close

Cách làm phim ngắn AI 5 phút bằng Claude và MiniMax H3 với khoảng 100.000 đồng

Tác giả: vietnguyen Ngày đăng: 14/11/2026 Chuyên mục: Công cụ AI
Disclosure
Website Tino blog được cung cấp bởi Tino Group. Truy cập và sử dụng website đồng nghĩa với việc bạn đồng ý với các điều khoản và điều kiện trong chính sách bảo mật - điều khoản sử dụng nội dung. Tino Group có thể thay đổi điều khoản sử dụng bất cứ lúc nào. Việc bạn tiếp tục sử dụng Tino blog sau khi thay đổi có nghĩa là bạn chấp nhận những thay đổi đó.
Why Trust Us
Các bài viết với hàm lượng tri thức cao tại Tino blog được tạo ra bởi các chuyên viên Marketing vững chuyên môn và được kiểm duyệt nghiêm túc theo chính sách biên tập bởi đội ngũ biên tập viên dày dặn kinh nghiệm. Mọi nỗ lực của chúng tôi đều hướng đến mong muốn mang đến cho cộng đồng nguồn thông tin chất lượng, chính xác, khách quan, đồng thời tuân thủ các tiêu chuẩn cao nhất trong báo cáo và xuất bản.
Phim ngắn AI 5 phút, tiền tạo video khoảng 100.000 đồng với Claude và MiniMax H3

Bạn có thể làm một tập phim ngắn AI dài 5 phút, nhân vật biết nói chuyện, mà chỉ tốn khoảng 100.000 đồng tiền tạo video. Cách làm là ghép Claude (viết kịch bản, chia cảnh, soạn lệnh), một công cụ vẽ ảnh, mô hình video MiniMax H3 chạy trên RunningHub và CapCut thành một dây chuyền. Cùng khối lượng video đó, nếu chạy Seedance 2.5 theo giá chính hãng, chi phí lên tới khoảng 5 triệu đồng.

Bài này đi qua toàn bộ quy trình theo thứ tự làm thật: tiền kỳ (kịch bản, phân cảnh, hình nhân vật), tạo video trên RunningHub, giữ giọng nhân vật, sửa cảnh lỗi, hậu kỳ trên CapCut và cách làm hình đẹp hơn, kèm các mẫu lệnh tiếng Việt để bạn chép dùng. Bài khá dài, bạn có thể lưu lại và làm theo từng phần.

Trong bài này bạn sẽ biết:

Quy trình làm phim ngắn AI gồm 4 khâu

Làm phim ngắn AI theo cách này chia thành 4 khâu, mỗi công cụ giữ một vai trong đoàn phim. Bạn đóng vai nhà sản xuất: chọn câu chuyện, chọn cảnh đạt và quyết định bản cuối. Nguyên tắc xuyên suốt chỉ có một câu: chọn diễn viên trước, quay sau, dựng cuối cùng.

KhâuCông cụ gợi ýViệc chính
Biên kịch, phân cảnhClaude (hoặc DeepSeek)Viết kịch bản, chia cảnh, soạn lệnh cho từng đoạn video
Mỹ thuậtGPT Image trong ChatGPT, Jimeng hoặc Nano BananaVẽ nhân vật, bối cảnh, đạo cụ
Quay phim kiêm diễn viênMiniMax H3 trên RunningHubBiến hình ảnh thành video có lời thoại và âm thanh
Dựng phimCapCutGhép đoạn, phụ đề, âm thanh, chỉnh màu, xuất khung dọc
Sơ đồ 4 khâu làm phim ngắn AI: Claude, AI vẽ ảnh, MiniMax H3, CapCut

Quy trình này dùng được cho cả phim hoạt hình (2D, 3D) lẫn phim người thật mô phỏng; phong cách hình do bạn chọn trong lệnh. Nếu muốn so sánh với các lựa chọn khác, bài tổng hợp công cụ tạo video AI liệt kê theo từng nhu cầu.

Lộ trình khoảng 1 giờ cho đoạn phim 10 giây đầu tiên

Lần đầu, đừng làm ngay cả tập 5 phút. Hãy làm một đoạn khoảng 10 giây: một nhân vật, một bối cảnh, một câu thoại. Chạy thông một lần, bạn sẽ biết mỗi bước trông thế nào, rồi mới quay lại làm cả tập. Tổng thời gian khoảng 55 phút:

  1. Viết một câu thoại (5 phút): dùng mẫu lệnh kịch bản ở phần tiền kỳ nhưng chỉ yêu cầu một cảnh, một nhân vật, một hai câu thoại. Ví dụ: nhân vật đứng giữa sân thư viện cổ, thản nhiên nói “Thật ra, ta là thi tiên”.
  2. Tạo hai ảnh (15 phút): một ảnh nhân vật (toàn thân, chính diện, nền trắng, nhớ mô tả giày) và một ảnh bối cảnh không có người. Thẻ nhận diện, đạo cụ, phân cảnh để sau.
  3. Viết lệnh video (5 phút): đưa câu thoại và công dụng của hai ảnh cho Claude, dùng mẫu lệnh cho H3, chỉ viết một đoạn.
  4. Chạy trên RunningHub (20 phút): làm theo 6 bước ở phần dưới, chạy thử 5 giây trước, đạt mới chạy 10 giây. Một đoạn khoảng 100 xu RunningHub; bạn có thể dùng xu miễn phí tặng khi điểm danh hằng ngày để thử.
  5. Phụ đề và xuất trên CapCut (10 phút): nhập đoạn video, tạo phụ đề tự động, soát lại với câu thoại, xuất khung dọc 9:16.
Lộ trình 5 bước khoảng 1 giờ làm đoạn phim AI 10 giây đầu tiên

Làm xong đoạn này là bạn đã chạy thông cả quy trình. Phân cảnh, thẻ nhận diện, cảnh phản ứng, bảng dựng là những thứ chỉ cần khi phim dài hơn.

