Tạo video thuyết minh bằng người dẫn kỹ thuật số với Codex Skill: từ khởi tạo tác vụ đến nghiệm thu chất lượng

Giới thiệu dự án

lanshu-create-ai-presenter-video là Skill đa năng dành cho Codex để sản xuất video với người dẫn kỹ thuật số. Bạn chỉ cần cung cấp chủ đề hoặc kịch bản hoàn chỉnh, cùng một ảnh tham chiếu đã được cấp phép có hình người trưởng thành rõ nét, Skill sẽ tổ chức các công đoạn chính để tạo video.

Quy trình đầy đủ bao gồm biên tập nội dung, lồng tiếng, tạo nhân vật, căn chỉnh khẩu hình, phụ đề, hiệu ứng động cho từ khóa, dựng, kết xuất và nghiệm thu chất lượng. Dự án sử dụng phương thức lựa chọn năng lực, hoàn thành tác vụ bằng các công cụ hiện có trong môi trường hiện tại, không ràng buộc mã nguồn với nhà cung cấp dịch vụ, tên mô hình hoặc giao diện riêng tư cụ thể.

Skill này không phải là một mô hình tạo video độc lập. Nó cần chạy trong môi trường Agent hỗ trợ Codex hoặc Skill cục bộ tương thích, đồng thời phụ thuộc vào các năng lực tạo video, tạo giọng nói và đồng bộ khẩu hình có thể gọi trong môi trường đó.

Đặc điểm chính

• Trung lập với nhà cung cấp: Quy trình không cố định phụ thuộc vào một mô hình, nền tảng hoặc API riêng tư cụ thể.
• Chuỗi sản xuất hoàn chỉnh: Từ kiểm tra đầu vào, kịch bản và lồng tiếng đến dựng, phụ đề, ảnh bìa, xuất file và nghiệm thu đều có quy trình tương ứng.
• Chuẩn thời gian thống nhất: Lấy phần lồng tiếng hoàn chỉnh làm trục thời gian của toàn bộ video để định vị video nhân vật, phụ đề, cảnh quay, từ khóa và chuyển cảnh.
• Nạp tài liệu tham khảo theo giai đoạn: Codex chỉ đọc tài liệu liên quan khi bước vào giai đoạn tương ứng, giúp giảm mức sử dụng ngữ cảnh.
• Kiểm soát chi phí: Tạo video thử với nhân vật ở chi phí thấp trước, đồng thời thiết lập hướng dẫn tạo có tính phí, giới hạn thử lại và quy tắc khôi phục khi gián đoạn.
• Ràng buộc an toàn và quyền riêng tư: Xác nhận quyền sử dụng trước khi tải ảnh nhân vật hoặc sao chép giọng nói; kho lưu trữ không giữ khóa API, mã thông báo truy cập hoặc tài liệu của người dùng.
• Bàn giao tiêu chuẩn hóa: Mục tiêu quy trình bao gồm xuất bản master, bản chia sẻ và báo cáo QA.

Chuẩn bị đầu vào và môi trường chạy

Đầu vào tối thiểu

1. Một chủ đề video hoặc một kịch bản hoàn chỉnh.
2. Một ảnh tham chiếu đã được cấp phép, có hình người trưởng thành rõ nét.

Bạn cũng có thể cung cấp mẫu giọng nói, bản ghi màn hình, hình ảnh, B-roll, tài liệu thương hiệu, nền tảng mục tiêu, thời lượng video, tỷ lệ khung hình ngang/dọc, phong cách hình ảnh, hình mờ và lời kêu gọi ở cuối video. Chỉ được sử dụng mẫu giọng nói để sao chép giọng khi đã có quyền tương ứng.

Yêu cầu môi trường

• Môi trường Codex hoặc Agent hỗ trợ Skill cục bộ tương thích.
• Python 3.9+.
• FFmpeg và ffprobe.
• Bash, jq, awk và sed.
• Ít nhất một năng lực tạo video, tạo giọng nói và đồng bộ khẩu hình có thể gọi trong môi trường hiện tại.

