Hai video nhân vật đọc log

Copy đoạn này, dán vào agent của bạn (Claude Code, Codex). Agent cài và kiểm tra từng bước.

Mục tiêu: dựng môi trường làm video giải thích tiếng Việt có nhân vật hoạt hình. Chạy trên máy (macOS hoặc Linux).

Quy tắc:
- Làm từng bước. Kiểm tra xong mới qua bước sau.

Các bước:
1. Kiểm tra `uv`, `ffmpeg` và Node 18 trở lên. Thiếu thì cài.
2. Tạo môi trường Python 3.12: `uv venv ~/.agentvid/vieneu-env --python 3.12`.
3. Cài `vieneu` và `faster-whisper` vào môi trường đó.
4. Đọc thử một câu bằng preset "Thục Đoan" và "Thanh Bình". Lưu mỗi giọng ra một file wav. Lần đầu tải model khoảng 600 MB.
5. Dùng `faster-whisper` (model small, tiếng Việt) lấy mốc giờ từng chữ. Xuất JSON dạng [{w, s, e}].
6. Giọng tiếng Anh (nếu cần): tạo môi trường Python 3.11 riêng, cài `chatterbox-tts`. Trên Mac, dùng GPU (`mps`) và đặt `PYTORCH_ENABLE_MPS_FALLBACK=1`.
7. Mình sẽ đưa một mẫu giọng tiếng Anh dài 10 đến 15 giây. Dùng mẫu đó nhân bản giọng, để thông số mặc định. Đọc thử một câu, lưu ra wav.
8. Tạo trang HTML 1080x1920 có GSAP timeline và file wav. Render thử 5 giây bằng `npx hyperframes render`.
9. Viết script Python (numpy, Pillow). Canh từng ảnh nét mặt theo ảnh gốc. Chỉ giữ vùng mặt có thay đổi. Xuất PNG nền trong suốt.
10. Khẩu hình: mở miệng ở mỗi chữ, khoảng 60% thời lượng của chữ.
11. Chớp mắt mỗi 2,6 đến 5 giây. Dùng seed cố định.

Kịch bản:
- Tên tiếng Anh đi qua bảng phiên âm (ví dụ: Claude đọc "Cờ lót"). Phụ đề giữ chữ gốc.
- Một câu, một ý. Không thêm dữ kiện ngoài log.

Báo cáo: cái gì đã cài, file thử nằm đâu, bước nào lỗi.

Goal: set up a local environment to make Vietnamese explainer videos with an animated character. Target: macOS or Linux.

Rules:
- Do one step at a time. Verify each step before you start the next.

Steps:
1. Check for `uv`, `ffmpeg`, and Node 18 or later. If one is missing, install it.
2. Create a Python 3.12 environment: `uv venv ~/.agentvid/vieneu-env --python 3.12`.
3. Install `vieneu` and `faster-whisper` in that environment.
4. Read one Vietnamese sentence with the presets "Thục Đoan" and "Thanh Bình". Save each voice as a WAV file. The first run downloads a model of approximately 600 MB.
5. Use `faster-whisper` (model small, language vi) to get the time of each word. Write JSON as [{w, s, e}].
6. English voice (if necessary): create a separate Python 3.11 environment and install `chatterbox-tts`. On a Mac, use the GPU (`mps`) and set `PYTORCH_ENABLE_MPS_FALLBACK=1`.
7. I will give you an English voice sample of 10 to 15 seconds. Use it to clone the voice, with the default settings. Read one test sentence and save it as a WAV file.
8. Make a 1080x1920 HTML page with a GSAP timeline and the WAV file. Render 5 seconds with `npx hyperframes render`.
9. Write a Python script (numpy, Pillow). Align each expression image to the base image. Keep only the face pixels that changed. Write PNG files with a transparent background.
10. Mouth: open it on each word, for approximately 60% of the word duration.
11. Blink every 2.6 to 5 seconds. Use a fixed seed.

Script rules:
- Send English names through a pronunciation table (example: read Claude as "Cờ lót"). Captions keep the original word.
- One sentence, one idea. Do not add facts that are not in the log.

Report: what you installed, where the test files are, and which steps failed.