Bước 1 tiền kỳ: kịch bản, phân cảnh và chọn diễn viên

Nhiều người tạo video ngay, rồi mỗi đoạn nhân vật một khuôn mặt, cốt truyện không nối được. Vấn đề không nằm ở mô hình video mà ở tiền kỳ. Ở bước này bạn chỉ tốn tiền chữ và ảnh, sửa một chữ không mất gì; sang bước video, mỗi lần sửa là một lần tạo lại tốn tiền. Vấn đề nào giải quyết được ở đây thì giải quyết luôn ở đây.

Kịch bản: chỉ viết những gì máy quay ghi được

Mô hình video không hiểu “anh ấy rất buồn”, nó chỉ hiểu “anh ấy cúi đầu, ngón tay siết chặt vạt áo”. Kịch bản cho AI khác với truyện cho người đọc, cần nhớ ba điều:

  1. Đổi diễn biến tâm lý thành hành động, nét mặt hoặc độc thoại nội tâm. Không viết “thầy giám khảo trong lòng không phục”, mà viết “thầy giám khảo nheo mắt, chậm rãi vuốt râu”.
  2. Định dạng cố định, ghi rõ loại âm thanh. Cảnh, hành động, lời thoại, hiệu ứng âm thanh mỗi loại một cách viết. Lời nói trực tiếp, lời trong đầu và giọng của người không có trong khung hình phải tách riêng ngay từ kịch bản, để AI biết câu nào là hình, câu nào phải nói ra.
  3. Một tập 5 phút xoay quanh một xung đột chính. Xung đột xuất hiện trong 3 giây đầu, kết thúc dừng ở điểm gây tò mò. Tính khoảng 10 chữ thoại ≈ 2 giây, một tập cần khoảng 750–1.000 chữ thoại.

Mẫu lệnh kịch bản (gửi cho Claude hoặc DeepSeek):

Bạn là biên kịch phim ngắn, nắm rõ nhịp video ngắn trên mạng xã hội. Hãy chuyển câu chuyện dưới đây thành kịch bản một tập khoảng 5 phút.
Yêu cầu:
1. Đầu kịch bản liệt kê nhân vật xuất hiện trong tập.
2. Mỗi cảnh mở bằng tiêu đề: số cảnh, tên bối cảnh [trong/ngoài] [ngày/đêm], ví dụ: 1-1 Sân thư viện cổ [ngoài] [ngày].
3. Mỗi dòng hình ảnh, hành động bắt đầu bằng "△", chỉ viết những gì máy quay ghi được. Không viết "anh ấy nghĩ", hãy đổi thành hành động, nét mặt hoặc độc thoại nội tâm.
4. Lời thoại: Tên nhân vật: (cảm xúc/hành động) lời thoại. Lời trong đầu viết "Tên (độc thoại nội tâm):", người không có trong khung hình nhưng vẫn nghe tiếng viết "Tên (giọng ngoài khung):".
5. Âm thanh quan trọng viết là [Hiệu ứng âm thanh] ...
6. Tổng lời thoại 750–1.000 chữ. Xung đột xuất hiện trong 3 giây đầu, kết thúc dừng ở điểm gây tò mò, không hoà giải sớm.
7. Mỗi câu một dòng, chỉ xuất kịch bản, không giải thích.
Câu chuyện:
(dán đoạn truyện hoặc tóm tắt câu chuyện của bạn)

Mới có ý tưởng mà chưa có câu chuyện? Hãy nhờ Claude viết 3 bản tóm tắt khoảng 300 chữ, chọn một bản rồi dùng mẫu trên để chuyển thành kịch bản.

Phân cảnh: không bắt buộc với người mới

Kịch bản ghi “chuyện gì xảy ra”, phân cảnh ghi “khán giả nhìn thấy gì”: mỗi cảnh quay rộng hay hẹp, dài bao lâu, ai trong khung hình. Người mới có thể bỏ qua và viết lệnh video thẳng từ kịch bản; khi phim nhiều thoại, cần kiểm soát nhịp thì mới lập bảng phân cảnh. Bốn quy tắc cắt cảnh:

  1. Đổi người nói thì cắt: một hỏi một đáp không quay một cảnh từ đầu đến cuối, mà cắt qua lại giữa người nói và người nghe.
  2. Cảm xúc đổi thì cắt: từ bình tĩnh sang sửng sốt, từ sửng sốt sang tức giận, mỗi lần đổi là một cảnh.
  3. Hành động lớn chia ba bước: chuẩn bị, thực hiện, kết quả. Nhồi cả chuỗi hành động vào một cảnh, AI rất dễ làm loạn.
  4. Đổi bối cảnh, nhảy thời gian bắt buộc cắt, giữa hai cảnh chừa 1–2 giây chuyển cảnh.

Hai con số cần nhớ: lời thoại khoảng 10 chữ ≈ 2 giây, cảnh phản ứng của người nghe khoảng 1 giây. Lập xong bảng phân cảnh thì gộp 2–4 cảnh liên tiếp thành một “đoạn” 5–15 giây; bước tạo video sẽ làm theo từng đoạn.

Mẫu lệnh phân cảnh (gửi kèm kịch bản cho Claude):

