Tạo video giải thích đồ họa chuyển động có thuyết minh với anything2explainer

anything2explainer là gì?

anything2explainer là một skill dành cho Claude Code và Codex, biến một chủ đề, bài viết hoặc tài liệu thành video giải thích bằng đồ họa chuyển động có lời thuyết minh. Skill này kết hợp nghiên cứu, viết kịch bản, chuyển văn bản thành giọng nói, phụ đề căn chỉnh chính xác theo từng khung hình, lập storyboard, phát triển các cảnh song song, kết xuất và kiểm soát chất lượng trong một quy trình có hướng dẫn.

Dự án không phải là một ứng dụng dòng lệnh độc lập. Thay vào đó, dự án cung cấp cho tác nhân lập trình AI một phương pháp sản xuất hoàn chỉnh: template Remotion 4 có thể biên dịch, các thành phần hình ảnh React và TypeScript, script lồng tiếng và kết xuất, đặc tả phong cách bằng văn bản, hướng dẫn xây dựng đa tác nhân, công cụ QC và một bộ phim tham chiếu.

Mọi khung hình đều được vẽ bằng code thay vì tạo bởi mô hình video hoặc sao chép từ cảnh quay có sẵn. Hoạt ảnh là các hàm thuần túy của số khung hình và sử dụng tính ngẫu nhiên có seed, giúp các lần kết xuất lặp lại cho kết quả nhất quán.

Pipeline tạo ra những gì

Đầu ra mặc định là MP4 H.264 1280×720, 30fps. Một dự án hoàn chỉnh có thể bao gồm:

• Lời thuyết minh tiếng Trung hoặc tiếng Anh được đồng bộ.
• Phụ đề căn chỉnh theo ranh giới từ.
• Thẻ chương và thanh tiến trình chương ở phía dưới.
• HUD dạng viên nang ở phía trên và thanh pipeline tùy chọn.
• Các component Remotion cho từng cảnh.
• Tài liệu nghiên cứu có nguồn, lời thuyết minh, storyboard, báo cáo QC và ghi chú bàn giao.

Hệ thống hình ảnh sử dụng nền đen, nét vẽ trắng, điểm nhấn màu tím, tiêu đề lớn và một trong hai kiểu nền: trường sao kèm sương mù hoặc sóng trường chấm. Template hiện tại chỉ hỗ trợ video ngang; đầu ra dọc 9:16 chưa được hỗ trợ.

Thời lượng được hỗ trợ

Hỗ trợ các bộ phim dài từ hai đến tám phút. Video dài từ hai đến ba phút thường sử dụng 24–32 dòng hoặc cảnh và mất khoảng một giờ. Một sản phẩm cấp độ tham chiếu dài từ ba đến năm phút thường sử dụng 40–50 cảnh và mất khoảng hai giờ. Các bộ phim dài hơn, từ năm đến tám phút, có thể sử dụng 60–80 cảnh và mất khoảng hai đến ba giờ.

Đây là ước tính theo thời gian thực tế, không phải cam kết. Phần lớn công việc được các tác nhân xây dựng thực hiện song song.

Điều kiện tiên quyết

Trước khi cài đặt, hãy chuẩn bị:

• Claude Code hoặc Codex.
• Node.js 18 trở lên.
• Python 3.
• FFmpeg để trích xuất khung hình và chuyển mã.
• Ít nhất 5 GB dung lượng trống khi chạy đồng thời nhiều tác nhân xây dựng.

Các shell script đi kèm sử dụng zsh và được phát triển, kiểm thử trên macOS. Linux có thể hoạt động, nhưng Windows chưa được kiểm thử. Không yêu cầu GPU vì Remotion kết xuất qua Chromium chạy không giao diện trên CPU.