Trước khi bắt đầu tác vụ, hãy xác nhận các lệnh và năng lực tạo này khả dụng trong môi trường hiện tại. Bạn có thể xem kho lưu trữ dự án trên GitHub.

Cài đặt Skill

Chạy lệnh sau để sao chép kho lưu trữ vào thư mục Skill của Codex:

git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git \
  ~/.codex/skills/lanshu-create-ai-presenter-video

Đường dẫn sau khi cài đặt phải là:

~/.codex/skills/lanshu-create-ai-presenter-video

Tìm hiểu cấu trúc thư mục

lanshu-create-ai-presenter-video/
├── SKILL.md
├── README.md
├── agents/
│   └── openai.yaml
├── assets/
│   └── job.template.json
├── references/
│   ├── generation.md
│   ├── editing.md
│   └── qa-recovery.md
└── scripts/
    ├── init_job.py
    ├── preflight.py
    └── finalize_delivery.sh

Ba tài liệu tham khảo phục vụ các giai đoạn sản xuất khác nhau:

• generation.md: Xử lý kiểm tra đầu vào, nội dung, giọng nói, lựa chọn năng lực, tạo có tính phí, lời nhắc nhân vật và tính nhất quán.
• editing.md: Xử lý trục thời gian, phần mở đầu và kết thúc, thiết lập phụ đề, hiệu ứng động cho từ khóa bên cạnh nhân vật, ảnh bìa và xuất file.
• qa-recovery.md: Xử lý nghiệm thu kỹ thuật, nghiệm thu thủ công và khắc phục các lỗi thường gặp.

Cách một: Tạo video trực tiếp trong cuộc trò chuyện

Cách sử dụng đơn giản nhất là gọi rõ Skill trong cuộc trò chuyện Codex, đồng thời cung cấp nội dung, ảnh nhân vật và yêu cầu video thành phẩm. Ví dụ:

Sử dụng $lanshu-create-ai-presenter-video để biến nội dung và ảnh nhân vật này thành một video thuyết minh với người dẫn kỹ thuật số, tỷ lệ 16:9, thời lượng 30 giây và phụ đề thời gian thực.

Khi gửi yêu cầu, bạn nên nêu rõ vị trí tài liệu, nền tảng mục tiêu, thời lượng, tỷ lệ khung hình, dạng phụ đề, phong cách, hình mờ và lời kêu gọi ở cuối video. Nếu không có mẫu giọng nói được cấp phép, hệ thống mặc định sẽ chọn giọng có sẵn phù hợp thay vì tự ý sao chép giọng.

Cách hai: Khởi tạo thư mục tác vụ tiêu chuẩn

Đối với các dự án cần kiểm tra cấu hình, lưu lại nhật ký tác vụ hoặc thực hiện theo từng giai đoạn, bạn có thể dùng script của kho lưu trữ để tạo thư mục tác vụ tiêu chuẩn trước.

Bước một: Thiết lập đường dẫn Skill

SKILL_DIR=~/.codex/skills/lanshu-create-ai-presenter-video

Bước hai: Khởi tạo tác vụ

python3 "$SKILL_DIR/scripts/init_job.py" \
  --job-dir ~/Videos/my-presenter-video \
  --presenter-image ~/Pictures/presenter.png \
  --topic "Chủ đề video" \
  --duration 60 \
  --aspect 9:16 \
  --rights-confirmed \
  --adult-presenter-confirmed

Ví dụ này tạo một tác vụ dài 60 giây với tỷ lệ 9:16. --rights-confirmed cho biết quyền sử dụng ảnh nhân vật đã được xác nhận, còn --adult-presenter-confirmed cho biết nhân vật trong ảnh tham chiếu đã được xác nhận là người trưởng thành.

