
Bộ 9 công cụ dựng video local: số đo thật và cách ghép
Chạy thật 8/9 công cụ: FFmpeg dò khoảng lặng sai 23 µs, Whisper 1,4× thời gian thực, MediaPipe 13,7 ms, HyperFrames 2,6×. Apple Vision chỉ có trên Mac.
Tôi cài và chạy thật từng công cụ trong bảng trước khi viết bài này — không đọc README rồi chép lại. Kết quả: 8 trong 9 công cụ chạy được trên Windows, chỉ Apple Vision là không (nó chỉ có trên macOS).
Đây là bảng công cụ cùng số đo thật, để bạn biết cái nào đáng dùng và cái nào sẽ làm bạn mất thời gian.
Bảng công cụ và số đo thật
| Công cụ | Làm gì trong app | Số đo thật |
|---|---|---|
| FFmpeg | Xử lý hình/âm thanh, dò khoảng lặng, ghép lớp, xuất MP4 | dò đúng khoảng lặng 1,9999 s → 5,0000 s (dài 3,0000 s) |
| FFprobe | Đọc thông tin video: thời lượng, độ phân giải, fps, luồng âm thanh, chiều xoay | 0,799 s cho video 5 s / 1080×1920 |
| imageio-ffmpeg | Cung cấp bộ FFmpeg riêng cho dự án | 100,5 MB, bản ffmpeg 9.0.2, tự tải khi cài |
| Whisper.cpp + model small | Nhận dạng giọng nói, tạo phụ đề local | 9,79 s cho audio 7,02 s (CPU, 8 luồng) |
| Apple Vision | Tách người, mask cho chữ sau người, bám mặt | không chạy trên Windows — chỉ macOS |
| MediaPipe Face Landmarker | Bám mặt để chỉnh da | 13,7 ms trung vị, 478 điểm, model 3,6 MB |
| HyperFrames + GSAP | Tạo chữ động và graphic theo mẫu | 25,9 s render video 10 s / 300 khung / 1920×1080 |
| Chrome chạy nền | Giúp HyperFrames dựng graphic thành khung hình | 6 worker song song, chụp 20,1 s |
| Pillow | Vẽ chữ tiếng Việt, tạo ảnh chữ | 2,9–6,6 ms, không thiếu dấu nào |
Tất cả đo trên Windows 11, CPU. Không dùng GPU cho bất kỳ phép đo nào ở trên.

FFmpeg: nền tảng của mọi thứ
Mọi app dựng video đều phải có FFmpeg. Nó làm bốn việc: cắt/ghép, đổi định dạng, dò khoảng lặng, và xuất MP4.
Dò khoảng lặng — việc quan trọng nhất
Đây là khâu quyết định chất lượng video nói chuyện. Bạn cần biết chỗ nào im lặng để cắt bớt, chèn hiệu ứng, hoặc canh phụ đề.
ffmpeg -nostdin -i input.wav \\
-af "silencedetect=noise=-40dB:d=1.0" \\
-f null - 2>&1 | grep silence
Tôi tạo file test có đúng 2 s tiếng, 3 s im lặng, rồi 3 s tiếng. Kết quả:
silence_start: 1.999977
silence_end: 5.000023 | silence_duration: 3.000045
Sai số 23 micro-giây — đủ chính xác cho mọi nhu cầu dựng video.
Hai tham số cần hiểu:
| Tham số | Nghĩa | Nên đặt |
|---|---|---|
noise | ngưỡng coi là im lặng | -40dB cho giọng nói trong nhà; -30dB nếu có tạp âm |
d | độ dài tối thiểu để tính là khoảng lặng | 1.0 giây; giảm còn 0.5 nếu muốn cắt gắt |
Cái bẫy: ffmpeg sẽ treo nếu không có -nostdin khi chạy trong script. Tôi đã gặp đúng lỗi này — lệnh chạy 420 giây rồi timeout mà không in gì. Thêm -nostdin là xong.
FFprobe: đọc thông tin trước khi xử lý
Không bao giờ xử lý video mà không đọc thông tin trước. Video quay bằng điện thoại có thể bị xoay 90°, fps lạ, hoặc audio 6 kênh.
ffprobe -v quiet -print_format json \\
-show_format -show_streams input.mp4
Kết quả trên video test của tôi:
duration: 5.000000 | size: 9746163 | bitrate: 15593860
video | h264 | 1080 x 1920 | fps: 30/1
audio | aac | 1 kênh
0,799 giây — rẻ hơn nhiều so với việc xử lý sai rồi phải làm lại.