Bạn là đạo diễn phân cảnh 20 năm kinh nghiệm. Hãy chia kịch bản dưới đây thành bảng phân cảnh.
Quy tắc cắt cảnh:
1. Đổi người nói thì cắt: người nói → phản ứng người nghe → người nói. Thoại dài cũng phải cắt sang người nghe giữa chừng.
2. Mỗi lần cảm xúc nhân vật đổi là một cảnh riêng.
3. Hành động lớn chia chuẩn bị → thực hiện → kết quả; hành động phức tạp chia 3–5 cảnh.
4. Đổi bối cảnh, nhảy thời gian bắt buộc cắt, giữa hai bối cảnh thêm 1–2 giây chuyển cảnh.
5. Không dùng cùng một cỡ cảnh cho 3 cảnh liên tiếp.
Thời lượng: toàn cảnh 3–4 giây, trung cảnh 2–3 giây, cận cảnh/đặc tả 2–3 giây; thoại khoảng 10 chữ ≈ 2 giây; cảnh phản ứng khoảng 1 giây; cao trào 3–5 giây; một cảnh không quá 10 giây.
Xuất bảng với các cột: Số cảnh | Thời lượng | Cỡ cảnh | Góc máy và chuyển động (đứng yên/đẩy/kéo/lia/theo) | Nội dung hình | Thoại và hiệu ứng âm thanh | Nhân vật trong khung.
"Nội dung hình" viết thành một đoạn gồm: phong cách hình, môi trường, vị trí nhân vật, hành động, nét mặt, ánh sáng, bố cục.
Sau bảng, gộp 2–4 cảnh liên tiếp thành một đoạn 5–15 giây, ghi rõ kiểu "Đoạn 1: cảnh 1–3".
Phong cách hình: (hoạt hình 3D / hoạt hình 2D / người thật, chọn một)
Kịch bản: (dán vào đây)

Hình nhân vật, bối cảnh, đạo cụ: chọn diễn viên trước khi quay

Ảnh tài sản chính là diễn viên, phim trường và đạo cụ của bạn. H3 nhận tới 9 ảnh tham chiếu cho một đoạn; ảnh đưa vào càng sạch, nhân vật ở các đoạn càng giống nhau.

  • Nhân vật (5 quy tắc): toàn thân, chính diện, nền trắng, hai tay buông xuôi, không cầm đồ, không biểu cảm; nhất định mô tả giày (không thì AI hay ra ảnh nửa người); ghi rõ chiều cao, dáng người, tuổi, khuôn mặt, kiểu tóc, trang phục hợp thời đại; nhân vật trưởng thành khoảng 8 đầu thân, phản diện cũng đừng xấu quá mức; quần chúng không cần thiết kế riêng.
  • Thẻ nhận diện nhân vật: khi đã chốt ngoại hình, làm thêm một tấm gồm chính diện, nghiêng, sau lưng toàn thân và vài biểu cảm, tư thế. Mô hình video nhờ đó nhận ra nhân vật ở mọi góc.
  • Bối cảnh (3 quy tắc): trong ảnh không có người; cùng phong cách hình với nhân vật; cảnh đối thoại cần ba ảnh: góc từ phía nhân vật A, góc ngược từ phía nhân vật B và một toàn cảnh thấy rõ vị trí mọi người.
  • Đạo cụ (2 quy tắc): nền trắng tinh, không có người; ghi kích thước thật, ví dụ “tách trà đường kính khoảng 8 cm, một tay cầm vừa”, nếu không trong video đạo cụ sẽ lúc to lúc nhỏ.

Dùng nhân vật do AI thiết kế, không lấy ảnh người thật, nhất là ảnh người nổi tiếng, làm tham chiếu: nền tảng có thể chặn và có rủi ro về quyền hình ảnh.

Mẫu lệnh lên danh sách tài sản (gửi kịch bản cho Claude):

Bạn là người thiết kế hình ảnh bằng AI. Dựa vào kịch bản dưới đây, liệt kê mọi nhân vật, bối cảnh, đạo cụ cần vẽ và viết lệnh tạo ảnh cho từng thứ. Chỉ viết lệnh, không tạo ảnh.
Nhân vật: toàn thân chính diện, nền trắng, hai tay buông tự nhiên, không cầm đồ, không biểu cảm. Ghi rõ chiều cao, dáng người, tuổi, khuôn mặt, mắt, kiểu tóc, màu tóc, trang phục và giày, hợp thời đại câu chuyện. Nhân vật trưởng thành khoảng 8 đầu thân, phản diện không xấu quá mức. Không viết quần chúng.
Bối cảnh: không có người. Cảnh đối thoại viết một góc chính và một góc ngược theo vị trí nhân vật, thêm một toàn cảnh thấy rõ vị trí mọi người.
Đạo cụ: nền trắng tinh, không bối cảnh, không người, ghi kích thước thật.
Phong cách: (hoạt hình 3D / hoạt hình 2D / người thật, chọn một). Mọi nhân vật, bối cảnh, đạo cụ giữ cùng một phong cách.
Kịch bản: (dán vào đây)

Mẫu lệnh làm thẻ nhận diện (gửi kèm ảnh nhân vật cho công cụ tạo ảnh):

Dựa vào ảnh nhân vật này, làm một thẻ nhận diện khổ 16:9, nền trắng hoặc trắng ngà, không bối cảnh, đạo cụ, hình mờ.
- Giữa lệch trái đặt một ảnh lớn chính diện toàn thân; xung quanh chừa khoảng cách, đặt ảnh sau lưng, nghiêng toàn thân, một tư thế ngồi, một tư thế ngồi xổm và 3 cận cảnh biểu cảm.
- Các ảnh không chồng lên nhau, không cắt mất mặt, tay, chân.
- Mọi góc giữ cùng khuôn mặt, kiểu tóc, trang phục và tỉ lệ cơ thể.
- Góc ảnh thêm một thẻ ngắn: tên, vai trò, từ khoá tính cách.
- Phong cách gọn, như trang thiết kế nhân vật của xưởng hoạt hình, không phải poster.

Mẫu lệnh tạo góc ngược từ ảnh bối cảnh góc chính:

Giữ nguyên phong cách hình, ánh sáng và cách bày trí của bối cảnh này, tạo khung hình nhìn từ hướng ngược lại: đổi chỗ trái phải, đổi chỗ trước sau; cửa và khung cảnh bên ngoài ở xa trước đây thay bằng một bức tường hợp với kiến trúc toà nhà. Trong ảnh không có người.

Kiểm tra 4 điều trước khi tạo video

  • Mỗi nhân vật chính đã có thẻ nhận diện chưa, các góc có cùng một khuôn mặt không?
  • Ảnh bối cảnh có lẫn người không?
  • Đạo cụ đã ghi kích thước chưa?
  • Tổng lời thoại có vượt 1.000 chữ không?