Chỉ sử dụng các tham số xác nhận tương ứng sau khi thực sự hoàn tất việc cấp phép và kiểm tra trạng thái nhân vật. Trước khi tải lên từ xa, vẫn cần kiểm tra thông tin cấp phép trong cấu hình tác vụ.

Bước ba: Hoàn thiện job.json

Sau khi khởi tạo, hãy vào thư mục tác vụ và xem job.json được tạo. Bổ sung các mục kiểm tra thủ công và quyền tải lên từ xa theo tình hình thực tế của tác vụ. Không gửi ảnh nhân vật, mẫu giọng nói hoặc tài liệu khác chưa được cấp phép đến dịch vụ từ xa.

Bước bốn: Chạy kiểm tra trước

python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json

Kiểm tra trước dùng để xác minh cấu hình tác vụ trước khi tạo chính thức. Hãy xử lý các vấn đề được phát hiện trước khi chuyển sang các giai đoạn tạo video, giọng nói hoặc đồng bộ khẩu hình có thể phát sinh chi phí.

Tìm hiểu quy trình sản xuất đầy đủ

1. Tiếp nhận chủ đề hoặc nội dung cùng ảnh nhân vật: Xác nhận tài liệu có thể sử dụng, đồng thời kiểm tra quyền ảnh và trạng thái người trưởng thành.
2. Khóa nội dung và phần lồng tiếng hoàn chỉnh: Xác định nội dung thuyết minh cuối cùng trước, sau đó tạo phần lồng tiếng cho toàn bộ video.
3. Tạo video thử với nhân vật ở chi phí thấp: Xác minh hiệu quả nhân vật và hướng kỹ thuật trước khi tạo có tính phí quy mô lớn.
4. Tạo tư liệu chính liên tục với người dẫn kỹ thuật số: Tạo hình ảnh chính dựa trên phần lồng tiếng và thiết lập nhân vật đã được xác nhận.
5. Dựng theo cùng một trục thời gian âm thanh: Để hình ảnh nhân vật, phụ đề, cảnh quay, từ khóa và chuyển cảnh dùng chung một chuẩn thời gian.
6. Thêm phụ đề, hiệu ứng động cho từ khóa và ảnh bìa: Hoàn thiện việc nhấn mạnh thông tin và đóng gói để phát hành.
7. Thực hiện nghiệm thu chất lượng: Kiểm tra khẩu hình, tính nhất quán của nhân vật, chất lượng giọng nói và hình ảnh.
8. Hoàn tất bàn giao: Xuất bản master, bản chia sẻ và báo cáo QA.

Phần lồng tiếng hoàn chỉnh là chuẩn quan trọng của quy trình. Khóa âm thanh trước rồi sắp xếp video và phụ đề theo đó sẽ giảm tình trạng lệch khẩu hình cũng như vấn đề nối giữa các đoạn khác nhau.

Thiết lập đầu ra mặc định

Nếu không có yêu cầu cụ thể hơn, quy trình sử dụng các thiết lập mặc định sau:

• Video dọc 9:16, độ phân giải 1080×1920, tốc độ khung hình 30fps.
• Video được tạo theo chủ đề thường có thời lượng từ 45 đến 75 giây.
• Sử dụng giọng có sẵn phù hợp khi không có mẫu giọng nói được cấp phép.
• Cấu trúc thường gồm phần mở đầu rõ ràng, 2 đến 4 nhịp nội dung và phần kết ngắn gọn.
• Âm nhạc và lời kêu gọi thương mại được thêm tùy theo nhu cầu.
• Mục tiêu độ lớn âm thanh khi phát hành khoảng -16 LUFS.

Nếu mục tiêu là video ngang, hãy chỉ định rõ 16:9 như trong ví dụ hội thoại; nếu muốn tạo nội dung cho nền tảng video ngắn, bạn có thể giữ mặc định 9:16 hoặc thiết lập rõ ràng bằng --aspect 9:16 khi khởi tạo tác vụ.