Ba thứ phải kiểm mỗi lần:
- Rotation: video dọc quay bằng điện thoại thường có tag
rotate=90. Nếu bỏ qua, bạn sẽ xuất ra video nằm ngang bị bóp méo. - fps thật:
r_frame_ratecó thể là30000/1001(29,97) chứ không phải 30. Đừng làm tròn. - Số kênh audio: nếu là 2 kênh mà bạn xử lý như mono, âm thanh sẽ bị nửa cường độ.
imageio-ffmpeg: đừng bắt người dùng cài FFmpeg
Đây là quyết định kiến trúc đúng. Nếu app của bạn gọi ffmpeg từ PATH, người dùng Windows sẽ gặp lỗi "ffmpeg is not recognized" — và 90% sẽ bỏ cuộc.
pip install imageio-ffmpeg
import imageio_ffmpeg
exe = imageio_ffmpeg.get_ffmpeg_exe()
Kết quả thật trên máy tôi:
| Thông số | Giá trị |
|---|---|
| Phiên bản | imageio-ffmpeg 0.8.1 |
| Đường dẫn | site-packages/imageio_ffmpeg/binaries/ffmpeg-win-x86_64-v9.0.2.exe |
| Dung lượng | 100,5 MB |
| Bản FFmpeg | 9.0.2 |
Đánh đổi cần biết: 100 MB là giá phải trả để app tự chứa. Nhưng nó đổi lấy việc cài đặt một phát ăn ngay. Với app desktop, đây là lựa chọn đúng.
Một điều nữa: bản trong imageio-ffmpeg là bản essentials — thiếu vài codec ít dùng. Nếu bạn cần encode HEVC hoặc AV1, phải tự tải bản full.
Whisper.cpp: phụ đề local, không gửi lên cloud
Đây là lựa chọn đúng cho app xử lý video cá nhân. Nhận dạng ngay trên máy, không upload, không tốn phí API.
Số đo thật
Tôi tải bản Windows có sẵn (whisper-bin-Win32.zip, 5,5 MB), model ggml-small-q8_0 (253 MB), rồi chạy trên audio 7,02 giây:
[00:00:00.000 --> 00:00:03.720] Hello, this is a test of speech recognition.
[00:00:03.720 --> 00:00:06.240] Today the weather is nice and I am making a video.
Thời gian chi tiết:
| Khâu | Thời gian |
|---|---|
| Tải model vào RAM | 530,63 ms |
| Tính mel | 28,79 ms |
| Encode (nặng nhất) | 7.144 ms |
| Decode | 1.755 ms |
| Tổng | 9.793 ms |
Nghĩa là chậm hơn thời gian thực khoảng 1,4 lần trên CPU. Video 10 phút sẽ mất khoảng 14 phút để tạo phụ đề.
Chọn model nào
| Model | Dung lượng | Phù hợp |
|---|---|---|
| tiny | 74 MB | thử nhanh, chất lượng thấp |
| base | 141 MB | tiếng Anh rõ, ít tạp âm |
| small | 465 MB (q8_0: 252 MB) | cân bằng tốt nhất — dùng cái này |
| medium | 1,46 GB | chất lượng cao, chậm |
| large-v3-turbo | 1,55 GB | tốt nhất nhưng cần GPU |
Bản q8_0 giảm một nửa dung lượng, gần như không mất chất lượng. Đây là mặc định nên dùng.
Với tiếng Việt
Whisper nhận được tiếng Việt nhưng cần lưu ý:
- Dùng
-l viđể chỉ định ngôn ngữ, đừng để tự đoán — nó hay nhầm Việt với Thái hoặc Trung. - Model small là mức tối thiểu cho tiếng Việt dùng được. Tiny và base sẽ sai dấu nhiều.
- Audio phải là 16 kHz mono PCM. Chuyển bằng:
ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le out.wav - Với video có nhạc nền, phải tách giọng trước — Whisper nhận cả nhạc thành chữ.
Apple Vision: chỉ macOS, đừng tính vào lộ trình Windows
Đây là chỗ nhiều người lập kế hoạch sai. Bảng ghi "bám mặt trên Mac" — và đúng là chỉ trên Mac.
Ba API liên quan:
| API | Việc | Nền tảng |
|---|---|---|
VNGeneratePersonSegmentationRequest | tách người khỏi nền, tạo mask | macOS 12+, iOS 15+ |
VNDetectFaceRectanglesRequest | tìm khuôn mặt | macOS 10.13+ |
VNFaceLandmarks2D | 76 điểm chi tiết trên mặt | macOS 10.13+ |
Không có bản Windows. Không có bản Linux. Nếu app của bạn cần chạy đa nền tảng, phải có hai đường code riêng — và đây chính là lý do MediaPipe có mặt trong bảng.
MediaPipe: thay thế đa nền tảng cho Apple Vision
Đây là câu trả lời cho Windows. Cùng việc bám mặt, chạy được mọi nơi.
