--- title: "Lanshu AI Presenter Video: Kiến trúc Audio-Clock và Sự thật đằng sau cơn sốt" description: "Mổ xẻ Lanshu: Skill tạo video MC AI gây sốt mạng. Tìm hiểu kiến trúc Audio-Clock, kỹ thuật tách Motion Plate và bộ ngắt mạch bảo vệ ví tiền dev." pubDate: "2026-09-26" lang: "vi" slug: "lanshu-ai-presenter-video-explained" url: "https://hoangyell.com/vi/lanshu-ai-presenter-video-explained/" author: "HoangYell" translation_en: "https://hoangyell.com/lanshu-ai-presenter-video-explained/" categories: ["AI & Agents"] tags: ["ai-video", "ai-agents", "codex", "digital-human", "system-design"] heroImage: "https://raw.githubusercontent.com/HoangGeek/store/main/webp/ai-lanshu-ai-presenter-video-explained-hero.webp" --- Mạng xã hội X vừa bùng nổ bài đăng giật tít: một lập trình viên phát hành công cụ miễn phí, chỉ cần kịch bản và ảnh chân dung là tự động xuất video MC AI hoàn chỉnh, đạt 26.000 sao GitHub trong nháy mắt. Với kỹ sư từng làm việc với các mô hình tạo video đa phương thức, chuông cảnh báo kỹ thuật sẽ lập tức reo vang. Đằng sau lớp vỏ tiếp thị là một sự thật khác: dự án không phải phần mềm độc lập thần kỳ, không hề có 26.000 sao, và API tạo video không bao giờ miễn phí. Nó là một Codex Skill (gói chỉ dẫn tác vụ tiêu chuẩn cho AI agent) mang tên `lanshu-create-ai-presenter-video`. Bóc tách lớp vỏ cường điệu, bạn sẽ thấy một kiến trúc đường ống truyền thông mẫu mực, giải quyết triệt để vấn đề nan giải nhất: hiện tượng lệch khẩu hình theo thời gian và nguy cơ cháy túi tiền gọi API. ## Tóm tắt (TL;DR) > **Hộp Trả Lời Nhanh (Google Search Featured Snippet):** > - **Lanshu là gì?** Lanshu (`lanshu-create-ai-presenter-video`) là bộ kỹ năng mã nguồn mở cho Codex và AI agent, tự động hóa quy trình sản xuất video thuyết minh AI từ ảnh chân dung và kịch bản. Nó điều phối giọng đọc, chuyển động cơ thể, khớp khẩu hình miệng, căn phụ đề theo từ và xuất video chuẩn phát thanh. > - **Điểm cốt lõi:** Biến âm thanh giọng đọc đã khóa cứng thành đồng hồ chủ đạo (Master Audio Clock) cho toàn bộ dòng thời gian, triệt tiêu hoàn toàn độ trễ khẩu hình và tránh việc phải sinh lại video tốn kém. > - **Ai nên dùng:** Kỹ sư và nhà sáng tạo muốn xây dựng hệ thống tự động sản xuất video bằng AI agent với sự kiểm soát ngân sách nghiêm ngặt. > - **Kho mã nguồn**: [cclank/lanshu-create-ai-presenter-video trên GitHub](https://github.com/cclank/lanshu-create-ai-presenter-video) · Giấy phép MIT · 1.200+ Stars. - **Thực tế so với lời đồn**: Bài đăng khoe 26.000 sao và công cụ miễn phí, nhưng thực tế repo có khoảng 1.200 sao và đóng vai trò tầng điều phối trung lập, vẫn cần kết nối dịch vụ ngoài. - **Đột phá kiến trúc**: Tách rời đồng hồ âm thanh khỏi khung hình chuyển động, giúp việc cắt ghép không bao giờ đòi hỏi sinh lại mô hình AI đắt đỏ. - **Kỹ thuật tách