Dựng video bằng Claude Opus 5.5: 5 bước và 4 cái bẫy

1. 15 giây showreel từ đúng một câu lệnh

Thanh Trần mở video bằng một đoạn showreel ngắn khoảng 15 giây. Đoạn này không có ai ngồi kéo thả gì trong phần mềm dựng phim cả. Anh chỉ gõ đúng một câu cho Claude, rồi đi ngủ. Câu đó là:

Làm một video mười lăm giây khoe tay nghề dựng hình của bạn, chơi hết sức.

Xem lại đoạn showreel, có thể thấy những hiệu ứng khá công phu: những hạt sáng xoáy thành một hình ba cánh, một khối kim loại lỏng óng ánh, một viên kim cương lấp lánh bảy màu, và cảnh mặt trời mọc trên biển. Showreel chia thành các phần có nhãn ở góc dưới như "ĐIỂM", "KHỐI", "KHÔNG GIAN", "THẾ GIỚI", với dòng chữ "CLAUDE · SHOWREEL 2026" ở góc trên. Thậm chí có cả nhạc, và tất cả những thứ đó Claude tự viết bằng code. Nhìn cũng khá đẹp, đúng không?

2. Cái giá ít người kể: hơn 2 tiếng, khoảng 36 đô

Nhưng đằng sau đoạn video đó có những phần mà rất ít người nói tới. Thứ nhất, 15 giây ấy Claude chạy mất hơn 2 tiếng đồng hồ. Nếu tính theo giá API thì vào khoảng 36 đô. Phần mô tả video ghi số đo cụ thể: Opus 5.5 ở mức Max, thư mục trống, đúng một câu lệnh, chạy ngày 05/10/2026, mất 127,6 phút; quy theo giá API của Opus 5.5 tra cùng ngày là 35,99 đô. Anh cũng nói rõ trong phần mô tả rằng showreel chỉ chạy một lần, nên con số đó là của đúng lần chạy ấy; dùng gói tháng thì không mất thêm tiền, chỉ hết lượt dùng nhanh hơn.

Quan trọng hơn nữa: toàn bộ kênh của anh đã dùng AI để dựng video từ đầu năm nay, tức là khoảng 6 đến 7 tháng, với hơn 30 video. Và anh khẳng định không có một video nào hoàn thiện được chỉ bằng một câu lệnh. Một câu lệnh cho bạn thứ để đi khoe. Còn một video đăng được, dùng được thì cần cả một quy trình, và hôm nay anh mở toàn bộ quy trình đó ra.

Sau video này, người xem sẽ nắm được ba vấn đề. Thứ nhất, AI dựng video thực ra đang làm gì; hiểu chỗ này rồi thì khi thấy nó sai, bạn biết phải sửa ở đâu. Thứ hai, năm bước để đi từ một đoạn quay thô đến một video hoàn chỉnh. Thứ ba, bốn cái bẫy mà anh đã dính, mỗi cái tốn của anh vài buổi tối để khắc phục; anh kể luôn để người xem khỏi phải dính lại.

3. AI không vẽ video, nó viết code

Trước hết anh giải thích chỗ mà nhiều người hiểu nhầm nhất. Nghe đến cụm từ "AI dựng video", có phải bạn nghĩ ngay đến những công cụ gõ chữ ra cảnh quay? Ở đây không phải vậy. Claude không vẽ ra một khung hình nào cả, nó viết code.

Với cái showreel lúc nãy, Claude tự chọn cách viết code đồ hoạ chạy thẳng trên card màn hình, và viết luôn cả nhạc. Màn hình cho thấy nhật ký làm việc của Claude Code trong lần chạy đó: nó ghi một file shader tên ocean.frag dài 201 dòng, mở đầu bằng chú thích "Shot 5 - open ocean at sunrise", mô tả bầu trời tán xạ Rayleigh và Mie, mặt biển là tổng của các con sóng tính bằng raymarching. Tiếp theo nó ghi file scenes/ocean.py cho cảnh thứ năm ("skimming a procedural ocean into the sunrise; the title lands here"), rồi chạy một lệnh Bash để render sáu khung xem trước của cảnh mặt trời mọc, kể cả dòng tiêu đề cuối.

Còn những video anh đăng hàng tuần thì đơn giản hơn nhiều. Chỉ là đúng những loại code dùng để làm trang web. Mỗi dòng chữ, mỗi logo, mỗi tấm ảnh là một món đồ trên trang.