MiniMax H3 là gì?

MiniMax H3 là mô hình tạo video của MiniMax, ra mắt ngày 31/07/2026. Theo thông báo chính thức của MiniMax, hãng mở trọng số H3 ngày 03/08/2026; mô hình tạo video kèm âm thanh stereo gốc (lời thoại, hiệu ứng) trong một lần chạy, độ phân giải tới 2K, mỗi đoạn dài tới 15 giây.

  • Giữ nhân vật nhất quán: một đoạn nhận tới 9 ảnh tham chiếu, đưa được cả thẻ nhận diện, ảnh bối cảnh, ảnh đạo cụ.
  • Âm thanh tham chiếu: nhận tới 3 đoạn âm thanh mẫu để giữ giọng nhân vật giữa các đoạn.
  • Một quy trình, ba chế độ: tạo video từ ảnh tham chiếu (dùng hằng ngày); từ ảnh hoặc khung đầu – khung cuối (để vá cảnh); người số đọc theo một đoạn âm thanh (để khớp khẩu hình).

RunningHub là trang chạy quy trình ComfyUI trực tuyến: quy trình người khác dựng sẵn, bạn chỉ tải ảnh lên, điền lệnh là dùng được, không cần tự mua card đồ họa hay cài phần mềm. Lưu ý giấy phép: trọng số H3 phát hành theo giấy phép riêng của MiniMax (MiniMax H3 Community License) kèm điều kiện, không phải giấy phép mã nguồn mở thông thường; hãy đọc kỹ trước khi dùng thương mại.

Cách tính chi phí khoảng 100.000 đồng một tập

Nói thẳng: về chất lượng hình và chuyển động phức tạp, Seedance 2.5 mạnh hơn H3. Nhưng phim ngắn một tập 5 phút cần mấy chục đoạn, mỗi đoạn tạo nhiều lần mới chọn được bản đạt, nên chênh lệch đơn giá nhân lên thành khoản rất lớn. Cách tính với H3 trên RunningHub:

  • Gói hội viên chuyên nghiệp RunningHub đang giảm còn 99 tệ/tháng (giá gốc 159 tệ), chọn gói tặng 54.000 xu; 1 xu ≈ 0,0018 tệ.
  • Tạo một đoạn 5–10 giây khoảng 100 xu, tức khoảng 0,2 tệ (chừng 700 đồng).
  • Một tập 5 phút ≈ 50 đoạn (trung bình 6 giây), mỗi đoạn tạo 3 lần: khoảng 150 lượt, 15.000 xu, tức khoảng 27 tệ (khoảng 100.000 đồng).
  • Xu tặng của gói 99 tệ/tháng, tính theo cách này, làm được khoảng 3,5 tập, tức khoảng 18 phút phim.
Cách chạy (cùng 900 giây video)Độ phân giảiChi phíQuy đổi tham khảo
H3 trên RunningHub640P~27,5 tệ~100.000 đồng
Seedance 2.5 trên RunningHub (giá khuyến mãi lúc ra mắt tháng 8, ~0,49 tệ/giây)720P~440 tệ~1,6 triệu đồng
Seedance 2.5 trên Volcano Ark (giá mẫu chính hãng 7,56 tệ/5 giây, ~1,51 tệ/giây)720P~1.360 tệ~5 triệu đồng
Bảng so sánh chi phí tạo video 1 tập 5 phút giữa H3 và Seedance 2.5

Vì sao rẻ như vậy? API chính hãng của H3 tính theo giây: khoảng 0,5 tệ/giây ở 768P và 0,8 tệ/giây ở 2K, một đoạn 10 giây 768P đã khoảng 5 tệ. Quy trình trên RunningHub rẻ hơn nhiều vì ba lý do: dùng bản H3 lượng tử hoá INT8 do RunningHub phát hành, thêm các nút tăng tốc nên chạy nhanh; RunningHub tính tiền theo thời gian máy chạy, chạy càng nhanh càng rẻ; và video xuất ở 640P, nhỏ hơn 768P.

Muốn hình nét hơn: 0,2 tệ/đoạn là mức “dùng được” ở 640P. Với cùng một đoạn 10 giây có thể nâng thêm: mức tinh chỉnh (lần tạo đầu + phóng to, rộng 1920px, khoảng 185 xu, hơn 0,3 tệ) để đăng tác phẩm; mức cao nhất (lấy mẫu lại toàn đoạn, rộng 1920px, khoảng 795 xu, khoảng 1,5 tệ) cho cảnh quan trọng. Bài gốc còn ghi chú chưa xác nhận hai con số 185 và 795 xu đã gồm lần tạo đầu hay chưa, nên hãy coi đây là mức tham khảo.

Con số 100.000 đồng chỉ là tiền tạo video, chưa gồm phí hội viên, chi phí tạo ảnh và công sức. Giá nền tảng thay đổi liên tục: khi Tino kiểm tra trang chủ RunningHub ngày 14/11/2026, nền tảng đang giảm giá Seedance 2.5 còn 0,15 tệ/giây trong thời gian 10–20/11; tính theo mức đó, khoảng chênh lệch nhỏ hơn đáng kể so với 50 lần. Tỷ giá quy đổi trong bài khoảng 3.650 đồng/tệ.

