Kinh nghiệm

Làm video YouTube minh họa bằng hoạt hình và animation với Hermes

Luồng mình đang dùng để làm video YouTube 12 phút với Hermes: mình viết kịch bản và thu giọng, Hermes cắt bản thu, vẽ hình, dựng hoạt hình và animation bằng code, ghép nhạc. Kèm mấy lỗi đã gặp, chi phí và gợi ý để bạn ráp luồng theo việc của mình.

1Viết kịch bản, tự thu giọng2Hermes dựng hình theo giọng3Duyệt từng đoạn, sửa bằng chữ
  1. 1Viết kịch bản, tự thu giọng
  2. 2Hermes dựng hình theo giọng
  3. 3Duyệt từng đoạn, sửa bằng chữ
Sơ đồ các bước chính của bài - minh họa biên tập, không phải ảnh chụp ứng dụng.
Mục lục15 mục

Mình mới làm kênh YouTube "còn xa lắm không?". Mỗi tập 8-12 phút, mình kể chuyện bằng giọng của mình, hình minh họa là hoạt hình 2D và animation: chữ viết tay hiện dần, sơ đồ, số liệu chuyển động. Tập đầu dài gần 12 phút. Mình không biết dựng phim, phần dựng gần như Hermes làm hết.

Bài này ghi lại luồng làm việc đó, mấy chỗ đã vướng và việc nào Hermes làm được. Bạn thấy phần nào hợp với việc của mình thì lấy, phần nào không thì bỏ.

Một khung trong tập đầu: chiếc xe màu be chạy qua cánh đồng lúa, nền núi mờ, trong xe có người lái và hai đứa trẻ ngồi sau, phụ đề 'Hôm đó thì mình có đi phượt cùng'.
Một khung trong tập 1. Nhân vật và phông cảnh do AI vẽ thành từng lớp riêng; xe, đường, chuyển động và phụ đề do Hermes viết code dựng.

Muốn xem kết quả trước thì tập 1 ở đây.

Vì sao mình làm theo cách này

Mình muốn làm video từ lâu nhưng ngại khâu dựng và edit. Viết kịch bản với thu giọng thì mình làm được. Còn cắt từng đoạn, căn phụ đề, tìm hình, chỉnh nhạc thì tốn thời gian, một video dài có khi mất cả tuần. Thế là ý tưởng cứ để trong sổ.

Thử giao phần dựng cho Hermes thì nó làm được. Mình giữ phần nội dung và giọng nói, phần còn lại để Hermes làm.

Lý do thứ hai là mình muốn có một việc thật để chia sẻ về AI. Nói "AI agent chạy lệnh được, tự kiểm kết quả được" thì nhiều người nghe xong vẫn không hình dung ra. Có một video làm bằng Hermes thì ai cũng mở ra xem được, thấy nó làm tới đâu và chỗ nào vẫn phải có người.

Luồng làm việc

Kịch bản → Thu giọng → Làm sạch bản thu → Vẽ hình → Dựng hoạt hình, animation → Âm thanh → Duyệt → Đóng gói

Mình chốt giọng trước rồi mới làm hình. Hình bám theo từng từ trong lời nói, nên nếu làm hình trước thì mỗi lần sửa một câu lại phải dựng lại cảnh đó.

Mình làmHermes làm
Chọn chủ đề, kể chuyện thậtViết nháp kịch bản, sửa theo góp ý
Thu giọngKiểm bản thu, chép lời, cắt câu vấp
Duyệt nhân vật và bảng cảnhVẽ hình, kiểm lỗi mặt và tay
Gửi nhạcDựng hoạt hình, animation bằng code, ghép nhạc, tiếng động, phụ đề
Xem, góp ý theo mốc giâySửa đúng chỗ, đo lại tiếng-hình trước khi báo xong

Hermes làm được mấy việc bên phải vì nó chạy ngay trên máy, có quyền chạy lệnh, đọc và ghi file. Máy của mình là một mini PC để ở nhà (cách cài ở bài này). Góp ý thì mình gõ chữ trong chat, không mở phần mềm dựng phim nào.

Từng bước

1. Kịch bản

Hermes viết lời nói đầy đủ, chia chương, ghi chú cảnh cho từng đoạn và ghi nguồn cho số liệu. Bản nháp được đẩy lên Notion để mình sửa trên điện thoại, sửa xong thì Hermes kéo bản cuối về.

Mấy bản đầu mình để Hermes tự nghĩ mạch ý, đọc thì trôi nhưng giống bài luận. Tới khi mình kể một chuyện có thật thì kịch bản mới có cái để bám vào.

