Cách tôi tạo Video ngắn bằng AI: Hook, Caption và B-Roll

Cập nhật lần cuối: June 28, 2026

Video dọc dạng ngắn là định dạng duy nhất vẫn mang lại phạm vi tiếp cận mà tôi không thể mua ở nơi khác, và AI hiện đang thực hiện những phần mà trước đây tôi từng e sợ: đoạn mở đầu (hook), cảnh phụ (b-roll), chú thích (captions), và cắt một bản ghi dài thành các clip ngắn gọn. Quý trước, tôi đã xuất bản khoảng 120 video ngắn bằng quy trình làm việc này, và đây là thứ tự chính xác mà tôi thực hiện — viết một đoạn mở đầu 3 giây, tạo hoặc lấy b-roll, thêm chú thích, cắt độ dài, và đăng tải.

Đối với mô hình đằng sau các clip, tôi dựa vào Sora video generator và Runway Gen-3 video; phần cắt hoàn thiện và hiệu ứng nằm trong ghi chú AI video editing của chúng tôi. Đây là cách thức hoạt động thực tế của việc lắp ráp video ngắn.

Câu trả lời nhanh: làm thế nào để tạo video ngắn bằng AI?

Chọn một ý tưởng, viết một đoạn mở đầu thu hút trong ba giây đầu tiên, tạo hoặc thu thập từ năm đến tám giây b-roll, phiên âm và thêm chú thích, cắt dưới 60 giây ở tỷ lệ 9:16, và đăng tải. Đó là toàn bộ quy trình. AI xử lý bốn bước này — tạo b-roll, phiên âm, chú thích, và việc cắt dài thành ngắn — nhưng bạn vẫn phải viết đoạn mở đầu và chọn góc quay.

Tôi đã thử nghiệm chuỗi chính xác này trên một kênh tài chính không lộ mặt và một kênh sản phẩm dạng người nói chuyện trực tiếp, và thứ tự này đều hiệu quả cho cả hai. Các quyết định sáng tạo rất hẹp nhưng chúng quan trọng: đoạn mở đầu quyết định liệu bất kỳ ai có xem giây thứ hai hay không, và phong cách chú thích quyết định liệu những người xem tắt tiếng có ở lại hay không.

Video ngắn được tính là gì, và các nền tảng muốn gì?

Video ngắn là video dọc, tỷ lệ 9:16, dưới ba phút, và được xây dựng để tự động phát khi tắt âm thanh. Ba nền tảng này định nghĩa giới hạn khác nhau, và độ dài an toàn thì ngắn hơn mức tối đa.

Hai quy tắc từ các nền tảng định hình mọi thứ khác. Theo hướng dẫn Shorts của YouTube, một Short phải là video dọc và tối đa 60 giây, nếu không nó sẽ không còn là Short nữa — nó sẽ được phân loại là video thông thường và mất đi nguồn cấp dữ liệu Shorts. Thực hành tốt nhất về Reels của Instagram cũng thúc đẩy ràng buộc chỉ dành cho dọc tương tự và ưu tiên văn bản cùng chú thích vì rất nhiều người xem khi tắt tiếng.

Kết quả thực tế: luôn quay hoặc render 9:16, viết cho người xem tắt tiếng, và giữ đoạn mở đầu trong ba giây đầu tiên. Tôi coi 30 giây là mặc định của mình và chỉ kéo dài hơn khi ý tưởng thực sự cần không gian đó.

Đoạn mở đầu (The hook): cách viết một lời giới thiệu 3 giây để thu hút lượt vuốt

Đoạn mở đầu là thứ có đòn bẩy cao nhất mà bạn viết, và AI làm điều này khá kém, vì vậy tôi tự viết đoạn mở đầu và chỉ sử dụng AI để kiểm tra áp lực. Một đoạn mở đầu thực hiện một trong bốn công việc: nó đưa ra lời hứa, nó nêu lên một sự căng thẳng, nó thể hiện một kết quả, hoặc nó đặt ra một câu hỏi mà người xem cần được trả lời.

Các đoạn mở đầu tôi đã đo lường là hiệu quả:

• "Việc này mất của tôi sáu giờ. Đây là phiên bản 30 giây."
• "Không ai nói cho bạn biết điều này về [chủ đề] cho đến khi nó khiến bạn tốn tiền."
• "Tôi đã thử nghiệm [công cụ] trong 30 ngày. Kết quả không như tôi mong đợi."
• "Ba giây sau, hãy xem giá cả sẽ ra sao."