Bước 2 tạo video: viết lệnh cho H3

Phim ngắn khác video AI thông thường ở chỗ nhân vật phải nói và cảnh này phải nối cảnh kia, nên lệnh cần chi tiết hơn nhiều so với “một người đang đi bộ”. Sáu quy tắc:

  1. Mỗi đoạn chỉ kể một việc: 5–15 giây, chỉ một hành động, một lần chuyển cảm xúc hoặc một câu thoại then chốt.
  2. Viết vị trí trước, hành động sau: ai bên trái, ai bên phải, cửa ở phía nào, đạo cụ trong tay ai. Không viết rõ, sang đoạn sau nhân vật sẽ “dịch chuyển tức thời”.
  3. Hành động nối tiếp cuối đoạn trước: đoạn trước đã đứng dậy thì đoạn này bắt đầu từ tư thế đứng.
  4. Giữ nguyên từng chữ lời thoại, viết âm thanh theo 3 loại: lời nói trực tiếp, độc thoại nội tâm, giọng ngoài khung. Không tách riêng, AI sẽ cho nhân vật mở miệng đọc to cả suy nghĩ.
  5. Đừng để máy quay dán mãi vào người nói: thoại dài thì hình đơ; giữa chừng cắt sang phản ứng người nghe, lời thoại không ngắt, mấy giây đó chuyển thành giọng ngoài khung. Không làm được trong một đoạn thì bù lúc dựng.
  6. Ghi rõ công dụng từng ảnh tham chiếu: trong quy trình RunningHub, gõ @ trong ô lệnh để chọn tư liệu, ví dụ “@Ảnh1 là khuôn mặt nhân vật A, @Ảnh2 là sân thư viện”, hiệu quả hơn ném hết ảnh vào.

Mẫu lệnh chuyển kịch bản hoặc bảng phân cảnh thành lệnh cho H3 (gửi cho Claude):

Bạn là đạo diễn phim ngắn kiêm kỹ sư viết lệnh video AI. Hãy chuyển kịch bản hoặc bảng phân cảnh dưới đây thành lệnh dùng trực tiếp cho MiniMax H3.
Quy tắc:
1. Mỗi đoạn 5–15 giây, chỉ một hành động, một lần chuyển cảm xúc hoặc một câu thoại then chốt. Khác bối cảnh, khác thời gian phải tách đoạn.
2. Mỗi đoạn mở bằng [Vị trí]: ai bên trái, ai bên phải, cửa ở phía nào, máy quay ở phía nào, đạo cụ chính trong tay ai, quay hướng nào.
3. Hành động nối tiếp cuối đoạn trước, không lặp lại hành động đã xong.
4. Giữ nguyên từng chữ lời thoại. Âm thanh viết theo 3 loại: X nói: "" / X độc thoại nội tâm: "" / X giọng ngoài khung: "". Mỗi câu ghi rõ giọng điệu.
5. Gọi tên tư liệu theo công dụng: @Ảnh1 = khuôn mặt X, @Ảnh2 = bối cảnh, @Ảnh3 = đạo cụ...; có mẫu giọng thì ghi @Âm thanh1 = giọng X.
6. Viết cụ thể ánh sáng và máy quay: cỡ cảnh, góc máy, đứng yên hay đẩy kéo; khi nói thoại máy quay đứng yên.
7. Âm thanh chỉ gồm lời thoại và hiệu ứng thấy được nguồn (tiếng bước chân, tiếng đóng cửa), không nhạc nền, không phụ đề.
8. Viết trước cho mỗi nhân vật có thoại một câu mô tả giọng cố định (tuổi, chất giọng, tốc độ), các đoạn sau chép y nguyên. Đoạn 5 giây tối đa một hai câu thoại.
Mỗi đoạn xuất theo mẫu:
[Đoạn X] (X giây)
[Tham chiếu] @Ảnh1: ... @Ảnh2: ...
[Vị trí] ...
[Hình] 0–X giây: cỡ cảnh, góc máy, chuyện gì xảy ra, nét mặt và hành động nhân vật.
[Âm thanh] X nói: "..." (giọng điệu); hiệu ứng: ...
[Cấm] không thêm người ngoài kịch bản, không có đồ vật hiện đại (phim cổ trang), đạo cụ không đổi tay, không biến mất, nhân vật không dịch chuyển, không đổi lời thoại, không phụ đề, không nhạc.
Kịch bản hoặc bảng phân cảnh: (dán vào đây)

Chạy H3 trên RunningHub trong 6 bước

  1. Đăng ký: mở runninghub.cn, đăng ký bằng số điện thoại. Điểm danh mỗi ngày được tặng xu miễn phí, hãy dùng xu này chạy thử trước.
  2. Chưa vội mua gói: chạy thông lộ trình 1 giờ bằng xu miễn phí, thấy hợp rồi mới mua gói 99 tệ. Gói tự gia hạn theo tháng, không muốn gia hạn nhớ tắt; xu tặng có hạn dùng, dùng không hết sẽ mất, đừng tích trữ.
  3. Mở quy trình H3: bên trái là 9 ô ảnh, 3 ô âm thanh và một ô bật/tắt; giữa là ô lệnh và tham số; khu chạy bên phải không cần đụng. Quy trình của bài gốc dùng nút mã nguồn mở ComfyUI-MiniMaxH3-Easy.
  4. Tải ảnh và giọng lên: số thứ tự ô ảnh chính là số @Ảnh trong lệnh. Ảnh 1: thẻ nhận diện nhân vật chính (lần đầu thì ảnh nhân vật là đủ); Ảnh 2: ảnh bối cảnh của đoạn, chỉ một ảnh; Ảnh 3 trở đi: nhân vật khác, đạo cụ chính hoặc toàn cảnh vị trí; Âm thanh 1: mẫu giọng nhân vật, chưa có thì không bật. Dùng bao nhiêu ô thì bật bấy nhiêu trong ô bật/tắt (mặc định chỉ bật Ảnh 1).
  5. Dán lệnh, chỉnh tham số: chế độ dùng hằng ngày chọn “tạo video từ tham chiếu”, vá cảnh chọn “ảnh hoặc khung đầu – khung cuối”, đã có sẵn audio thoại chỉ cần khớp khẩu hình chọn “người số”; dán lệnh xong dùng @ chọn lại từng tư liệu cho khớp; độ phân giải 640P; tỉ lệ đổi sang 9:16 (mặc định là 16:9); thời lượng lần đầu điền 5 giây.
  6. Chạy và tải về: góc trên bên phải có ba nút chạy ứng với ba mức máy, càng sang phải càng nhanh và càng đắt. Có kết quả thì xem khẩu hình và khuôn mặt trước, đạt mới tải. Đặt tên file theo “số đoạn-lần thứ”, ví dụ 03-2, để lúc dựng không bị lẫn.