Motion Plate**: Tách biệt chuyển động cơ thể với cử động môi để cứu nguy đoạn lệch khẩu hình mà không làm mất cử chỉ tay tự nhiên đã sinh thành công. - **Cơ chế ngắt mạch chi phí**: Bắt buộc tạo bản thử nghiệm 5 giây, lưu mã tác vụ để chống trừ tiền hai lần khi đứt mạng, và tự động dừng sau 3 lần tạo thất bại. *** ## Bản đồ tư duy (Beginner Map) Trong quy trình dựng phim thông thường, người ta hay sinh video trước rồi mới co kéo âm thanh sao cho khớp. Lanshu đảo ngược hoàn toàn: âm thanh giọng đọc là vị nhạc trưởng quyền lực tuyệt đối, mọi khung hình video phải hành quân theo đúng nhịp gõ của nhạc trưởng. ```markdy scene duration=20 layout=LR width=1280 height=720 theme: light=doodle dark=nebula user Dev "Lập trình viên" service Skill "Lanshu Skill" service Audio "Audio Clock" service Video "Presenter Gen" service LipSync "Lip-Sync Repair" service Compositor "FFmpeg / EBU R128" beat step1 "1. Khóa kịch bản và giọng đọc" { show $nodes stagger=60ms Dev -> Skill "chủ đề / ảnh gốc" Skill -> Audio "khóa âm thanh gốc" glow Audio color=#38bdf8 } beat step2 "2. Chạy thử và sinh video chính" { Audio -> Video "dữ liệu âm thanh chuẩn" Video -> Video "kiểm tra pilot 5 giây" glow Video color=#a855f7 } beat step3 "3. Tách lớp và cứu lệch khẩu hình" { Video -> LipSync "sửa lệch khẩu hình" glow LipSync color=#f59e0b } beat step4 "4. Chuẩn hóa EBU và bàn giao" { LipSync -> Compositor "ghép nối chính xác" Compositor -> Dev "xuất file -16 LUFS" glow Compositor color=#22c55e } player: playback: loop true controls: speed true speeds "0.25" fullscreen true gif true theme true interaction: zoom true pan true click_to_play true double_click_to_reset true keyboard false chrome: badge true progress none ``` ### Lộ trình 3 phút: Khởi tạo tác vụ video an toàn Để thiết lập dự án video thuyết minh bằng Lanshu mà không lo hao hụt tài khoản đám mây: 1. **Cài đặt Skill**: Sao chép kho mã nguồn vào thư mục kỹ năng: ```bash git clone https://github.com/cclank/lanshu-create-ai-presenter-video.git \ ~/.codex/skills/lanshu-create-ai-presenter-video ``` 2. **Khởi tạo tác vụ**: Chạy `init_job.py` với ảnh, chủ đề và xác nhận pháp lý: ```bash python3 ~/.codex/skills/lanshu-create-ai-presenter-video/scripts/init_job.py \ --job-dir ~/Videos/demo-mc \ --presenter-image ~/Pictures/mc.png \ --topic "Giải thích KV Cache trong 60 giây" \ --duration 60 \ --aspect 9:16 \ --rights-confirmed \ --adult-presenter-confirmed ``` 3. **Kiểm định tiền trạm (Preflight)**: Chạy `preflight.py` để quét độ phân giải và tính toàn vẹn của tệp trước khi gửi lệnh mạng: ```bash python3 ~/.codex/skills/lanshu-create-ai-presenter-video/scripts/preflight.py ~/Videos/demo-mc/job.json ``` 4. **Xuất bản hoàn thiện**: Khi các đoạn video đã sẵn sàng, chạy `finalize_delivery.sh` để cân bằng âm lượng về `-16 LUFS` và tạo bảng ảnh kiểm định 9 khung hình. *** ## Phần 1: Nền tảng (Foundations) Ai từng thử nghiệm AI tạo video thuyết trình đều thấm thía sự ức chế của thung lũng kỳ lạ. Mô hình sinh ra nhân vật rất đẹp, nhưng bàn tay đột nhiên biến dạng, ánh sáng nền đổi màu, và khẩu hình bắt đầu trôi dần sau vài giây. Tệ hơn, nếu bạn chỉ muốn đổi đúng một từ trong kịch bản, toàn bộ video phải vứt bỏ để sinh lại từ đầu. Tạo video AI ngây thơ giống hệt ban nhạc diễu hành thiếu người chỉ huy. Kèn đồng đi một nhịp, trống gõ một nhịp, còn người múa cờ lại nhảy theo giai điệu khác. Kết quả luôn là một mớ hỗn độn không thể phát sóng thương mại. | Thuật ngữ kỹ thuật | Ý nghĩa bỏ túi (3-6 từ) | |---|---| | **Master Audio Clock** | Âm thanh làm đồng hồ định thời | | **ASR (Nhận diện giọng nói)** | Chuyển âm thanh thành mốc chữ | | **Tiêu chuẩn EBU R128** | Chuẩn cân bằng âm lượng quốc tế | | **Đơn vị LUFS** | Thước đo độ to cảm nhận tai | | **Motion Plate** | Bản video chuyển động cơ thể | | **Lip-Sync Repair** | Vá khẩu hình không đổi cơ thể | | **Chỉ số nén CRF** | Hệ số duy trì chất lượng video | ![Image](https://raw.githubusercontent.com/HoangGeek/store/main/webp/ai-lanshu-ai-presenter-video-explained-gallery-01.webp) Lanshu giải quyết bài toán này bằng nguyên tắc: **giọng đọc thuyết minh là đồng hồ chủ đạo**. File âm thanh phải được thu âm, xử lý tạp âm và khóa chặt trước khi bất kỳ khung hình video nào được tạo ra. Khi giọng đọc cố định, hệ thống dùng ASR (nhận diện giọng nói thành văn bản) để trích xuất mốc thời gian từng từ. Từng điểm cắt cảnh, dòng phụ đề động, hiệu ứng máy quay đều bám chặt vào tọa độ mili-giây của âm thanh. Hình ảnh có một hệ quy chiếu toán học cứng cáp để bám theo mà không sợ trôi nhịp. *** ## Phần 2: Khảo sát (Investigation) Quy trình vận hành của Lanshu đóng gói thành máy trạng thái hữu hạn một chiều: ```text intake (tiếp nhận) → content_locked (khóa kịch bản) → audio_locked (khóa giọng đọc) → visual_plan_locked (khóa kịch bản hình ảnh) → presenter_generated (sinh hình ảnh nhân vật) → composition_checked (kiểm tra dựng phim) → rendered (kết xuất thô) → verified (nghiệm thu thành phẩm) ``` Mỗi bước bắt buộc tạo tệp dữ liệu vật lý trong cây thư mục chuẩn. Agent không thể tiến tới bước sinh hình ảnh nếu báo cáo `qa/reports/preflight.json` còn cờ cảnh báo chưa xử lý. ![Image](https://raw.githubusercontent.com/HoangGeek/store/main/webp/ai-lanshu-ai-presenter-video-explained-gallery-02.webp) ### 1. Hợp đồng dòng thời gian 3 tham số độc lập Lanshu phân tách mỗi phân đoạn video thành ba tham số độc lập: - `authored_start`: Thời điểm phân đoạn bắt đầu xuất hiện trong video tổng thể. - `authored_duration`: Khoảng thời gian phân đoạn hiển thị trên màn hình. - `source_media_start`: Điểm bắt đầu cắt trích xuất từ file video