4. Hình dung như một sân khấu múa rối, và Hyperframes

Sau đó Claude viết thêm một kịch bản, kiểu như: giây thứ 2 thì dòng chữ này bay vào từ phía bên trái, giây thứ 3 thì logo xoay nửa vòng. Nó khá giống việc bạn hình dung một sân khấu múa rối: con rối là những món đồ trên trang, còn kịch bản ghi giây nào thì con nào làm việc gì.

Rồi có một cái máy quay chụp sân khấu đó khoảng 30 lần mỗi giây, sau đó ghép các tấm chụp lại thành video. Cái máy quay ấy chính là một công cụ miễn phí mà anh dùng, tên là Hyperframes (phần mô tả ghi rõ đây là công cụ mã nguồn mở của HeyGen).

5. Hai cái lợi, và vì sao bây giờ mới là Opus 5.5

Vì sao anh phải giải thích những điều này? Vì biết được nó thì có hai cái lợi rất lớn.

Thứ nhất, bạn sửa được từng chi tiết. Ví dụ một dòng chữ bị sai màu thì chỉ cần sửa đúng một dòng code, chứ không phải làm lại cả cảnh như với những công cụ tạo video bằng chữ kia.

Thứ hai, phong cách có thể đóng gói lại được. Một kiểu video đẹp mà bạn đã chỉnh xong thì có thể cất đi, lần sau gọi ra dùng tiếp.

Còn lý do vì sao rất nhiều người hỏi mà bây giờ anh mới làm video này: ngày 22 tháng 9 vừa rồi, Anthropic ra Claude Opus 5.5. Anh đã dùng mấy đời Claude trước để dựng hình rồi, nhưng khác biệt lớn nhất của bản Opus 5.5 không nằm ở chỗ nó làm đẹp hơn, mà ở chỗ nó đã biết tự kiểm tra bài của mình. Đến bước thứ 5, anh sẽ cho người xem thấy tận mắt.

Trước khi vào phần demo các bước chi tiết, anh có lời nhắn rằng khá nhiều người đã xem và like video nhưng chưa theo dõi kênh, và mời họ đăng ký.

6. Bước 1: bóc lời kèm thời điểm của từng chữ

Trước khi làm bất kỳ điều gì khác, hãy bảo Claude chuyển giọng nói trong video thành chữ, kèm thời điểm của từng chữ.

Tại sao? Vì hiệu ứng phải bay vào đúng lúc bạn nói. Ví dụ bạn nói "có 3 lý do" thì con số 3 phải hiện lên ngay lúc đó, chứ không phải nửa giây sau.

Có hai loại công cụ bóc lời. Một loại trả tiền theo giờ, chạy trên máy chủ và nhanh. Loại kia là Whisper, miễn phí và chạy ngay trên máy của bạn. Anh dùng Whisper.

7. Whisper chậm hay nhanh? Số đo thật

Rất nhiều người nói Whisper chậm. Theo anh, điều đó đúng nếu bạn chạy bằng bộ xử lý thường (CPU). Ví dụ với một video chỉ khoảng 7 phút, máy của anh bóc lời mất khoảng 27 phút. Nhưng khi chuyển sang chạy bằng card đồ hoạ thì cũng video ấy chỉ còn 4 phút, nhanh hơn đến 7 lần.

Vì vậy, riêng với chuyện dùng AI để dựng hình, ai có máy mạnh, card mạnh thì đó là một lợi thế lớn. Anh vừa đo lại với đúng 1 tiếng audio thì chỉ hơn 11 phút là xong, và tất nhiên không tốn đồng nào. Phần mô tả ghi chi tiết: faster-whisper large-v3, 1 giờ audio hết 11,4 phút trên card RTX 2070 SUPER; con số 27 phút và 4 phút là cho một video 7 phút, đo hồi tháng 8; tốc độ Whisper phụ thuộc card đồ hoạ của bạn.

Một chỗ cần cẩn thận: nếu video của bạn nói lẫn tiếng Việt với tiếng Anh thì bản bóc lời sẽ sai vài từ chuyên ngành. Nhưng đây không phải vấn đề lớn, vì ta chỉ cần nó biết đúng giờ, không cần nó đúng chính tả từng chữ.

Nếu có thể, anh khuyên người xem dừng video lại và thử bước này luôn: lấy một đoạn quay sẵn, rồi bảo Claude bóc lời kèm thời gian của từng chữ.

8. Bước 2: cắt, với ba luật

Sang bước thứ 2 là cắt. Ai cũng thế thôi: khi quay sẽ có những chỗ vấp, những chỗ phải nói lại, những chỗ im lặng. Chính bảng chữ ở bước 1 giúp AI nhìn thấy toàn bộ những chỗ này. Nhưng nếu bạn chỉ bảo "cắt chỗ thừa đi" thì đôi khi nó sẽ cắt mất những câu bạn muốn giữ. Vì vậy anh đã viết ba luật vào câu lệnh cắt, và gọi đây là ba luật đáng giá nhất.