Bẫy dễ dính: seed cố định. Seed (hạt giống ngẫu nhiên) trong quy trình được cố định, nghĩa là cùng ảnh, cùng lệnh thì chạy lại ra gần như y hệt. Muốn tạo bản khác thì đổi seed sang số khác; chỉ muốn chỉnh lệnh, giữ mọi thứ còn lại thì để nguyên seed.

Hai thói quen tiết kiệm tiền: chạy thử 5 giây trước, đạt mới chạy 15 giây; phim nhiều nhân vật thì chạy thử từng nhân vật một đoạn 5 giây, xác nhận đúng khuôn mặt rồi mới ghép nhiều người vào cảnh dài. Chạy ngay nhiều người trong 15 giây, hỏng một lần là mất trắng tiền lần đó.

Giữ giọng nhân vật nhất quán qua từng đoạn

Điểm hút khán giả nhất của phim ngắn là nhân vật biết nói. Nhưng đoạn này giọng thiếu niên trong trẻo, đoạn sau thành giọng chú trung niên trầm khàn thì người xem lập tức mất tập trung. Ba cách, từ dễ đến nâng cao:

  1. Cố định câu mô tả giọng, mỗi đoạn chép y nguyên. Ví dụ: “giọng nam khoảng hai mươi tuổi, trong, tốc độ đều, hơi bất cần”. Đừng mỗi đoạn đổi một cách nói.
  2. Đoạn đầu đạt thì cắt giọng làm mẫu tham chiếu. H3 nhận tới 3 đoạn âm thanh tham chiếu, và tài liệu tích hợp của H3 ghi rõ âm thanh tham chiếu dùng để giữ giọng một nhân vật giữa các đoạn. Cắt vài giây nhân vật nói (sạch, không tạp âm), đưa vào mọi đoạn sau, trong lệnh ghi “@Âm thanh1 là giọng nhân vật A”.
  3. Lồng tiếng trước, dùng chế độ người số để khớp khẩu hình. Dùng công cụ giọng nói tạo trước câu thoại (luôn cùng một giọng), chuyển sang chế độ người số và tải lên audio câu đó; H3 tạo hình và khẩu hình theo giọng này nên giọng không đổi. Chế độ này mỗi lần chỉ nhận một audio điều khiển.

Hai lưu ý: đừng nhồi nhiều thoại vào một đoạn, tài liệu H3 cho biết đoạn 5 giây hợp với một hai câu, thoại quá dài, giọng điệu không rõ hoặc đoạn quá ngắn đều dễ lệch khẩu hình; và chỉ dùng giọng của chính bạn hoặc giọng đã được cho phép, không lấy giọng người nổi tiếng hay người khác để nhân bản.

Sửa cảnh lỗi mà không làm lại cả video

Video AI chắc chắn có lỗi: tay thừa một ngón, đạo cụ bỗng to ra, người đang đi bỗng đổi mặt. Xử lý theo thứ tự tốn ít tiền nhất:

  1. Cắt được thì cắt: lỗi chỉ ở vài khung đầu hoặc cuối thì cắt bỏ, không tốn gì.
  2. Vá được thì vá: lỗi ở giữa đoạn thì chụp khung hình ngay trước chỗ lỗi, sửa bằng công cụ tạo ảnh (ví dụ đưa chiếc tách bị to về đúng cỡ), dùng làm khung đầu để H3 chỉ tạo lại đoạn ngắn đó (khoảng 0,2 tệ). Chế độ “ảnh hoặc khung đầu – khung cuối”: bật một ô ảnh là bắt đầu từ khung đó; bật hai ô là chỉ định cả khung đầu và khung cuối.
  3. Tạo lại là cách cuối cùng: trước khi tạo lại phải sửa lệnh hoặc ảnh tham chiếu; tạo lại y nguyên thường vẫn lỗi.

Ba cách phòng lỗi: mỗi đoạn chỉ đưa một ảnh bối cảnh (đưa cả ba, AI không biết dùng ảnh nào, bối cảnh sẽ loạn); cảnh đối thoại đưa ảnh toàn cảnh vị trí vào, hiệu quả hơn viết một đoạn chữ dài; kích thước đạo cụ trong lệnh phải khớp với ảnh đạo cụ.

Bước 3 hậu kỳ trên CapCut

Khi đã có đủ các đoạn, bước cuối là dựng mấy chục đoạn thành một tập. CapCut đơn giản hơn nhiều so với DaVinci Resolve, bản miễn phí đủ cho các chức năng thường dùng, bản máy tính tiện hơn. Hậu kỳ gồm bốn việc: xếp thứ tự, bù thoại, xử lý âm thanh, thêm phụ đề.

Dựng thô: xếp thứ tự, sửa đầu cuối

  • Kéo toàn bộ đoạn lên dòng thời gian theo thứ tự kịch bản (có bảng phân cảnh thì theo số đoạn).
  • Xem từng đoạn từ đầu đến cuối, vài khung đầu cuối lỗi thì cắt luôn.
  • Chèn các đoạn vá bằng khung đầu vào đúng vị trí lỗi.
  • Nhịp phim ngắn nhanh hơn phim điện ảnh: 3 giây đầu là xung đột, khung hình đầu là câu gây chú ý nhất; khung không có thông tin mới đừng để lâu, khoảng lặng giữa các câu thoại cắt sát lại; kết thúc dừng ở điểm gây tò mò rồi chuyển màn hình đen, không kéo dài thêm.

