước khi giao, chụp mỗi cảnh một khung, mở ra xem bằng mắt mình. Vì có những lỗi máy kiểm tra báo không lỗi nào cả.
Bốn cái bẫy mình đã dính
Không cái nào là lý thuyết. Cái nào mình cũng trả bằng thời gian thật.
Bẫy 1: thiếu khung chốt. Video quay bằng điện thoại hoặc xuất từ phần mềm dựng hay thiếu khung chốt, là những khung hình đầy đủ mà máy dùng để tua tới đúng chỗ. Thiếu nó thì máy dựng đi được mười phút rồi tự huỷ, không báo lý do rõ ràng.
L06Kiểm video gốc trước khi đưa vào dựng
Kiểm khung chốt của file [đường dẫn]. Nếu thiếu thì xuất lại với một khung chốt mỗi giây rồi dùng bản đó.
Bẫy 2: chữ bị mặt che. Máy kiểm tra báo không lỗi nào. Video xuất ra đầy đủ. Chỉ có cảnh đó chữ nằm sau khuôn mặt nên không ai thấy. Không có cách nào ngoài chụp khung ra xem bằng mắt. Đây chính là lý do ở bước năm.
Bẫy 3: số liệu viết theo trí nhớ. AI viết số lên màn hình rất tự tin: giá tiền, ngày ra mắt, phần trăm. Trí nhớ của nó có thể đã cũ. Luật của mình: số nào lên hình cũng phải có nguồn, và Claude phải tra trước khi dựng.
Bẫy 4, cái đau nhất: để AI tự quyết bố cục. Có một video mình để nó tự quyết. Tám trên mười cảnh nó chia đôi màn hình, nửa mặt nửa minh hoạ. Đoạn quay màn hình chạy lệch lời mình nói cả chục giây, chữ nhỏ tới mức không đọc nổi. Nhận xét của mình cho bản đó: cực kì tệ. Cách sửa: màn hình thao tác phải khớp đúng câu đang nói, phóng to đúng chỗ, khoanh chỗ mình nhắc tới, và chỉ chia đôi khi thật sự cần. Bộ luật đó giờ nằm trong skill.
Bẫy tặng thêm cho ai làm video dài: video 69 phút mình cho xuất một lèo, hỏng ba lần, mỗi lần mất nửa ngày. Giờ video dài mình xuất theo từng khúc rồi ghép lại.
Việc cho bạn
Tóm lại: AI không vẽ video, nó viết ra video, nên cái gì cũng sửa được và phong cách nào cũng cất lại được. Một câu lệnh cho bạn cái để khoe. Một quy trình cho bạn video để đăng.
- Quay 30 giây nói về công việc của bạn, điện thoại cũng được.
- Dùng câu lệnh cắt L02.
- Viết đúng ba yêu cầu lên nhịp theo khuôn L03, nhớ câu "mặt mình không bao giờ bị che".
- Dựng xong, bảo nó chụp năm khung ra xem. Đếm xem có bao nhiêu lỗi mà máy không báo, rồi kể mình nghe dưới video.
Câu hỏi thường gặp
Claude dựng video bằng cách nào, có giống Sora hay Veo không?
Không. Claude không tạo ra khung hình từ chữ. Nó viết code trang web: mỗi dòng chữ, logo, ảnh là một phần tử, kèm một kịch bản ghi giây nào phần tử nào chuyển động. Hyperframes, công cụ miễn phí mã nguồn mở của HeyGen, chụp trang đó 30 khung mỗi giây rồi ghép thành MP4. Vì là code nên sửa được từng dòng.
Dùng Claude Opus 5.5 dựng video tốn bao nhiêu tiền?
Tuỳ cách giao việc. Showreel 15 giây mình chạy một lần ở mức Max ngày 05/10/2026 mất 127,6 phút, quy giá API là 35,99 đô. Video đăng hằng tuần của mình đi qua quy trình năm bước nên mỗi bước rẻ hơn nhiều. Dùng gói tháng thì không mất thêm tiền, chỉ hết lượt dùng nhanh hơn.
Whisper chạy trên máy có đủ nhanh để bóc lời không?
Chạy bằng bộ xử lý thường thì chậm: video 7 phút mất 27 phút trên máy mình. Chạy bằng card đồ hoạ thì video đó còn 4 phút, và một giờ audio với mô hình large-v3 hết 11,4 phút trên RTX 2070 SUPER, có mốc từng chữ, không mất phí. Tốc độ phụ thuộc card của bạn.
Vì sao phải chụp khung hình ra xem khi máy đã báo không lỗi?
Vì có lỗi máy không thấy: chữ nằm sau mặt, cảnh chạy lệch lời, chữ nhỏ không đọc nổi. Lint và các bộ kiểm tự động chỉ bắt lỗi cấu trúc. Chụp một khung mất 20 tới 30 giây, xuất cả video mất 17 tới 20 phút, nên duyệt bằng khung trước rồi mới xuất.