Cài đặt Skill

1. Clone repository

git clone https://github.com/Vincentwei1021/anything2explainer.git

2. Liên kết với tác nhân lập trình

Đối với Claude Code, hãy tạo liên kết tượng trưng trong thư mục skills của công cụ:

ln -s "$PWD/anything2explainer" ~/.claude/skills/anything2explainer

Đối với Codex, hãy sử dụng thư mục skills tương ứng của Codex:

ln -s "$PWD/anything2explainer" ~/.codex/skills/anything2explainer

3. Cài đặt các dependency hệ thống và Python

Trên macOS, cài đặt FFmpeg bằng Homebrew:

brew install ffmpeg

Tạo một môi trường Python riêng và cài đặt các dependency dùng chung:

python3 -m venv ~/.venvs/a2e
source ~/.venvs/a2e/bin/activate
pip install 'edge-tts==7.2.8' numpy pillow scipy

README cố định edge-tts ở phiên bản 7.2.8 vì package này phụ thuộc vào một endpoint của Microsoft và có thể bị lỗi sau các lần nâng cấp. Package scipy chỉ cần thiết cho script QC định lượng frame_metrics.py.

4. Thêm dependency cho lời thuyết minh tiếng Anh

Lời thuyết minh tiếng Anh mặc định sử dụng model kokoro-82m chạy cục bộ cùng giọng am_liam. Hãy cài đặt các yêu cầu bổ sung nếu bạn định tạo video tiếng Anh:

pip install kokoro soundfile
brew install espeak-ng

Lời thuyết minh tiếng Trung mặc định sử dụng giọng edge-tts trên nền tảng đám mây zh-CN-YunxiNeural.

Tạo video bằng Claude Code hoặc Codex

Cách đơn giản nhất là mô tả bộ phim bạn muốn bằng ngôn ngữ tự nhiên. Skill sẽ tự kích hoạt khi tác nhân có thể sử dụng.

Hãy tạo cho tôi một video giải thích về cơ sở dữ liệu vector.

Bạn cũng có thể đưa ra yêu cầu bằng tiếng Trung:

讲一下向量数据库，做成一条讲解视频

Đầu vào của bạn có thể là một chủ đề khái quát hoặc một bài viết hay tài liệu có sẵn. Bạn cũng sẽ chọn thời lượng và ngôn ngữ mục tiêu.

Tìm hiểu chín giai đoạn sản xuất

1. Khởi tạo: Tác nhân sao chép template Remotion vào một dự án mới.
2. Nghiên cứu: Một tác nhân nghiên cứu chuẩn bị tài liệu có nguồn, bao gồm các số liệu hữu ích và phép tương tự kèm URL.
3. Lời thuyết minh và timeline: Tác nhân viết kịch bản, tạo hoặc nhập lời thuyết minh, sau đó chuyển ranh giới từ thành timeline chính xác theo từng khung hình và bảng phụ đề.
4. Storyboard: Mỗi cảnh nhận một khoảng khung hình, nhịp kể chuyện, kế hoạch hình ảnh, hướng chuyển động, yếu tố chủ đạo và kế hoạch chiếu sáng.
5. Lớp phủ và primitive: Dự án thêm tiêu đề, thẻ chương, HUD, thanh pipeline và từ hai đến năm biểu tượng dành riêng cho chủ đề.
6. Thử nghiệm: Một tác nhân xây dựng nhóm cảnh đầu tiên và kết xuất bản xem trước dài 30 giây.
7. Xây dựng song song: Các tác nhân bổ sung xây dựng những nhóm còn lại, thường xử lý từ năm đến bảy cảnh mỗi nhóm.
8. Kết xuất: Toàn bộ bộ phim được kết xuất và phân tích bằng các chỉ số khung hình định lượng.
9. QC và sửa lỗi: Các tác nhân QC xem xét các chương, tác nhân sửa lỗi xử lý vấn đề, sau đó dự án được kiểm tra lại trước khi bàn giao.

Sử dụng bốn checkpoint đánh giá

Quy trình chủ động tạm dừng bốn lần để bạn có thể đưa ra các quyết định quan trọng trước khi việc thay đổi trở nên tốn kém.

Điểm kiểm tra 1: Thời lượng và ngôn ngữ

Chọn thời lượng phim và tiếng Trung hoặc tiếng Anh trước khi bắt đầu viết kịch bản. Thời lượng ảnh hưởng đến phạm vi nội dung, độ dài lời thuyết minh, số lượng cảnh quay, mức sử dụng ổ đĩa và số lượng tác nhân chạy song song. Ngôn ngữ thay đổi kiểu chữ, ngân sách phụ đề, nhịp độ và giọng mặc định thông qua lang trong src/config.ts.