Cảnh đối thoại: tiếng không ngắt, hình cắt sang người nghe

Nếu đoạn tạo ra cứ quay mãi người nói, hãy bù khi dựng: tách âm thanh của đoạn người nói (trên CapCut chọn đoạn, nhấp chuột phải chọn “Tách âm thanh”), để tiếng nguyên chỗ; ở lớp phía trên phủ 1–2 giây cảnh phản ứng của người nghe (trợn mắt, nhìn nhau). Khán giả thấy nửa đầu câu là người nói, nửa sau là phản ứng của người khác, tiếng vẫn liền mạch. Khi tạo video, hãy tranh thủ chạy thêm vài đoạn phản ứng 3–5 giây cho mỗi nhân vật chính (không thoại, chỉ biểu cảm); thêm 10 đoạn cho một tập chỉ tốn khoảng 2 tệ mà lúc dựng dùng rất tiện.

Âm thanh: thoại, hiệu ứng, nhạc nền chia ba lớp

H3 đã tạo sẵn thoại và hiệu ứng, nhạc nền nên thêm một bài thống nhất trong CapCut (vì thế lệnh video ghi “không nhạc nền”, nếu không mấy chục đoạn ghép lại mỗi đoạn một giai điệu). Âm lượng: thoại to nhất, hiệu ứng thứ hai, nhạc nền nhỏ nhất và hạ thêm khi có người nói (đặt hai điểm khoá trên nhạc, kéo âm lượng xuống trong mấy giây có thoại). Các đoạn thoại lúc to lúc nhỏ thì chọn tất cả và dùng chức năng cân bằng độ lớn âm thanh; vài đoạn bị lệch giọng thì tạo lại riêng mấy câu đó hoặc lồng tiếng lại. Nhạc nền dùng thư viện của CapCut hoặc nhạc miễn phí bản quyền, xem kỹ điều khoản trước khi dùng thương mại.

Phụ đề: tự nhận dạng rồi soát từng câu với kịch bản

Chữ do AI vẽ thường sai chính tả hoặc lỗi ký tự, nên không để H3 tạo phụ đề mà thêm trong CapCut: dùng chức năng tự nhận dạng phụ đề; nếu có chức năng khớp văn bản thì dán lời thoại từ kịch bản để tự căn thời gian, ít lỗi hơn; rồi soát từng câu với kịch bản. AI thỉnh thoảng đọc lệch một hai chữ, phụ đề phải khớp tiếng: hoặc tạo lại đoạn đó, hoặc sửa phụ đề theo lời thực tế. Trình bày: đặt ở một phần ba dưới khung hình, không che mặt, mỗi dòng không quá dài, độc thoại nội tâm đổi màu hoặc thêm ngoặc.

Chỉnh màu, chất lượng hình và xuất video

  • Chỉnh màu: mấy chục đoạn khó tránh lệch màu; chọn tất cả và áp cùng một bộ lọc hoặc chỉnh đồng loạt độ sáng, nhiệt độ màu để cả tập liền một mạch.
  • Chất lượng hình: bản tạo đầu là 640P; muốn nét hơn dùng mức tinh chỉnh hoặc mức cao nhất (rộng 1920px); CapCut cũng có chức năng tăng chất lượng hình, thường cần gói trả phí.
  • Xuất: khung dọc 9:16, 1080P, 30 khung hình/giây là đủ cho các nền tảng video ngắn.
  • Trước khi đăng: xem lại toàn màn hình trên điện thoại, soát lỗi tay, đạo cụ, đổi mặt, cửa đổi hướng; gắn nhãn nội dung do AI tạo theo quy định và công cụ khai báo của nền tảng.

Mẫu lệnh lập bảng dựng (gửi kịch bản và danh sách đoạn đã tạo cho Claude):

Bạn là người dựng phim ngắn. Dưới đây là kịch bản tập này và danh sách đoạn tôi đã tạo (số đoạn, thời lượng, nội dung, lỗi ở đâu). Hãy lập bảng dựng.
Yêu cầu:
1. Xếp đoạn theo diễn biến, ghi giữ từ giây nào đến giây nào, cắt đầu cuối bao nhiêu.
2. Chỗ thoại dài cứ quay người nói thì ghi phủ cảnh phản ứng nào ở giây nào, dài bao lâu, tiếng thoại không ngắt.
3. Liệt kê cảnh cần tạo thêm: thiếu hình gì, dài bao lâu, phản ứng của ai.
4. Chia nhạc nền theo đoạn: ghi cảm xúc (căng thẳng / nhẹ nhàng / đảo ngược) và thời điểm bắt đầu, kết thúc; chỗ có thoại ghi "hạ nhạc".
5. Cuối cùng liệt kê toàn bộ phụ đề, khớp từng chữ với kịch bản, mỗi câu ghi là "nói", "độc thoại nội tâm" hay "giọng ngoài khung".
6. 3 giây đầu phải có xung đột, kết thúc dừng ở điểm gây tò mò; nếu thứ tự hiện tại không làm được, hãy nói cách sửa.
Kịch bản: (dán vào đây)
Danh sách đoạn: (ví dụ: Đoạn 1, 8 giây, nhân vật A nói "Thật ra, ta là thi tiên", giây thứ 7 tay bị biến dạng)

Nâng cao: ánh sáng và 6 yếu tố của một cảnh quay

Khi quy trình đã chạy thông, câu hỏi tiếp theo chắc chắn là làm sao cho hình có cảm giác điện ảnh hơn. Ba quy tắc hữu dụng nhất:

  1. Viết ánh sáng cụ thể, đừng chỉ viết “điện ảnh”. AI không hiểu “sang trọng”, nó hiểu bốn thứ: ánh sáng từ phía nào (thuận sáng, ngang, ngược), cứng hay mềm, lạnh hay ấm, sáng hay tối. Mẹo đơn giản nhất: đổi thuận sáng thành ánh sáng ngang, khuôn mặt lập tức có chiều sâu.
  2. Một cảnh giữ một bộ ánh sáng. Mọi đoạn trong cùng một cảnh viết cùng ánh sáng: hướng, nhiệt độ màu, thời điểm trong ngày không đổi. Đoạn trước “nắng chiều ấm”, đoạn sau đừng thành “ánh sáng trắng lạnh”, nếu không ghép lại như hai bộ phim. Ví dụ cảnh ban ngày ở thư viện dùng nắng chiều cứng, ấm, trong trẻo; cảnh đêm dùng ánh nến đỏ từ phía sau bên cạnh viền lên đường nét nhân vật, vùng tối vẫn giữ chi tiết.
  3. Mỗi cảnh quay viết đủ 6 yếu tố: chuyển động máy, cỡ cảnh, góc máy, chủ thể, mức chuyển động, ánh sáng. Thiếu một yếu tố là AI tự đoán, đoán sai là mất tiền một lần tạo.