Tôi viết năm đoạn mở đầu, dán chúng vào prompt của trình tạo video dưới dạng văn bản trên màn hình, và chọn cái đọc nhanh nhất. Khung hình đầu tiên phải truyền tải đoạn mở đầu bằng hình ảnh, bởi vì chú thích chưa được đọc ở giây số không.

B-roll và hình ảnh: tạo cảnh quay khi bạn không có gì

Nếu bạn xuất hiện trước camera, b-roll của bạn là khuôn mặt cộng với các góc cắt. Nếu bạn không lộ mặt, b-roll là toàn bộ video, và đây là nơi footage AI phát huy tác dụng. Tôi tạo các cảnh thiết lập, cận cảnh sản phẩm, và các clip chuyển động trừu tượng, sau đó đặt kịch bản dưới chúng.

Một quy trình làm việc không lộ mặt tôi thực hiện hàng tuần:

1. Viết kịch bản 60 giây và chia nó thành sáu đến tám cảnh quay.
2. Tạo mỗi cảnh quay là một clip năm giây từ prompt văn bản.
3. Giữ phong cách nhất quán bằng cách tái sử dụng các mô tả phong cách tương tự trong mọi prompt.
4. Sắp xếp các clip sao cho mỗi cái khớp với dòng đang được nói.
5. Thêm giọng đọc (voiceover) từ giọng AI đã nhân bản hoặc stock.
6. Thêm chú thích và xuất ở tỷ lệ 9:16.

Giới hạn thực tế: Các clip do AI tạo ra bị trôi dạt. Một cốc cà phê thay đổi hình dạng giữa các cảnh quay, văn bản trong khung hình trở nên lộn xộn, và danh tính không được khóa qua các lần cắt. Tôi tạo ba lần thử cho mỗi cảnh quay và chọn cái sạch nhất, và tôi tránh yêu cầu mô hình thêm văn bản hoặc logo trên màn hình. Khi tôi cần footage đáng tin cậy, tôi ghép các clip do AI tạo với stock để các đoạn cắt không trông quá giả tạo.

Chú thích (Captions): văn bản trên màn hình giữ chân người xem tự động phát khi tắt tiếng

Chú thích là điều không thể thương lượng vì hầu hết các lượt xem video ngắn đều bắt đầu khi tắt tiếng. Tôi phiên âm tự động âm thanh, sau đó định kiểu từ ngữ để chúng dễ đọc ngay từ cái nhìn đầu tiên. Xuất chú thích AI mặc định có thể sử dụng được nhưng xấu xí, vì vậy tôi dành hai phút cho việc định dạng loại chữ.

Các quy tắc về chú thích tôi tuân theo:

• Một đến ba từ mỗi thẻ chú thích, đồng bộ với nhịp điệu lời nói.
• Đặt từ ở phần ba phía trên-giữa, tránh giao diện người dùng của nền tảng và thanh bình luận.
• Sử dụng kiểu sans-serif đậm có viền hoặc tấm nền để tạo độ tương phản.
• Làm nổi bật từ khóa bằng màu sắc tương phản để neo mắt.
• Giữ chú thích trong khu vực an toàn để chúng tồn tại khi được đăng lại trên các ứng dụng khác nhau.

Bản phiên âm tự nó tôi coi như bản nháp. AI thường sai về danh từ riêng, số và thuật ngữ kỹ thuật, và một từ sai trong chú thích sẽ bị người xem nhận ra là lỗi. Tôi đọc to mọi chú thích theo âm thanh trước khi xuất.

Tái sử dụng video dài thành các clip ngắn

Tái sử dụng là nơi AI mang lại lợi ích nhanh nhất, bởi vì video dài đã tồn tại và câu hỏi duy nhất là đoạn ba mươi giây nào đáng để cắt. Tôi lấy một bản ghi 20 phút và rút ra bốn đến sáu video ngắn từ nó chỉ trong một lần ngồi.

Phương pháp tôi sử dụng:

1. Đưa video dài vào và chạy phiên âm AI với các lượt nói của người nói (speaker turns).
2. Yêu cầu công cụ đánh dấu những khoảnh khắc có tỷ lệ xem hoặc mức độ tương tác cao.
3. Rút ra mỗi khoảnh khắc được đánh dấu và cắt mười giây không gian ở cả hai bên.
4. Tái khung footage ngang thành 9:16 bằng cách sử dụng tự động theo dõi (auto-tracking) trên người nói.
5. Cắt lại đoạn mở đầu về phía trước để mỗi clip bắt đầu bằng câu mạnh nhất của nó.
6. Thêm chú thích mới và xuất bản mỗi video ngắn như một bài đăng riêng.