Số đo thật
pip install mediapipe # 1.2.3
20 lần chạy liên tiếp:
min 10,8 ms
trung vị 13,7 ms
max 24,4 ms
Số điểm: 478
Model face_landmarker.task chỉ 3,6 MB và tải trong 0,3 giây.
478 điểm là con số quan trọng: nhiều hơn 76 điểm của Apple Vision hơn 6 lần. Nghĩa là bạn làm được những việc Apple Vision không làm được — như theo dõi mí mắt, môi, hay chuyển động đầu chi tiết.
from mediapipe.tasks.python import BaseOptions
from mediapipe.tasks.python.vision import FaceLandmarker, FaceLandmarkerOptions
opts = FaceLandmarkerOptions(
base_options=BaseOptions(model_asset_path="face_landmarker.task"),
running_mode=vision.RunningMode.IMAGE,
num_faces=1,
)
with FaceLandmarker.create_from_options(opts) as lm:
result = lm.detect(mp_image)
landmarks = result.face_landmarks[0] # 478 điểm
13,7 ms/khung nghĩa là xử lý được 73 khung/giây trên CPU. Thừa sức cho video 30 fps theo thời gian thực.
Lưu ý về Windows: bảng ghi "đã chuẩn bị bộ cài Windows Intel, chưa kiểm trực tiếp". Tôi đã kiểm: chạy được, cài bằng pip install mediapipe, không cần build gì.
HyperFrames + GSAP: dựng graphic bằng HTML
Đây là phần thú vị nhất của bảng. Thay vì dùng thư viện dựng video phức tạp, bạn viết HTML + CSS + GSAP rồi render ra MP4.
Chạy thật
npm install hyperframes # 0.9.71, 74 gói, 21 giây
npx hyperframes init demo1
cd demo1 && npm run check # 0 lỗi, 0 cảnh báo
npm run render
Kết quả render:
| Thông số | Giá trị |
|---|---|
| Thời gian render | 25,9 giây |
| Video ra | 10,0 s, 1920×1080, 30 fps, H.264 |
| Số khung | 300 |
| Worker | 6 (song song) |
| Chụp khung | 20,1 s |
| Encode | 0,4 s |
| Dung lượng | 29,7 KB |
Tỷ lệ: 2,6 giây render cho 1 giây video. Video 5 phút sẽ mất khoảng 13 phút render.
Chrome chạy nền làm gì
Đây là chỗ bảng ghi đúng và rất cô đọng: "Giúp HyperFrames dựng graphic thành các khung hình".
HyperFrames không có engine đồ hoạ riêng. Nó mở Chrome ẩn, chụp từng khung hình của trang HTML, rồi ghép 300 tấm ảnh thành video bằng FFmpeg. Đó là lý do:
- Cần Chrome (hoặc Chromium) trên máy
- Chụp khung là khâu chậm nhất — 20,1 trong 25,9 giây
- Dùng 6 worker song song để chụp nhiều khung cùng lúc
Nó dùng @puppeteer/browsers — tức là có thể tự tải Chromium riêng, không cần Chrome cài sẵn.
Ưu và nhược
| Ưu điểm | Nhược điểm |
|---|---|
| Viết graphic bằng HTML/CSS — ai cũng biết | Render chậm: 2,6 giây cho 1 giây video |
| GSAP cho animation mượt, có timeline | Cần Chrome/Chromium |
Có check bắt lỗi trước khi render | Video phải là 1920×1080 cố định |
| Giấy phép Apache-2.0 | Output chỉ H.264 cơ bản |
Pillow: vẽ chữ tiếng Việt
Đây là công cụ đơn giản nhất nhưng dễ sai nhất — vì tiếng Việt có dấu.
Số đo thật
Tôi vẽ chuỗi "Tiếng Việt có dấu: ắ ằ ẳ ẵ ặ ố ồ ổ ỗ ộ ợ ữ ự" ở cỡ 72 px bằng ba font Windows:
| Font | Thời gian | Thiếu dấu |
|---|---|---|
| arial.ttf | 6,6 ms | không |
| segoeui.ttf | 2,9 ms | không |
| tahoma.ttf | 4,6 ms | không |
Cả ba font hệ thống của Windows đều đủ dấu tiếng Việt. Vấn đề chỉ xuất hiện khi bạn dùng font tải về từ mạng.
from PIL import Image, ImageDraw, ImageFont
font = ImageFont.truetype("C:/Windows/Fonts/segoeui.ttf", 72)
img = Image.new("RGBA", (1600, 200), (0, 0, 0, 0))
ImageDraw.Draw(img).text((10, 50), "Tiếng Việt có dấu", font=font, fill=(255,255,255,255))
Bốn cái bẫy
1. Font thiếu dấu không báo lỗi. PIL không ném exception — nó vẽ ô vuông hoặc bỏ trống. Phải tự kiểm:
for ch in "ắằẳẵặốồổỗộợữự":
t = Image.new("L", (120, 120), 0)
ImageDraw.Draw(t).text((10, 10), ch, font=font, fill=255)
if t.getbbox() is None:
print("THIEU:", ch)
2. Dùng font có sẵn của hệ điều hành, đừng tải font lạ. Arial, Segoe UI, Tahoma đều đủ dấu. Font Google Fonts thì phải kiểm từng cái.