Điểm kiểm tra 2: Phê duyệt lời thuyết minh

Đọc lại toàn bộ lời thuyết minh trước khi tạo giọng đọc. Khi phần lồng tiếng đã được khóa, số khung hình sẽ được nhúng vào từng cảnh quay. Chỉ cần thay đổi một từ cũng có thể khiến toàn bộ phim phải căn chỉnh lại thời gian, vì vậy đây là thời điểm tiết kiệm nhất để chỉnh sửa nội dung.

Điểm kiểm tra 3: Lựa chọn giọng đọc

Chọn giọng mặc định, một công cụ TTS khác hoặc bản thu hoàn chỉnh của riêng bạn. Nếu không chỉ định lựa chọn thay thế, quy trình sẽ dùng edge-tts Yunxi cho tiếng Trung và kokoro-82m Liam cho tiếng Anh.

Điểm kiểm tra 4: 30 giây đầu tiên

Xem bản dựng thử trước khi tạo các nhóm cảnh quay còn lại. Việc chỉnh hướng hình ảnh ở thời điểm này chỉ ảnh hưởng đến nhóm đầu tiên; nếu chỉnh sau khi kết xuất toàn bộ, bạn có thể phải thay đổi mọi nhóm.

Điều khiển Template thủ công

Bạn có thể dùng trực tiếp các tập lệnh đi kèm khi muốn kiểm soát nhiều hơn quy trình sản xuất. Tạo một dự án từ template và chuyển vào thư mục của dự án:

template/scripts/new_project.sh ~/work/my-video myslug
cd ~/work/my-video

Sau đó thực hiện theo trình tự thủ công:

1. Viết tệp nghiên cứu tại research/调研.md.
2. Tạo script/narration.txt và tạo dòng thời gian cho phần lồng tiếng.
3. Viết script/storyboard_src.md và kết xuất storyboard.
4. Chỉnh sửa ngôn ngữ, phông nền và các thiết lập liên quan trong src/config.ts.
5. Triển khai các nhóm cảnh quay trong src/shots/G1 đến src/shots/Gn.
6. Kết xuất bản xem trước phần mở đầu.
7. Kết xuất video cuối cùng có phiên bản và chạy các chỉ số khung hình.
8. Đánh giá, sửa lỗi và kết xuất các phiên bản tiếp theo như v2 hoặc v3.

python3 scripts/tts_build.py
python3 scripts/render_storyboard.py
scripts/preview.sh 30
VER=v1 scripts/render.sh
python3 scripts/frame_metrics.py

Tùy chỉnh ngôn ngữ và phông nền

Các thiết lập chính của dự án nằm trong src/config.ts. Đặt lang thành 'zh' hoặc 'en'. Tiếng Trung dùng ngân sách phụ đề 16 ký tự mỗi khối, trong khi tiếng Anh dùng 48 ký tự mỗi khối.

Công tắc phông nền được hỗ trợ là:

bg: 'stars' | 'dots'

Tùy chọn ngôi sao kết hợp trường sao với dải chuyển màu sương mù. Tùy chọn chấm sử dụng sóng trường chấm. Dự án chủ ý cung cấp một ngôn ngữ hình ảnh với hai lựa chọn phông nền này.

Để thay đổi hình ảnh trên diện rộng hơn, hãy chỉnh sửa reference/style-guide.md và src/ui.tsx. Các thành phần cảnh quay dựa vào những thành phần nguyên thủy dùng chung, vì vậy thay đổi các định nghĩa trung tâm đó phù hợp hơn so với việc tạo kiểu riêng cho từng cảnh quay.

Sử dụng bản lồng tiếng của riêng bạn

Bạn không bị giới hạn bởi các mặc định TTS đi kèm. Đặt tệp âm thanh hoàn chỉnh tại:

public/assets/<slug>/audio.wav

Sau đó điền thủ công src/common/timeline.ts và subs.ts. Định dạng bắt buộc được tài liệu hóa ở đầu tts_build.py. Khi dữ liệu dòng thời gian và phụ đề đã có, các giai đoạn storyboard, dựng cảnh quay, kết xuất và QC vẫn không thay đổi.