2. Thu giọng và làm sạch

Có file thu là Hermes kiểm thông số trước, rồi chép lời có mốc thời gian cho từng từ, cắt chỗ nói lại và khoảng lặng dài. Mình duyệt trên bản chữ, đỡ phải nghe đi nghe lại.

Chỗ này hay lỗi. Chất lượng thu không đều giữa các lần, mic nối nhầm chế độ là mất hết âm cao. Mốc thời gian của vài dịch vụ chép lời lệch so với tiếng thật nên phụ đề hiện sớm. Máy chép lời còn hay nghe nhầm từ đồng âm, nên phụ đề phải đối chiếu lại với kịch bản.

3. Vẽ hình

Ảnh được tạo qua gói ChatGPT mình đang trả (đi đường Codex nên không mất thêm tiền API, cách nối ở đây). Lần nào vẽ Hermes cũng gửi kèm ảnh nhân vật gốc để giữ đúng người, vẽ xong thì phóng to mặt và tay lên kiểm.

Mình không cho vẽ nguyên cảnh. Nhân vật vẽ riêng trên nền xanh trơn, phông cảnh vẽ riêng, Hermes tách nền rồi xếp thành từng lớp. Cả tập dùng khoảng một chục lớp ảnh.

Trên: nhân vật người lái xe được vẽ riêng trên nền xanh lá trơn, bên cạnh là một phông cảnh đồng lúa và núi. Dưới: một khung trong video sau khi ghép lớp, có xe, đường, hai đứa trẻ ngồi sau và phụ đề.
Trên: hai lớp rời do AI vẽ. Dưới: khung hình sau khi ghép. Chiếc xe do Hermes vẽ bằng code.

AI vẽ hay tự thêm chi tiết lạ như mọc mũi, thừa tay, còn chữ tiếng Việt thì viết sai. Cho chạy nhiều ảnh một lúc cũng dễ bị quá giờ.

4. Dựng hoạt hình và animation bằng code

Hermes viết chương trình Python vẽ từng khung hình rồi dùng ghép lại thành video. Xe chạy, mây trôi, chữ viết tay hiện dần, sổ tay lật trang đều là code. Chữ, sơ đồ và số liệu cũng vẽ bằng code nên không bị sai chính tả như khi để AI vẽ.

Trang sổ tay kẻ dòng, có lề đỏ, chữ viết tay: 'không phải nhìn sắc mặt ai', 'không phải nói bận khi bạn bè rủ', kèm hình vẽ nhỏ laptop với cốc cà phê và điện thoại.
Sổ tay viết tay hiện dần theo lời nói, dựng hoàn toàn bằng code.

Bản đầu nhìn vẫn ra video AI. Mình phải sửa mấy chỗ:

  • Ảnh tĩnh mà chỉ phóng to, lia ngang thì giống slideshow. Tách lớp và cho mỗi lớp trôi một tốc độ khác nhau thì cảnh mới có chiều sâu.
  • Chuyển động trơn quá. Hạ xuống khoảng 12 hình mỗi giây, giống hoạt hình vẽ tay, nhìn tự nhiên hơn.
  • Phụ đề đặt trong hộp bo góc nhìn như template, mình đổi sang chữ trơn viền mảnh.
  • Lỗi bố cục: chữ đè lên hình, đồ vật rơi khỏi mặt đường, phụ đề chạm vào nội dung.
Cảnh hồi tưởng tông màu phim cũ: một người mẹ và đứa con ngồi trên xe khách, nhìn ra cửa sổ thấy đường đèo và núi.
Cảnh hồi tưởng: tông phim cũ, vào ra bằng hiệu ứng lật trang, cũng là code.

Mình có thử model tạo video (H3 trên fal) cho vài cảnh nhân vật cử động, kết quả khá ổn. Tập này chưa cần tới nên mình để dành.

5. Âm thanh

Nhạc nền là nhạc của mình, mỗi chương một bài, đoạn có lời thì nhạc tự nhỏ xuống. Hermes tạo thêm tiếng động khớp với chữ trong lời nói (ElevenLabs qua fal) và tiếng nền theo cảnh. Tập 1 có khoảng 25 tiếng động.

Có lần tiếng bị lệch hình, do giọng được ghép chung một lượt với nhạc và mấy chục tiếng động. Hermes sửa bằng cách xuất riêng phần giọng trước rồi mới trộn. Từ đó, trước khi báo xong, nó đo độ lệch trên file đã xuất.

6. Duyệt

Trước khi vẽ cho một chương, Hermes gửi bảng cảnh: câu nào đi với cảnh nào, cần mấy ảnh, có tốn tiền không. Mình duyệt xong nó mới làm. Dựng xong chương nào mình xem chương đó, góp ý theo mốc giây, Hermes sửa và chỉ render lại cảnh bị góp ý.