Luật thứ nhất: câu nào nói nhiều lần thì giữ lần cuối, vì lần cuối thường là lần mượt nhất, lúc mình đã nói trơn rồi.

Luật thứ hai: trước khi cắt, đưa mình đọc toàn bộ phần chữ sẽ giữ lại; khi nào mình đồng ý thì mới cắt. Lý do: đọc chữ chỉ mất khoảng 2 phút, còn xem lại video thì mất khoảng 20 phút.

Luật thứ ba, quan trọng nhất: chỉ được bỏ đi, không được sắp xếp lại, không được sửa lời mình nói. AI rất thích làm cho câu chuyện hay hơn bằng cách đảo thứ tự, và chỉ cần đảo một lần thôi là giống như bạn đang nói một điều mà bạn chưa hề nói.

9. Đừng dán API key vào khung chat

Thêm một điều nhỏ mà mọi người hay bỏ qua: nếu bạn dùng những dịch vụ bóc lời mất phí và có API key, đừng dán key đó vào khung chat với Claude. Thay vào đó, bảo Claude tạo một file trống, một file .env. Sau đó bạn tự điền key của mình vào đấy. Khi nào cần, Claude sẽ vào file đó để đọc.

Câu lệnh cắt đầy đủ, bản tiếng Việt, anh để ở bình luận ghim dưới video để người xem chép và dùng lại được luôn.

10. Bước 3: lên nhịp, bạn là đạo diễn

Bước thứ 3 là lên nhịp, tức là tạo những beat, những cảnh chuyển cảnh cho video. Đây chính là chỗ bạn làm đạo diễn. Bạn không cần biết dựng phim, chỉ cần nói rõ bạn muốn gì ở chỗ nào.

Anh kể nội dung một câu lệnh thật mà anh hay dùng. Không phải kiểu "làm cho đẹp", mà cụ thể từng chỗ:

• khi mình nói tới con số này thì hiện nó thật to ở bên trái;
• khi mình chỉ tay sang phải thì logo hiện ở bên phải;
• sau chữ thì nên đặt một tấm kính mờ, nếu không sẽ rất khó đọc;
• và luôn có một câu cuối: mặt mình không bao giờ bị che.

Câu cuối nghe thì hiển nhiên, nhưng nếu bạn không nói, nó sẽ che mặt bạn ở một số chỗ. Điều này anh dính suốt. Trên màn hình lúc đó ghi: "không nói câu đó → nó che thật".

11. Đừng xuất cả video chỉ để xem một cảnh

Tiếp theo là một số bài học anh đã gặp và trả giá khá đắt ở bước này. Với những video ngắn khoảng 2 đến 3 phút, anh soi các cảnh và các dòng chữ kỹ hơn. Trước đây, mỗi lần muốn xem thử một cảnh, anh cho xuất cả video, thường mỗi lần khoảng 17 đến 20 phút, có lần lên tới cả tiếng đồng hồ. Xem xong mà phát hiện sai một chữ thì phải sửa rồi xuất lại; có khi cả buổi chiều mất 4 đến 5 tiếng chỉ để sửa vài cảnh rất nhỏ. Màn hình tóm vòng lặp này là "sai một chữ → sửa → xuất lại".

Bây giờ anh làm kiểu khác. Trước khi xuất, anh bảo Claude chụp đúng một khung hình của cảnh đó, hoặc ghép nhiều phương án, rất nhiều khung hình vào cùng một tấm ảnh. Việc này chỉ mất khoảng 20 đến 30 giây, anh duyệt bằng mắt xong thì mới yêu cầu nó xuất video. Dân làm phim gọi đó là storyboard, tức là duyệt bản nháp trước khi quay thật. AI không thay đổi nguyên tắc đó, nó chỉ làm bản nháp nhanh hơn rất nhiều.

Ở bước này bạn có thể thử: viết 3 yêu cầu thật cụ thể cho đoạn video của mình, rồi bảo Claude chụp mỗi khung lại trước khi xuất.

12. Bước 4: phong cách riêng, không phải phong cách mặc định

Bước thứ 4 là bước phân biệt video của bạn với hàng nghìn video AI khác. Nếu để AI tự chọn phong cách thì nó sẽ lấy phong cách mặc định, mà mặc định của nó thì ai dùng cũng giống nhau: nền tối, chữ trắng, gradient tím. Người xem chỉ cần lướt qua vài giây là bảo "à, AI làm".