Mẹo sử dụng nâng cao

Khóa phần lồng tiếng trước, sau đó sắp xếp mọi yếu tố hình ảnh

Không nên tạo các trục thời gian tách rời, không liên kết cho phụ đề, cảnh quay và đoạn nhân vật. Hãy tạo và xác nhận phần lồng tiếng hoàn chỉnh trước, sau đó căn chỉnh phụ đề, hình ảnh nhân vật, hiệu ứng động cho từ khóa và chuyển cảnh theo cùng một âm thanh để cải thiện độ đồng bộ tổng thể.

Tạo video thử trước khi tạo có tính phí

Trước lần đầu chuyển sang tạo có tính phí, cần xác định rõ nội dung tải lên, thời lượng tạo, cơ sở tính giá, phương án video thử và giới hạn thử lại. Video thử ở chi phí thấp có thể sớm phát hiện vấn đề về ngoại hình nhân vật, hiệu quả khẩu hình hoặc khả năng tương thích công cụ, tránh lãng phí do tạo trực tiếp video hoàn chỉnh.

Ưu tiên khôi phục tác vụ hiện có sau khi bị gián đoạn

Nếu tác vụ từ xa bị gián đoạn, đừng gửi lại ngay. Trước tiên hãy truy vấn ID tác vụ hiện có để xác nhận tác vụ vẫn đang chạy hay đã tạo kết quả, tránh bị tính phí lặp. Sau khi ba ứng viên có tính phí liên tiếp đều thất bại, cần dừng việc tạo tiếp và tổng hợp vấn đề.

Phân biệt nghiệm thu kỹ thuật và nghiệm thu thủ công

Kiểm tra kỹ thuật có thể bao quát các bất thường ở cấp độ tệp và phương tiện, còn kiểm tra thủ công cần chú ý khẩu hình có tự nhiên hay không, nhân vật có nhất quán không, giọng nói có phù hợp không, phụ đề có dễ đọc không và hình ảnh có đáp ứng yêu cầu phát hành không. Các quy tắc nghiệm thu và khôi phục lỗi liên quan nằm trong references/qa-recovery.md.

Bảo vệ nhật ký tác vụ và quyền riêng tư của tài liệu

• Không ghi khóa API, mã thông báo truy cập hoặc URL tải xuống có chữ ký vào kho lưu trữ.
• Loại bỏ thông tin xác thực và URL tạm thời trước khi gửi nhật ký yêu cầu cấp tác vụ.
• Báo cáo kiểm tra trước và bàn giao chỉ giữ tên tệp, không ghi đường dẫn tuyệt đối trên máy của nhà phát triển.
• Xác nhận quyền sử dụng ảnh nhân vật trước khi tải lên từ xa.
• Xác nhận quyền sử dụng giọng nói trước khi dùng năng lực sao chép giọng.

Kết luận

lanshu-create-ai-presenter-video chia quy trình sản xuất video với người dẫn kỹ thuật số thành các giai đoạn tiêu chuẩn có thể kiểm tra và khôi phục, đồng thời giảm vấn đề về khẩu hình và nối cảnh bằng trục thời gian lồng tiếng thống nhất. Sau khi cài đặt Skill, bạn có thể trực tiếp bắt đầu tác vụ trong cuộc trò chuyện Codex, hoặc khởi tạo job.json và chạy kiểm tra trước để kiểm soát chặt chẽ hơn việc cấp phép, chi phí, quá trình tạo và chất lượng cuối cùng.

Dự án sử dụng MIT License, cho phép tự do sử dụng, chỉnh sửa và phân phối. Bạn có thể gửi phản hồi qua GitHub Issue, đồng thời đóng góp các cải tiến về quy trình, khả năng tương thích và kiểm tra chất lượng thông qua Pull Request.