Tái khung là bước thường bị lỗi nhất. Tự động theo dõi mất người nói khi họ di chuyển hoặc khi có hai người trên màn hình, vì vậy tôi kiểm tra khung cắt 9:16 từng khung hình trên clip đầu tiên của mỗi lô. Hướng dẫn AI video editing của chúng tôi đề cập chi tiết hơn về các công cụ tái khung và màu sắc.

Tôi thực sự sử dụng những công cụ AI nào?

Tôi cố tình giữ bộ công cụ nhỏ gọn. Mỗi công cụ làm tốt một việc hơn những công cụ khác, và chuyển đổi công cụ giữa chừng tốn nhiều thời gian hơn là nó tiết kiệm được.

So sánh mô hình và sự đánh đổi giữa Sora và Runway nằm trong phần phân tích Sora AI video generator. Đối với các short cụ thể, tôi chọn Sora khi cần cảnh quay giữ được tính toàn vẹn và Runway khi tôi cần một chuyển động camera chính xác.

Điều gì sẽ khiến video ngắn của bạn bị gắn cờ hoặc chôn vùi?

Các nền tảng phạt những thứ cụ thể, và một vài điều trong số đó dễ mắc phải một cách vô tình khi bạn dựa vào AI. Biết các quy tắc trước khi xuất bản giúp cứu một bài đăng lẽ ra đã chết trong quá trình xem xét.

Những rủi ro tôi theo dõi:

• Dấu bản quyền từ nền tảng đối thủ còn sót lại trên bản xuất.
• Footage độ phân giải thấp hoặc có viền đen (letterboxed) báo hiệu việc tái đăng lười biếng.
• Chú thích tự động với ngôn ngữ tục tĩu hoặc những lời lăng mạ được phiên âm sai.
• Footage AI về người thật mà không tiết lộ khi nền tảng yêu cầu.
• Âm thanh không có giấy phép hoặc lấy từ video của nhà sáng tạo khác.

Chính sách quảng cáo và nội dung kinh doanh của TikTok đặt ra tiêu chuẩn cho những gì bị giảm hiển thị, và các nền tảng khác tuân theo logic tương tự: gốc, dọc, rõ ràng, và đúng chủ đề sẽ tồn tại. Tôi giữ một danh sách kiểm tra về những điều này và chạy nó trên mọi short trước khi nhấn xuất bản, bởi vì chỉ một dấu bản quyền đã làm hỏng một bài đăng mạnh mẽ nếu không có nó.

Tóm tắt: quy trình làm việc video ngắn hàng tuần của tôi

Đây là vòng lặp tôi thực hiện mỗi tuần, được cô đọng thành các bước quan trọng. AI thực hiện phần nặng nhọc về b-roll, chú thích và cắt dài thành ngắn; tôi viết đoạn mở đầu và quyết định góc quay.

Danh sách kiểm tra hàng tuần của tôi:

• Chọn một ý tưởng và viết năm biến thể đoạn mở đầu.
• Tạo hoặc lấy sáu đến tám giây b-roll cho mỗi cảnh quay.
• Ghi âm hoặc tổng hợp giọng đọc (voiceover).
• Tự động phiên âm và thêm chú thích được định kiểu.
• Cắt thành 9:16 dưới 60 giây, đoạn mở đầu trong ba giây đầu tiên.
• Chạy danh sách kiểm tra rủi ro gắn cờ, sau đó đăng tải.

Lưu ý cuối cùng tôi muốn nói: AI tăng tốc sản xuất, nhưng nó không tạo ra nhu cầu. Những short hoạt động tốt nhất đối với tôi là những cái có một ý tưởng thực sự hữu ích hoặc đáng ngạc nhiên bên dưới lớp hoàn thiện. Một video nhanh, rẻ, được chú thích tốt về thứ vô nghĩa vẫn sẽ thất bại. Hãy sử dụng quy trình làm việc để xuất bản nhiều ý tưởng hay của bạn hơn, chứ không phải để che đậy sự vắng mặt của một ý tưởng nào đó.

Tín dụng hình ảnh

• Một chiếc điện thoại thông minh hiện đại trên chân máy đang quay thiết lập video tạo nội dung — ảnh của Tracy Le Blanc trên Pexels
• Một nhà sáng tạo nội dung đang quay video tại bàn với thiết bị camera và ánh sáng — ảnh của RODNAE Productions trên Pexels
• Góc cận cảnh giao diện dòng thời gian chỉnh sửa video trên màn hình máy tính — ảnh của Alex Fu trên Pexels
• Màn hình điện thoại thông minh hiển thị các ứng dụng mạng xã hội phổ biến — ảnh của cottonbro studio trên Pexels