Có lần sửa chỗ này lại hỏng chỗ khác, mất luôn cảnh mình đã ưng. Sau lần đó mình thêm luật: trước khi sửa phải nói rõ cảnh nào sẽ đổi, cảnh nào giữ nguyên.

Một cảnh đồ họa có tiêu đề 'cần thêm bao nhiêu thì đủ?', ghi nguồn Michael Norton, Harvard Business School, vẽ ba người đứng trên các chồng đồng xu cao dần.
Cảnh đồ họa dẫn nghiên cứu. Nguồn của số liệu được ghi ở phần mô tả video.

7. Đóng gói

Hermes xuất bản 1080P và 2K, viết tiêu đề, mô tả, chia chương YouTube theo mốc trong bản dựng, làm vài mẫu ảnh bìa và cắt mấy đoạn ngắn để giới thiệu. Hashtag thì nó mở trang hashtag trên YouTube ra xem đang có những video gì rồi mới chọn.

Bấm đăng thì mình tự làm.

Chi phí

Mình đặt trần 10-15 USD mỗi tập, chưa tính các gói đang trả hằng tháng. Tập 1 tốn ít hơn thế nhiều:

Phần việcDùng gìTốn thêm
Kịch bản, code dựng hình, điều phốiHermes, model qua gói Claude đang cóTrong hạn mức gói
Vẽ hìnhGói ChatGPT, qua CodexTrong hạn mức gói
Chép lời từng từElevenLabs Scribe qua fal0,03 USD/phút theo bảng giá fal
Tiếng độngElevenLabs Sound Effects qua fal0,002 USD/giây, cả tập chưa tới 1 USD
Thử model tạo videoH3 qua falVài clip thử, dưới 1 USD

Cộng lại, phần trả thêm cho tập 1 khoảng vài USD. Con số này mình tính từ bảng giá và số lần chạy, chưa đối chiếu hóa đơn. Mất nhiều nhất là thời gian ngồi xem và góp ý. Gói tháng cũng có hạn mức, mỗi lần sửa cảnh là một lượt viết lại code và render.

Tập sau làm nhanh hơn

Mỗi lần mình góp ý, Hermes ghi lại vào làm video: phụ đề tối đa bao nhiêu chữ một dòng, không dùng hộp phụ đề, kiểm bản thu trước khi cắt, đo tiếng-hình trước khi báo xong. Code dựng cảnh cũng được giữ lại để dùng tiếp.

Sang tập sau, Hermes đọc skill đó trước khi làm nên mình không phải nhắc lại từ đầu. Với mình, đây là chỗ khác nhiều nhất so với chat với AI trong một cửa sổ chat thông thường.

Ráp luồng theo việc của bạn

Luồng này hợp với mình vì mình thích kể chuyện, có sẵn nhạc và chịu ngồi duyệt từng chương. Bạn làm việc khác, ít thời gian hơn hay thích kiểu video khác thì luồng của bạn cũng nên khác.

Trước khi bắt đầu, bạn thử trả lời mấy câu này:

  • Phần nào mình muốn tự làm, phần nào ngại? Phần ngại thì giao cho Hermes. Mình giữ giọng nói, giao phần dựng.
  • Mình đang có sẵn gì: bài viết, ảnh chụp, file quay màn hình hay ghi chú họp? Bắt đầu từ thứ có sẵn thường nhẹ nhất.
  • Ai xem, xem ở đâu? Video 12 phút trên YouTube với clip 30 giây trên Reels cần hai luồng khác hẳn nhau.
  • Làm một lần hay làm đều? Làm một lần thì cứ làm tay. Làm hằng tuần thì nên nhờ Hermes làm thành mẫu.

Từng bước trong luồng của mình cũng thay được:

BướcCách mình làmBạn có thể thay bằng
GiọngTự thuGiọng AI cho bản nháp; thu theo từng đoạn ngắn; phỏng vấn hai người
HìnhẢnh AI vẽ theo lớp + codeẢnh chụp thật của bạn; quay màn hình; slide; sơ đồ thuần code; vài cảnh model tạo video
Kiểu minh họaHoạt hình 2D và animationBảng trắng vẽ tay; chữ động; tin tức tóm tắt; video hướng dẫn phần mềm
Khung hình16:9, 12 phút9:16 dưới 60 giây cho Shorts/Reels; cắt video dài ra nhiều đoạn ngắn
Âm thanhNhạc của mình + tiếng độngThư viện nhạc miễn phí bản quyền; không nhạc, chỉ giọng
DuyệtTừng chươngDuyệt kịch bản rồi để Hermes làm trọn một clip ngắn
Lặp lạiMỗi tập một chủ đềMẫu cố định cho chuỗi video giống nhau, chỉ đổi nội dung

Vài cách bắt đầu nhẹ hơn:

  • Từ một bài blog: nhờ Hermes rút ra 5 ý, dựng clip chữ động 45 giây có phụ đề.
  • Từ file quay màn hình và lời thu: cắt chỗ thừa, phóng to chỗ đang bấm, thêm chú thích để ra video hướng dẫn.
  • Từ một thư mục ảnh chuyến đi và một bài nhạc: chọn ảnh, xếp theo nhịp nhạc, thêm tên địa điểm.
  • Từ video dài có sẵn: tìm 3 đoạn đáng xem, cắt dọc 9:16, thêm phụ đề làm Shorts.