Mẹo sản xuất nâng cao

Phê duyệt câu chữ trước khi hoàn thiện hình ảnh

Hãy xem việc phê duyệt lời thuyết minh là một khóa cứng. Vì các cảnh quay sử dụng phạm vi khung hình cố định, chỉnh sửa kịch bản muộn gây xáo trộn nhiều hơn so với các chỉnh sửa hình ảnh thông thường.

Dùng bản thử để kiểm tra phong cách

Trong lần đánh giá 30 giây đầu tiên, hãy kiểm tra kiểu chữ, bố cục, tốc độ chuyển động, ánh sáng, khả năng đọc phụ đề và phông nền. Đừng phê duyệt bản thử chỉ vì nó kết xuất thành công.

Mở rộng công việc song song một cách thận trọng

Phim dài hơn có thể dùng 10–14 tác nhân dựng. Nhiều tác nhân có thể đồng thời đóng gói Remotion, làm tăng mức sử dụng bộ nhớ và tải hệ thống. Hãy duy trì ít nhất 5 GB trống và điều phối tác nhân theo từng đợt khi gần đạt giới hạn pane tmux được dự án mô tả.

Duy trì khả năng truy xuất nguồn

Mọi con số, năm, tổ chức và thuật ngữ tiếng Anh hiển thị trên màn hình đều phải truy xuất được đến một URL trong tài liệu nghiên cứu. Các tuyên bố chưa được xác minh phải nằm ngoài cả lời thuyết minh lẫn hình ảnh.

Sử dụng bản kết xuất theo phiên bản

Đặt VER=v1, xem xét các chỉ số và phát hiện QC ở cấp chương, sau đó tạo các phiên bản đã sửa như v2 hoặc v3. Cách này duy trì lịch sử đánh giá rõ ràng thay vì ghi đè đầu ra trước đó.

Nghiên cứu tài liệu tham khảo

Thư mục examples/rag/ chứa toàn bộ dấu vết sản xuất của bộ phim tham khảo, gồm nghiên cứu, lời thuyết minh, storyboard, mã nguồn cảnh quay, báo cáo và ghi chú bàn giao. Thư mục examples/contrast/ chứa sáu cặp khung hình xấu và tốt để đánh giá bố cục và ánh sáng.

Thư mục reference/ cũng ghi lại vùng an toàn, bảng màu, phông chữ, công thức chuyển động, quy tắc ánh sáng, quy ước storyboard, giao thức tác nhân, mẫu prompt và các bài học rút ra từ những bộ phim trước.

Hạn chế quan trọng và cấp phép

• Các ngôn ngữ được hỗ trợ là tiếng Trung và tiếng Anh.
• Mẫu này giả định video ngang 1280×720 và hiện chưa hỗ trợ đầu ra 9:16.
• Mẫu không được thiết kế cho các bài thuyết trình có người dẫn nói trực tiếp trước máy quay, các sản phẩm chủ yếu quay người thật hoặc việc tái tạo một video có sẵn.
• Cảnh quay người thật B-roll tùy chọn phải lấy từ các nguồn miễn phí bản quyền và được ghi trong tệp kê khai cùng URL nguồn, giấy phép, mã băm SHA-256 và mục đích sử dụng.
• Bộ công cụ sử dụng giấy phép PolyForm Noncommercial 1.0.0. Việc sử dụng phi thương mại được miễn phí, còn sử dụng thương mại cần có sự cho phép trước của tác giả.
• Video được tạo bằng bộ công cụ thuộc về người tạo ra chúng.
• Các phông chữ đi kèm và Remotion có điều khoản cấp phép riêng.

Hãy xem trang dự án và các tệp giấy phép trong kho lưu trữ trước khi sản xuất hoặc phân phối, đặc biệt đối với công việc thương mại.

Kết luận

anything2explainer không chỉ cung cấp một mẫu video: công cụ này mang đến cho Claude Code hoặc Codex một hệ thống sản xuất có cấu trúc để biến tài liệu đã nghiên cứu thành hoạt ảnh Remotion có tính tất định. Hãy bắt đầu với một chủ đề tập trung, đưa ra quyết định cẩn trọng tại bốn điểm kiểm tra, phê duyệt lời thuyết minh trước khi dùng TTS, xác thực bản thử nghiệm dài 30 giây, rồi sử dụng quy trình kết xuất có quản lý phiên bản cùng kiểm soát chất lượng định lượng để hoàn thiện bộ phim cuối cùng.