Mẫu viết một cảnh quay (dòng đầu là khung, dòng sau là ví dụ cận cảnh lúc nhân vật đọc thơ ở cao trào):

Khung: (chuyển động máy), (cỡ cảnh), (góc máy), (chủ thể: ai, nét mặt gì), (mức chuyển động); (ánh sáng: hướng, cứng mềm, nóng lạnh, sáng tối); (tiêu cự), chất điện ảnh, kết cấu da chân thực, vùng tối có chi tiết, khuôn mặt rõ không biến dạng.
Ví dụ: máy đứng yên, cận mặt, ngang tầm mắt, nhân vật hào hứng nhìn thẳng phía trước, gần như không động, chỉ ánh mắt sáng lên và hơi hếch cằm; ánh sáng ngang, ấm chuyển sang trắng sáng, ánh sáng lấp lánh trong mắt, hậu cảnh mờ; 50mm, chất điện ảnh, kết cấu da chân thực, vùng tối có chi tiết, khuôn mặt rõ không biến dạng.

Nếu bạn quan tâm cách dùng Claude cho các dự án video khác, xem thêm hướng dẫn làm video bằng Claude AI.

9 lỗi phim AI hay gặp và cách khắc phục

LỗiCách khắc phục
Mỗi đoạn nhân vật một khuôn mặtLàm thẻ nhận diện nhân vật, đoạn nào cũng đưa vào
Bối cảnh lúc này lúc khácMỗi đoạn chỉ đưa một ảnh bối cảnh
Nhân vật dịch chuyển, đảo trái phảiMỗi đoạn viết vị trí trước, hành động sau
Nhân vật mở miệng đọc to suy nghĩViết thoại theo 3 loại: nói, độc thoại nội tâm, giọng ngoài khung
Cùng một nhân vật mà giọng lúc này lúc khácCố định câu mô tả giọng, hoặc lấy giọng đoạn đầu làm mẫu tham chiếu
Thoại dài, hình đơGiữa chừng phủ một đoạn phản ứng của người nghe
Tạo lại mấy lần vẫn gần như y hệtSeed trong quy trình cố định, đổi sang số khác rồi chạy
Đạo cụ lúc to lúc nhỏGhi kích thước thật trong ảnh đạo cụ và trong lệnh
Hình không có cảm giác điện ảnhViết ánh sáng cụ thể, mỗi cảnh quay viết đủ 6 yếu tố

Khi nào không nên dùng cách này?

  • Cần chất lượng điện ảnh ngay từ bản tạo đầu: bản 640P chỉ ở mức “dùng được”; Seedance 2.5 vẫn cho hình đẹp hơn và xử lý chuyển động phức tạp tốt hơn.
  • Phim dùng người thật hoặc giọng thật của người khác: chỉ dùng giọng, ảnh của bạn hoặc đã được cho phép.
  • Dự án cần chi phí cố định dài hạn: giá nền tảng và khuyến mãi đổi theo tháng; gói hội viên tự gia hạn, xu chưa dùng có thể hết hạn.
  • Muốn tự chạy H3 trên máy chủ riêng: cần GPU đủ mạnh; xem thêm 12 lưu ý khi xây dựng server AI/ML trước khi đầu tư.

Câu hỏi thường gặp

Làm phim ngắn AI có cần máy tính mạnh không?

Không bắt buộc. H3 chạy trực tuyến trên RunningHub nên bạn không cần card đồ họa; các khâu còn lại dùng Claude, công cụ tạo ảnh và CapCut trên máy thường.

100.000 đồng đã gồm toàn bộ chi phí chưa?

Chưa. Đó là riêng tiền tạo video cho một tập 5 phút ở 640P, chưa gồm phí hội viên RunningHub, chi phí tạo ảnh và các công cụ khác.

Một tập 5 phút cần bao nhiêu lời thoại và bao nhiêu đoạn video?

Khoảng 750–1.000 chữ thoại (10 chữ ≈ 2 giây) và khoảng 50 đoạn video, mỗi đoạn 5–15 giây chỉ kể một việc.

MiniMax H3 có phải mã nguồn mở không?

MiniMax công bố mở trọng số H3 nhưng theo giấy phép riêng (MiniMax H3 Community License) có điều kiện kèm theo, nên cần đọc giấy phép trước khi dùng thương mại.

Quy trình, mẫu lệnh và số liệu chi phí trong bài được biên soạn lại bằng tiếng Việt từ bài hướng dẫn gốc (tiếng Trung) của tác giả Miller (@TuyetloanP81840), đăng trên X ngày 08/11/2026. Nếu bạn đến từ video của Tino và muốn đọc bản gốc đầy đủ, kèm đường dẫn quy trình H3 trên RunningHub, trang tra cứu ánh sáng và bộ 3 skill cho Claude do tác giả chia sẻ, hãy xem bài viết gốc trên X. Nguồn khác: MiniMax – H3 Is Now Open Source, RunningHub. Giá tham khảo tháng 11/2026 (giá Seedance 2.5 trên RunningHub là giá khuyến mãi lúc ra mắt tháng 8), quy đổi theo tỷ giá ~3.650 đồng/tệ.

Mình là Việt Nguyễn hiện đang là chuyên gia quản lý website, kinh nghiệm từ những năm 2012 đến nay đã hơn 10 năm trong lĩnh vực máy chủ website, Hosting, SEO, Wordpress.

Xem thêm bài viết

Bài viết liên quan

Xem nhiều