Bạn cũng có thể thử những kiểu ít ai làm, như ghi chú họp thành video tóm tắt cho cả nhóm, nhật ký trekking thành phim ngắn, bài giảng thành chuỗi clip một phút.

Không cần nghĩ ra cả luồng ngay từ đầu. Nói với Hermes bạn có gì và muốn ra cái gì, rồi để nó đề xuất:

Mình muốn làm video <loại video, độ dài, khung hình> từ <đầu vào mình có: giọng, ảnh, bài viết, quay màn hình...>.
1. Kiểm máy đã có công cụ cần thiết chưa (ffmpeg, Python...); thiếu thì cho mình xem lệnh cài trước khi chạy.
2. Đề xuất 2-3 luồng khác nhau (ví dụ một luồng nhanh, một luồng kỹ, một luồng lạ mình chưa nghĩ tới), mỗi luồng ghi rõ:
   bước nào bạn tự làm, bước nào cần mình duyệt, bước nào tốn tiền và ước bao nhiêu. Chờ mình chọn.
3. Làm thử một bản ngắn khoảng 30 giây trước. Trước khi gọi dịch vụ trả phí nào thì báo mình và chờ đồng ý.
4. Trước khi báo xong: tự xem lại vài khung hình, kiểm phụ đề và độ khớp tiếng-hình trên file đã xuất.
5. Ghi những gì mình góp ý vào một skill làm video để lần sau dùng tiếp.

Xem bản thử, chỗ nào chưa ổn thì nói thẳng. Sửa vài lần là bạn có một luồng hợp với mình. Luồng của mình bây giờ cũng đã khác nhiều so với bản thử đầu tiên.

Những chỗ cần cẩn thận

  • Nhạc phải có quyền dùng. Nhạc tải trên mạng về đăng YouTube dễ dính bản quyền.
  • YouTube yêu cầu gắn nhãn khi nội dung AI trông giống thật. Hoạt hình thì rõ là không giống thật, dùng AI viết kịch bản hay làm phụ đề cũng không phải gắn. Riêng nhạc do AI tạo thì phải công bố. [1]
  • Từ 15/7/2025, YouTube không cho kiếm tiền với nội dung lặp lại hoặc sản xuất hàng loạt, gọi chung là "nội dung không chân thực". Giọng thật và kịch bản tự viết giúp video không bị xếp vào nhóm này. [2]
  • Không dùng giọng hay hình của người khác khi chưa được họ đồng ý.
  • Kiểm số liệu trước khi đưa lên hình. Hermes có ghi nguồn, nhưng người đăng mới là người chịu trách nhiệm.
  • Khóa API của fal hay dịch vụ khác để trong file .env, đừng dán vào chat, và nhớ đặt giới hạn chi tiêu trên tài khoản.

Bạn ráp được luồng khác, kể cả không phải làm video, thì chia sẻ ở phần bình luận cuối bài cho mọi người cùng xem. Thử mà vướng chỗ nào cũng hỏi ở đó, nhớ che khóa API và thông tin cá nhân khi dán lỗi.

Tài liệu tham khảo

Các trang dưới đây được mở lại ngày 25/10/2026. Giá dịch vụ có thể thay đổi, kiểm lại trước khi dùng.

  1. YouTube: Công bố việc sử dụng nội dung dựa trên AI tạo sinh
  2. YouTube: Chính sách về việc kiếm tiền trên kênh YouTube
  3. fal: ElevenLabs Speech to Text
  4. fal: ElevenLabs Sound Effects V2
  5. FFmpeg
  6. còn xa lắm không? - Tự do còn xa lắm không? | km 01
  • Đức Trung · congdongai.org

Bạn đã thử xong chưa?

Kể mình nghe bạn làm đến bước nào, kết quả ra sao hoặc chỗ đang vướng ở phần bình luận ngay bên dưới. Nhớ che khóa, mật khẩu và thông tin riêng tư.

Bình luận

Đang tải bình luận…

Đăng nhập bằng Google để tham gia bình luận và hỏi đáp cùng cộng đồng.