nhân vật gốc. Nếu muốn kéo dài đoạn hình ảnh giới thiệu thêm 2 giây, hệ thống chỉ cần tịnh tiến mốc `authored_start` mà vẫn giữ nguyên giá trị `source_media_start`. Nhân vật thuyết trình vẫn tiếp tục nói trơn tru qua điểm chuyển cảnh mà không cần kết xuất lại từ đầu. ### 2. Chuẩn hóa âm lượng EBU R128 và kiểm định khung hình đen Bước hoàn thiện sản phẩm trong `scripts/finalize_delivery.sh` thể hiện rõ tư duy kỹ thuật xuất xưởng. File script sử dụng FFmpeg để chuẩn hóa âm lượng EBU R128 qua hai lượt (`loudnorm=I=-16:TP=-1.5:LRA=9`): ```bash # Lượt 1: Đo lường thông số âm lượng toàn bài ffmpeg -hide_banner -nostdin -i "$INPUT" \ -map 0:a:0 -vn \ -af 'loudnorm=I=-16:TP=-1.5:LRA=9:print_format=json' \ -f null - 2>"$MEASURE_LOG" # Lượt 2: Cân bằng tuyến tính và xuất bản song song Master & Share ffmpeg -hide_banner -nostdin -i "$INPUT" \ -map 0:v:0 -map 0:a:0 \ -vf "scale=trunc(iw/2)*2:trunc(ih/2)*2:flags=lanczos,setsar=1,fps=30,format=yuv420p" \ -af "loudnorm=I=-16:TP=-1.5:LRA=9:measured_I=${MEASURED_I}:measured_TP=${MEASURED_TP}:offset=${OFFSET}:linear=true" \ -c:v libx264 -preset slow -crf 16 -c:a aac -b:a 256k "$MASTER" ``` Sau khi mã hóa, script giải mã toàn bộ tệp MP4 để kiểm tra tính toàn vẹn dữ liệu. Lệnh `blackdetect=d=0.10:pix_th=0.02` tự động rà soát khung hình đen bất thường, đồng thời trích xuất 9 mốc thời gian để ghép thành bức ảnh tổng hợp 3x3. Kỹ sư chỉ mất hai giây nhìn vào bức ảnh này là biết ngay nhân vật có bị biến dạng khuôn mặt hay không. *** ## Phần 3: Chẩn đoán (Diagnosis) Dù cấu trúc thiết kế chỉn chu, người dùng cần nhận diện các rào cản kỹ thuật thực tế. ### 1. Ảo tưởng công cụ miễn phí và điều phối năng lực Các bài đăng mạng xã hội thường dùng từ ngữ mập mờ khiến người xem lầm tưởng đây là phần mềm tạo video miễn phí khép kín. Thực chất, Lanshu là đặc tả quy trình điều phối cho AI agent, không chứa tệp trọng số mô hình video nào như Wan, Kling hay LivePortrait. Hệ thống vận hành theo cơ chế **điều phối năng lực (Capability Routing)**, yêu cầu agent kết nối các dịch vụ ngoài: - Dịch vụ giọng đọc (ElevenLabs, Azure Speech, CosyVoice hoặc Edge-TTS). - Dịch vụ tạo hình nhân vật (Hedra, HeyGen, LivePortrait hoặc Wan). - Công cụ bóc tách mốc thời gian chữ viết (Whisper ASR). Nếu cấu hình agent gọi API đám mây mà thiếu kiểm soát, tài khoản thẻ của bạn có thể bốc hơi nhanh chóng sau vài lần lỗi. ### 2. Bộ ngắt mạch bảo vệ ví tiền 3 lần thử Để ngăn cước phí leo thang, Lanshu cài đặt các chốt chặn an toàn: - **Bản thử nghiệm 5 giây (Pilot Gate)**: Trước khi sinh toàn bộ video 60 giây, agent bắt buộc sinh đoạn ngắn 3-5 giây. Nếu ánh sáng hoặc khuôn mặt méo, tác vụ dừng ngay lập tức. - **Lưu mã tác vụ (Task ID)**: Khi gửi lệnh xử lý từ xa, hệ thống lưu mã tác vụ vào đĩa. Nếu mất mạng, agent truy vấn lại mã cũ thay