3. getbbox() trả toạ độ tương đối, không phải kích thước. Muốn canh giữa, phải tính (bbox[2]-bbox[0]), không phải bbox[2].
4. Nền trong suốt cần RGBA + fill có alpha. Nếu tạo RGB rồi ghép lên video, chữ sẽ có nền đen hoặc trắng đặc.

Ghép thành pipeline
Đây là thứ tự tôi khuyên, dựa trên số đo ở trên:
1. FFprobe → đọc thông tin, phát hiện video xoay/lạ
2. FFmpeg → chuẩn hoá về 16 kHz mono + tách audio
3. Whisper.cpp → tạo phụ đề (chậm nhất, chạy nền)
4. FFmpeg → dò khoảng lặng, cắt bớt chỗ trống
5. MediaPipe → bám mặt (nếu cần chữ sau người)
6. Pillow → vẽ chữ tiếng Việt (nếu không dùng HyperFrames)
hoặc HyperFrames → dựng graphic động bằng HTML
7. FFmpeg → ghép lớp, xuất MP4
Điểm nghẽn là Whisper — 1,4× thời gian thực. Nên cho nó chạy nền ngay từ đầu, trong lúc người dùng làm việc khác.
Khâu nhanh nhất là Pillow và MediaPipe — vài mili-giây, không đáng lo.
Phù hợp với ai
Đọc bài này nếu:
- Bạn đang xây app dựng video, cắt clip, hoặc tạo phụ đề tự động.
- Bạn cần chạy local, không gửi video của người dùng lên cloud.
- Bạn làm nội dung tiếng Việt và cần biết công cụ nào xử lý dấu đúng.
Cân nhắc nếu:
- Bạn chỉ cần cắt video đơn giản — dùng FFmpeg là đủ, không cần cả pipeline.
- Bạn cần render nhanh gấp nhiều lần — HyperFrames render 2,6× thời lượng video; cân nhắc render bằng GPU hoặc engine native.
- Bạn làm app cho Mac — có thể dùng Apple Vision thay MediaPipe để tận dụng máy.
- Bạn cần nhận dạng tiếng Việt thật chính xác — Whisper small là mức tối thiểu, nên thử medium nếu có GPU.
Ba điều tôi học được khi chạy thật
1. FFmpeg treo im lặng nếu thiếu -nostdin. Lệnh của tôi chạy 420 giây rồi bị kill mà không in một dòng nào. Không có thông báo lỗi — chỉ treo. Đây là bẫy nguy hiểm nhất vì nó trông như đang chạy bình thường.
2. Bảng ghi "chưa kiểm trên Windows" hoá ra lại chạy được. MediaPipe cài bằng một lệnh pip, không cần build. Nhưng Apple Vision thì đúng là không có — và không có cách nào lách.
3. Tốc độ thật khác xa cảm giác. Whisper chậm 1,4× thời gian thực trên CPU — nghĩa là video 10 phút mất 14 phút. Nếu không đo trước, bạn sẽ hứa với người dùng một con số sai.
Nguồn tham khảo
- FFmpeg — tài liệu chính thức — Bộ lọc silencedetect, tham số -nostdin, xuất MP4
- FFmpeg — bộ lọc silencedetect — Cách đặt noise và d để dò khoảng lặng chính xác
- imageio-ffmpeg (PyPI) — Bộ FFmpeg đóng gói sẵn, get_ffmpeg_exe()
- ggml-org/whisper.cpp — 55.344 sao, giấy phép MIT, bản Windows tải sẵn
- Whisper.cpp — model trên Hugging Face — Dung lượng từng model: tiny 74 MB tới large-v3 2,95 GB
- Apple — VNGeneratePersonSegmentationRequest — Tách người trên macOS/iOS, không có bản Windows
- MediaPipe Face Landmarker — 478 điểm, model 3,6 MB, Apache-2.0
- hyperframes (npm) — 0.9.71, Apache-2.0, render HTML ra MP4
- GSAP — 3.15.1, giấy phép miễn phí cho hầu hết trường hợp
- Pillow — ImageDraw — text(), getbbox(), xử lý font TrueType