Bài 6: Khớp khẩu hình, dựng và xuất bản video

Đã có video từng cảnh đạt chuẩn, giờ là ba bước cuối do Claude điều phối: khớp khẩu hình, dựng bằng ffmpeg, và kiểm duyệt rồi xuất bản. Bài này chỉ cách nhờ Claude chạy ba bước đó, và nhớ rằng mắt bạn vẫn là chốt chặn cuối cùng.

⚠️ Nhắc lại về RAM: khớp khẩu hình là bước ngốn RAM nhất (tới ~27 GB). Trước khi chạy, tắt mọi app nặng (đặc biệt Docker/OrbStack). Thiếu RAM khiến bước này chậm gấp 5–10 lần.

1. Khớp khẩu hình (LatentSync)

Với mỗi cảnh đang nói, Claude chạy LatentSync (bản MLX, có sẵn scripts/inference.py) vẽ lại miệng cho khớp đúng đoạn giọng của cảnh đó:

Với mỗi cảnh đang nói, chạy LatentSync inference.py: lấy video cảnh + đoạn giọng tương ứng,
xuất video khớp miệng. Cảnh im lặng giữ nguyên. Dùng bản 1.5 ở 256px, nhớ RAM đã trống.

Lệnh LatentSync đại khái (Claude chạy giúp):

PYTHONPATH=. python scripts/inference.py \
  --video_path shots/detail_1.mp4 \
  --audio_path build/tts/detail_1.wav \
  --video_out_path shots_lipsync/detail_1.mp4

Vì chạy ở 256px, miệng hơi mờ → Claude làm nét lại vùng miệng sau đó. Cách làm (Claude tự viết đoạn xử lý): khoanh vùng mặt/miệng → tăng nét có chọn lọc (unsharp) → ghép trở lại khung, chỉ tác động vùng miệng để không ảnh hưởng phần còn lại. Nhờ Claude kiểm: mọi cảnh nói đã xử lý, cảnh im lặng không bị đụng, số khung giữ nguyên, tìm được mặt ở hầu hết khung.

🛠 Nếu không cần cầu kỳ, có thể bỏ qua bước làm nét (chấp nhận miệng hơi mềm) — với gương mặt cỡ vừa trong khung thì thường vẫn ổn.

💡 Ba trạng thái một khung: gốc (miệng không khớp lời) → sau LatentSync (khớp nhưng hơi mờ vì 256px) → sau khi làm nét (khớp và rõ).

2. Dựng bằng ffmpeg

Nhờ Claude ghép và hoàn thiện bằng ffmpeg:

Ghép các cảnh theo trục thời gian thành một video. Chèn phụ đề trong vùng an toàn
(cách mép dưới một khoảng), lồng giọng, và chuẩn hoá âm lượng về -14 LUFS (loudnorm).
Kiểm: hình–tiếng dài bằng nhau, không khung đen/đứng, màu giữa các cảnh không chênh mạnh.

• Ghép cảnh theo đúng trục thời gian.
• Chèn phụ đề trong vùng an toàn (không bị viền/giao diện che).
• Chuẩn âm lượng về -14 LUFS (bộ lọc loudnorm của ffmpeg).

🔧 ffmpeg là công cụ chuẩn cho các việc này; Claude viết sẵn câu lệnh (gồm drawtext/subtitles cho phụ đề và loudnorm cho âm lượng). Bạn không cần nhớ cú pháp.

3. Kiểm duyệt nội dung

Trước khi xuất, nhờ Claude lập danh sách mọi câu có con số, phần trăm, tên nhãn hàng/đối tác, hoặc từ ngữ hứa hẹn, kèm mốc giây. Với sản phẩm tài chính, bảo hiểm, y tế, người có thẩm quyền phải duyệt từng câu.

Claude kiểm lần cuối:

• Mọi câu nhạy cảm đã có kết luận (duyệt hoặc đã sửa), lời không đổi sau khi duyệt.
• Không còn cụm từ cấm trong lời, phụ đề, tiêu đề.
• File xuất đúng thông số (độ phân giải theo khổ, H.264 + AAC 48 kHz).
• Có ảnh bìa đúng tỉ lệ.

🔒 Bước này bắt buộc với nội dung quảng cáo có yếu tố nhạy cảm. Claude chỉ bắt được “có cụm từ cấm hay không”; đánh giá nội dung có đúng/được phép là việc của người có thẩm quyền.

4. Kết quả

File	Nội dung
final.mp4	Bản cuối
export/<dự án>.mp4	Bản đăng: H.264, AAC 48 kHz, -14 LUFS (độ phân giải theo khổ — 1920×1080 cho 16:9; 9:16/1:1 đổi số tương ứng)
export/cover.jpg	Ảnh bìa

👁 Xem hết một lượt trước khi đăng. Claude kiểm được thời lượng, âm lượng, khung đen, phụ đề — nhưng không thay được mắt người về biểu cảm, nhịp, cảm giác tổng thể.

5. Nếu cần sửa ở bước cuối

Nếu bạn làm lại một cảnh, chỉ cảnh đó cần khớp khẩu hình lại, rồi nhờ Claude dựng lại và kiểm duyệt lại — không phải làm lại từ đầu. Sửa ở đâu, chạy lại từ đó.

6. Thuật ngữ bài này

Thuật ngữ	Nghĩa
LatentSync	Model khớp khẩu hình (vẽ lại miệng theo giọng)
inference.py	Script có sẵn của LatentSync bản MLX để chạy khớp khẩu hình
256px	Độ phân giải LatentSync chạy — nhẹ máy, nên cần làm nét miệng
ffmpeg / loudnorm	Công cụ dựng video / bộ lọc chuẩn hoá âm lượng
LUFS	Đơn vị độ to cảm nhận; -14 LUFS là mức YouTube khuyến nghị
Vùng an toàn	Vùng đặt phụ đề để không bị che

🧪 Tự kiểm tra

1. Vì sao sau khớp khẩu hình cần làm nét vùng miệng?
2. Claude dùng công cụ gì để ghép và chuẩn âm lượng, và về mức bao nhiêu?
3. Claude kiểm được gì ở bản cuối, và việc gì chỉ mắt người làm được?

Tóm lại

Ba bước cuối biến các cảnh rời thành video sẵn đăng, đều do Claude điều phối: khớp khẩu hình (LatentSync inference.py, 256px rồi làm nét — nhớ tắt app nặng cho đủ RAM), dựng bằng ffmpeg (ghép theo trục thời gian, phụ đề vùng an toàn, -14 LUFS), và kiểm duyệt rồi xuất (soát câu nhạy cảm, kiểm cụm từ cấm, xuất file + ảnh bìa). Claude bắt mọi lỗi đo/nhìn được, nhưng bạn xem hết một lượt trước khi đăng. Bài cuối: nâng cao & mẹo thực chiến — khổ 9:16, ghép quay màn hình, thư viện hành động và lỗi hay gặp.