vì gửi lệnh mới gây trừ tiền hai lần. - **Giới hạn cứng 3 lần thử**: Nếu ba ứng viên liên tiếp hỏng, quy trình khóa lại và báo cáo lỗi cho người dùng thay vì âm thầm thử lại. ### 3. Kỹ thuật tách Motion Plate và thực tế nghiệt ngã của Lip-sync mã nguồn mở Trên lý thuyết thiết kế, giải pháp của Lanshu nghe vô cùng hoàn hảo: nếu mô hình video sinh chuyển động cơ thể mượt mà nhưng miệng lệch 200 mili-giây, bạn giữ lại video làm **Motion Plate** (khung hình chuyển động câm). Sau đó, agent chỉ cần tống video câm này qua một công cụ sửa khẩu hình chuyên biệt (như Wav2Lip, MuseTalk hay LivePortrait) để đè lại cử động môi theo sóng âm chuẩn. Thế nhưng, khi bạn bước từ lý thuyết giấy tờ vào môi trường thực tế của một trạm tính toán cá nhân (như card đồ họa RTX 4070), bạn sẽ va ngay vào hai cái bẫy kỹ thuật kinh điển mà các bài viết ca tụng trên mạng không bao giờ nhắc tới: 1. **Bẫy vòng lặp máy giặt (The Washing Machine Loop Trap)**: Các mô hình Image-to-Video tổng quát (như MiniMax Hailuo, Wan, Kling) không được huấn luyện điều hòa theo từng âm tiết (phoneme conditioning). Chúng chỉ sinh ra một đoạn cử động ngắn khoảng 2 đến 3 giây (ví dụ 56 khung hình). Khi bạn co kéo hoặc lặp lại đoạn video này để khớp với một đoạn đọc dài 10 hay 30 giây, kết quả trông cực kỳ "giả trân": nhân vật lắc lư đầu lặp đi lặp lại vô thức như một chiếc máy giặt đang vắt, mắt chớp giật cục và khẩu hình mấp máy thì thầm hoàn toàn vô nghĩa. 2. **Cơn ác mộng phân rã phụ thuộc (Dependency Rot)**: Bạn nghĩ rằng chỉ cần cài Wav2Lip hay LivePortrait vào ComfyUI là xong? Đa số các mô hình lip-sync học thuật này được phát triển từ thời Python 3.9 đến 3.10. Khi bạn chạy chúng trên môi trường máy học hiện đại (Python 3.13, PyTorch 2.x, CUDA 13), toàn bộ hệ thống sụp đổ vì phân rã phụ thuộc: Python 3.13 chính thức khai tử module chuẩn `aifc` và `sunau` (PEP 594) khiến thư viện xử lý âm thanh `librosa` văng lỗi ngay khi nạp; các gói phụ trợ như `mediapipe` không có bản dựng sẵn; `numba` đòi hỏi phiên bản mới; và các đường dẫn mô hình bị gán cứng sâu trong mã nguồn cũ. Đây chính là bí mật kinh doanh giải thích vì sao các nền tảng SaaS thương mại (như SyncLabs hay HeyGen) vẫn tự tin thu phí 0.15 đến 0.25 USD cho mỗi giây video: họ không sở hữu thuật toán thần thánh nào cả, thứ họ bán chính là sự ổn định của môi trường container cũ kỹ đã được đóng băng để nhà phát triển không phải tự mình trầm cảm giữa bãi mìn phụ thuộc mã nguồn mở. ### 4. Thực nghiệm thực chiến: Tự động hóa 0 đồng cùng card đồ họa RTX 4070 Để kiểm chứng xem một kỹ sư có thể vận hành trọn vẹn quy trình Lanshu mà không tốn một xu tiền API thương mại hay không, chúng tôi đã tiến hành thử nghiệm độc lập trên phần cứng cá nhân. Mô hình phân tách gồm hai vai trò: máy chủ điều phối cục bộ (Local Conductor) kết hợp