Ngay cả Anthropic cũng nói thẳng trong hướng dẫn dùng Opus 5.5: bảo nó "đừng làm trông giống AI" là vô ích, vì nó chỉ đổi từ kiểu mặc định này sang kiểu mặc định khác. Ta cần nói cụ thể cấm cái gì, dùng cái gì.

Ví dụ trong tài liệu của Anthropic (không phải câu lệnh của anh) là một prompt liệt kê đích danh các mẫu cần tránh:

Output a vanilla HTML/CSS personal website with placeholder data. Do not use a cream or off-white background, italic accent words in headlines, numbered "01/02/03" section labels, monospace labels, or pill-shaped buttons.

Tài liệu còn dặn làm theo vòng lặp: xem kết quả đầu tiên đã dùng những kiểu nào, rồi bổ sung danh sách cấm nếu cần.

13. Đóng gói phong cách thành skill

Cách làm của anh như sau. Bạn thấy một video có phong cách mình thích thì tải về, rồi bảo Claude chụp nó thành một tờ ảnh ghép, mỗi giây một khung hình. Anh cho xem một tờ như vậy, chụp từ một đoạn video của chính kênh anh. Sau đó bảo Claude phân tích xem tại sao video này hay, từng giây một, và rút ra mấy luật bắt buộc. Ví dụ: có một chi tiết nhỏ xuất hiện từ đầu đến cuối, hay mọi cú cắt đều rơi đúng nhịp nhạc.

Và câu quan trọng nhất: đóng gói tất cả lại thành một skill. Skill có thể hiểu đơn giản là một tờ hướng dẫn mà Claude tự đọc mỗi lần làm việc đó. Lần sau muốn làm việc này, bạn chỉ cần gọi đúng tên skill.

Có skill dựng video dài, skill dựng video ngắn, skill minh hoạ. Mỗi lần anh chê một cảnh nào đó, lời chê được ghi thẳng vào skill. Cho nên video mà người xem đang xem được dựng bởi một Claude đã nghe anh chê cả trăm video rồi.

Thêm một chuyện vui: Claude có thể viết được cả tiếng động bằng code. Anh đã dùng thử nhưng khuyên là không nên, vì âm thanh tạo ra rất đơn sắc, nghe khá quê. Nên trong skill của anh có thêm một luật: hiệu ứng âm thanh phải dùng tiếng thật.

14. Bước 5: vòng tự kiểm của Opus 5.5

Bước 5 chính là lý do anh làm video này. Ngày trước, khi Claude dựng xong là nó báo luôn "xong rồi". Mở ra thì chữ lệch khung, tiếng thì bé xíu, có những cảnh bị chớp trắng. Tức là việc kiểm tra lại là việc của anh.

Rồi anh cho xem nhật ký mà Claude ghi lại khi dựng một cảnh 15 giây trên máy anh. Dựng xong, nó tự trích mấy chục khung hình ra xem, tự đo âm thanh, tự quét luôn cả 450 khung xem có khung nào bị đen hay bị cháy sáng không.

Máy kiểm tra xong báo không có lỗi nào, và tới đó là đủ để nó báo xong. Nhưng nó làm thêm một việc mà anh không hề dặn: xuất video lần thứ hai, rồi so từng khung với lần đầu tiên. Và nó phát hiện có 4 khung không khớp, ở quanh giây thứ 12. Khi phóng to ra thì dòng chữ bất ngờ bị nhoè. Nó cũng tự lần ra nguyên nhân là một hiệu ứng. Đến cuối, bản giao cho anh khác xa bản nháp số 1, tới mức không nhận ra nữa: cảnh đó được xuất tới 5 lần rồi mới đưa cho anh.

Nhưng anh nhắc: việc nó tự kiểm là để bạn đỡ việc, chứ không phải để bạn khỏi xem. Luật của anh vẫn giữ nguyên: trước khi giao thì chụp mỗi cảnh một khung, và mình phải mở ra xem bằng mắt mình, vì như phần sắp tới, có những lỗi mà máy kiểm tra không báo. Phần mô tả video cũng ghi rõ đoạn nhật ký này là một lượt chạy thật, không dựng lại; lượt khác nó có thể kiểm ít hoặc nhiều hơn.

Ở bước này, bạn có thể dừng lại và thử thêm vào cuối câu lệnh của mình:

dựng xong tự xem lại các khung hình, sửa đến khi ổn mới đưa cho mình.

Sau đó so sánh với kết quả khi không dùng câu đó.

15. Bẫy 1 và 2: thiếu khung chốt, chữ bị mặt che

Phần tiếp theo là bốn cái bẫy. Đây không phải lý thuyết, mà là những gì anh đã gặp thật và trả giá bằng thời gian thật.

Bẫy thứ nhất: thiếu khung chốt. Video gốc quay bằng điện thoại hoặc xuất từ phần mềm dựng rất hay thiếu khung chốt. Khung chốt là những khung hình đầy đủ mà máy dùng để tua tới đúng chỗ (dân kỹ thuật gọi là keyframe). Nếu thiếu, máy dựng chạy được khoảng 10 phút rồi tự huỷ mà không báo ra lý do rõ ràng. Cách sửa: trước khi đưa video vào, bảo Claude kiểm tra khung chốt; nếu thiếu thì xuất lại với 1 khung chốt mỗi giây.

Bẫy thứ hai: chữ bị mặt che. Máy kiểm tra sẽ báo không có lỗi nào, video xuất ra đầy đủ. Chỉ có điều ở cảnh đó dòng chữ nằm sau khuôn mặt, nên không ai thấy chữ. Cách sửa ở đây không có cách nào khác ngoài chụp các khung hình ra rồi kiểm tra lại bằng mắt. Đây chính là lý do anh nói ở bước 5 phía trên.

16. Bẫy 3 và 4: số liệu theo trí nhớ, để AI tự quyết bố cục

Bẫy thứ ba: AI viết số lên màn hình rất tự tin, như giá tiền, ngày ra mắt hay phần trăm. Nhưng nó viết theo trí nhớ, mà trí nhớ của nó có thể đã cũ, đã lỗi thời. Cách sửa: đưa vào một luật rằng số nào đưa lên màn hình cũng phải có nguồn dẫn chứng, và Claude phải tự tra trước khi dựng.

Bẫy thứ tư, cái đau nhất: có một video anh để AI tự quyết bố cục, và tới 8 trên 10 cảnh nó chia đôi màn hình, một nửa là mặt anh, một nửa là minh hoạ. Đoạn quay màn hình chạy lệch với lời anh nói. Chữ trong đó nhỏ tới mức không đọc được. Xem lại những bản đó, anh chỉ có một nhận xét: cực kỳ tệ. Trên màn hình lúc đó là cảnh so sánh hai khung, "đang hiện (sai)" và "đáng lẽ phải hiện", với ghi chú cho bản bị chê: lời nói đi trước màn hình cả chục giây.

Cách sửa: màn hình thao tác phải khớp đúng câu đang nói, phóng to đúng chỗ, khoanh lại những chỗ mình nhắc tới, và chỉ chia đôi màn hình khi thực sự cần. Những bộ luật đó giờ nằm trong skill, nên video sau không bị lặp lại nữa.

17. Video dài: xuất theo từng khúc

Có thêm một cái bẫy nữa anh cũng gặp, và anh tặng thêm cho những ai hay làm nội dung dài. Có một video dài 69 phút, anh cho xuất một lèo. Hỏng 3 lần, mỗi lần mất nửa ngày. Bây giờ với video dài, anh xuất theo từng khúc, sau đó mới ghép lại.

18. Tóm tắt và bài tập 30 giây

Anh tóm tắt lại video. Thứ nhất, AI không vẽ video mà viết ra video, nên cái gì ta cũng sửa được, và phong cách nào ta cũng cất đi dùng lại được. Thứ hai, có năm bước: một là bóc lời; hai là cắt theo ba luật; ba là lên nhịp và duyệt bằng một khung trước khi xuất; bốn là đóng gói phong cách thành skill; năm là để nó tự kiểm và ta xem lại bằng mắt. Thứ ba, một câu lệnh cho bạn thứ để đi khoe, còn một quy trình mới cho bạn một video đủ tốt để đăng.

Anh cho biết đã đóng gói toàn bộ project và skill dựng video của mình trong cộng đồng riêng của kênh, cho ai không đủ thời gian hoặc muốn tham khảo.

Nhưng trước khi dùng skill của anh, người xem có thể tự làm một bài tập nhỏ. Quay 30 giây, tự quay chính mình nói về công việc của bạn, quay bằng điện thoại cũng được. Sau đó dùng câu lệnh cắt anh ghim ở bình luận. Tiếp theo viết đúng 3 yêu cầu để lên nhịp, nhớ thêm câu "mặt mình không bao giờ bị che". Rồi yêu cầu Claude chụp các khung ra để kiểm tra trước khi xuất video cuối. Sau đó xem thử kết quả ra sao.

Nếu gặp vấn đề hay cần hỏi gì về việc edit video bằng AI, người xem có thể comment bên dưới, anh sẽ trả lời. Hẹn gặp lại ở video sau.