cùng trạm tính toán đồ họa trang bị card **NVIDIA GeForce RTX 4070 (12GB VRAM)**. Thay vì trả phí định kỳ cho ElevenLabs hay HeyGen, toàn bộ các mắt xích được thay thế bằng các công nghệ mã nguồn mở và giao thức nhẹ: 1. **Khóa Master Audio Clock (0.8 giây)**: Sử dụng engine tổng hợp giọng nói luồng nhẹ (Edge-TTS), hoàn thành đoạn đọc tiếng Việt tự nhiên chuẩn thời lượng 9.84 giây với 0% tải GPU và chi phí 0 đồng. 2. **Sinh chuyển động Motion Plate qua ComfyUI (87.8 giây)**: Gửi tác vụ tạo video qua giao tiếp API nội bộ sang máy tính gắn RTX 4070. Trạm tính toán kích hoạt mô hình MiniMax H3 (phiên bản lượng tử hóa INT8 kết hợp LoRA tăng tốc 8-step), xuất video chuyển động 768x768 ở 24 khung hình/giây. Ngay khi xuất tệp, API tự động giải phóng toàn bộ 9.6GB VRAM về bộ nhớ đệm, đưa GPU về trạng thái nhàn rỗi. 3. **Dựng bố cục 9:16 và thẩm định phát thanh (42.1 giây)**: Trình điều phối chạy bộ lọc FFmpeg để dàn trang dọc (ambient blur backdrop + trung tâm nhân vật sắc nét), đồng thời kích hoạt `finalize_delivery.sh` để cân bằng chuẩn âm thanh phát thanh EBU R128 (-16 LUFS, True Peak -1.5 dBTP) và quét lỗi khung hình đen. Dưới đây là bức ảnh **3x3 Contact Sheet** do chính cổng kiểm định Lanshu tự động trích xuất từ video thành phẩm thực tế: ![Bức ảnh kiểm định 3x3 Contact Sheet trích xuất từ video MC AI thực nghiệm trên RTX 4070](https://raw.githubusercontent.com/HoangGeek/store/main/webp/ai-lanshu-ai-presenter-video-explained-contact-sheet.webp) #### Bảng số đo hiệu năng thực nghiệm (Hardware Telemetry): | Công đoạn đường ống | Thiết bị xử lý | Công nghệ thực thi | Độ trễ đo được | Tiêu hao tài nguyên | Chi phí API | | :--- | :--- | :--- | :--- | :--- | :--- | | **Kịch bản & Kiểm định tiền trạm** | Máy điều phối | `init_job.py` + `preflight.py` | 0.1 giây | ~10 MB RAM | 0 VNĐ | | **Khóa âm thanh (Audio Clock)** | Máy điều phối | Engine tổng hợp luồng nhẹ | 0.8 giây | 0% tải GPU | 0 VNĐ | | **Sinh chuyển động (Presenter Plate)** | Trạm RTX 4070 | MiniMax H3 (INT8 + Turbo LoRA) | 87.8 giây | 9.6 GB VRAM (xả ngay) | 0 VNĐ | | **Dàn trang 9:16 & Cân bằng EBU R128** | Máy điều phối | FFmpeg Lanczos + 2-pass Loudnorm | 42.1 giây | 4 lõi CPU | 0 VNĐ | | **Toàn bộ quy trình hoàn tất** | Phối hợp hai máy | Tự động hóa qua API nội bộ | **~2.2 phút** | **Kiểm định: 0 lỗi decode, 0 frame đen** | **0 VNĐ** | Kết quả thực nghiệm khẳng định: Kiến trúc Audio-First của Lanshu không chỉ dành cho các cụm máy chủ đám mây triệu đô. Một máy tính cá nhân trang bị card đồ họa tầm trung như RTX 4070 hoàn toàn đủ sức biến thành xưởng sản xuất MC ảo tự động, ổn định với chi phí vận hành biến đổi bằng không. *** ## Phần 4: Giải pháp (Resolution) Bảng đối chiếu dưới đây giúp bạn cân nhắc việc triển khai Lanshu hay dùng nền tảng thương mại: | Tiêu chí so sánh | Codex Skill Lanshu | Nền tảng SaaS (HeyGen) | Script Python tự viết | |---|---|---|---| | **Khả năng kiểm soát** | Tuyệt đối (độc lập nhà cung cấp) | Đóng kín (phụ thuộc nền tảng) | Cao nhưng dễ gãy đổ | | **Kiểm soát chi phí** | Chặt chẽ (bản thử 5s, ngắt mạch) | Gói tháng / credit cố định | Thường thiếu cơ chế chặn | | **Chống lệch khẩu hình** | Khóa âm thanh gốc + mốc ASR | Xử lý nội bộ hộp đen | Rất hay lệch tiếng | | **Cài đặt** | Cần môi trường Codex / Agent CLI | Dùng ngay trên trình duyệt web | Tốn công viết code nối API | | **Đầu ra chuẩn hóa** | Tự động cân bằng EBU R128 + QA | Xuất video thông thường | Cần tự cấu hình FFmpeg | ### Bạn nên chọn Lanshu nếu: - Bạn xây dựng hệ thống agent tự động tạo nội dung vận hành liên tục mà không gây cháy ngân sách API. - Bạn muốn làm chủ dữ liệu, dòng thời gian và cổng mô hình mà không bị trói buộc vào một nhà cung cấp. - Bạn có máy chủ GPU riêng và cần máy trạng thái chuẩn mực để điều phối các mô hình mã nguồn mở. ### Bạn nên bỏ qua Lanshu nếu: - Bạn chỉ cần làm vài video ngắn mỗi tháng cho mục đích cá nhân (hãy dùng dịch vụ web cho nhanh). - Bạn chưa thiết lập các môi trường agent như Codex, Antigravity hay Claude Code. - Bạn mong đợi phần mềm một nút bấm mà không cần cấu hình thêm dịch vụ phụ trợ. *** ## Lời khuyên cuối (Final Take) Lanshu không phải chiếc đũa thần tạo video miễn phí như lời đồn, nhưng là hình mẫu kiến trúc vô giá về cách thuần hóa những mô hình AI đỏng đảnh thành cỗ máy sản xuất ổn định và tiết kiệm chi phí. ### Thử thách thực hành (Student First Assignment) Tải kho mã nguồn Lanshu, mở `assets/job.template.json` và chạy thử lệnh `python3 scripts/init_job.py` với ảnh chân dung cùng kịch bản ngắn 30 giây. Quan sát cấu trúc thư mục vừa tạo và kiểm tra `qa/reports/preflight.json` để thấy cách hệ thống ngăn chặn tải dữ liệu trái phép trước khi kết nối mạng. *** ## Câu hỏi thường gặp (FAQ) **Công cụ Lanshu có tạo video hoàn toàn miễn phí không?** Không. Lanshu là bộ kỹ năng điều phối cho agent, không chứa trọng số AI. Bạn cần kết nối dịch vụ ngoài hoặc dựng máy chủ GPU cục bộ (như ComfyUI) để sinh âm thanh và hình ảnh. **Vì sao Lanshu bắt buộc khóa âm thanh trước khi sinh hình ảnh?** Để triệt tiêu độ trễ khẩu hình. Âm thanh cố định đóng vai trò đồng hồ chủ đạo, cung cấp mốc mili-giây chuẩn xác cho toàn bộ dòng thời gian cắt cảnh và phụ đề. **Motion Plate trong quy trình Lanshu có tác dụng gì?** Motion Plate là video chuyển động cơ thể tự nhiên nhưng chưa khớp khẩu hình. Lanshu giữ lại tệp này để vá miệng bằng công cụ chuyên biệt, tránh việc phải sinh lại video tốn kém. **Lanshu kiểm soát chi phí gọi API bằng cách nào?** Hệ thống bắt buộc sinh bản thử 5 giây, lưu mã tác vụ trên đĩa để chống trừ tiền hai lần khi mất mạng, và tự động ngắt sau ba lần thử thất bại.