Nếu bạn từng làm video kể chuyện lịch sử hoặc nhân vật trên kênh dọc, chắc bạn biết cảnh phải nhảy qua lại giữa năm sáu công cụ. Tìm tư liệu ở tab này, viết lời thoại ở tab khác, thu âm xong lại phải căn timestamp bằng tay, rồi ngồi trong CapCut kéo từng keyframe cho vài chục tấm ảnh. Story Studio gom toàn bộ chuỗi đó vào một Skill cho AI Agent.
Repo này là một bộ skill viết bằng Python, thiết kế cho các agent hỗ trợ Skill như Claude Code, Codex hay Cursor. Bạn đưa yêu cầu bằng ngôn ngữ tự nhiên, agent chạy qua pipeline: chọn đề tài, viết kịch bản, tạo giọng đọc, căn phụ đề, chia storyboard, sinh ảnh, cuối cùng xuất ra file nháp của JianYing Pro (bản Trung Quốc của CapCut). Điểm mấu chốt là file nháp đó mở lên sửa được, không phải video render chết.
Nó giải quyết đúng cái đau nhất: căn thời gian
Phần lớn tool AI làm video ngắn đều chia đều thời lượng cho các ảnh theo số chữ. Cách đó sai ngay khi câu đầu tiên chưa kịp hiện hình. Story Studio đi ngược lại: nó ưu tiên audio trước (audio-first). Sau khi có file thoại, nó chạy nhận dạng offline bằng Coli (nền sherpa-onnx) để sinh phụ đề SRT có timestamp chính xác tới từng từ, rồi mới chia storyboard theo nhịp khoảng 8 giây một ảnh dựa trên timestamp thật đó. Ảnh đầu tiên xuất hiện ngay frame 0.
Cái này nghe nhỏ nhưng là khác biệt lớn. Bạn xem lại video tự làm bằng tool khác sẽ thấy cảnh nhân vật đang nói về năm 1920 mà ảnh vẫn là cảnh chiến tranh thập niên 1940, lệch vài giây là đủ phá mood.
Vì sao 499 sao trong 3 ngày
Repo tạo ngày 26/10/2026, cập nhật 29/10/2026, tức là 3 ngày có 499 sao. Con số này không đến từ việc nó là framework đồ sộ gì. Nó đến từ một thị trường rất cụ thể: dân làm kênh video dọc về lịch sử, nhân vật, truyền kỳ. Nhóm này đông, họ có nhu cầu sản xuất hàng ngày, và họ sẵn sàng trả tiền cho tool cắt giảm thời gian edit. Một skill chạy trong agent có sẵn của họ, không cần học IDE mới, là lựa chọn dễ chịu.
Điểm khác biệt so với đa số tool “text to video” khác: Story Studio không cố sinh video hoàn chỉnh. Nó sinh project nháp để bạn còn chỉnh. Đây là triết lý đúng với người làm nội dung thật, vì AI chưa đủ tin để xuất bản thẳng.
Cài đặt và chạy thử
README mô tả ba cách cài. Cách nhẹ nhất là để agent tự cài trong hội thoại, không cần gõ lệnh terminal:
Cài giúp tôi Story Studio từ github.com/konlu/story-studioSau khi cài, bạn cần khai báo khóa API cho phần giọng đọc nếu dùng đường tự động. Provider được dùng là Doubao Speech (Volcano Engine) qua giao thức WebSocket V3 streaming, hỗ trợ hai model seed-tts-2.0 và seed-icl-2.0. Bạn lấy ba thứ trong console: API Key, speaker ID và resource_id. Key được lưu mã hóa bằng DPAPI trên Windows hoặc file quyền 0600 trên macOS/Linux, không ghi vào repo.
Nếu bạn đã có sẵn file MP3 tự thu hoặc từ phần mềm khác, chỉ cần ném vào thư mục project và bảo agent đọc tiếp. Nó bỏ qua bước gọi cloud, nhảy thẳng sang căn phụ đề offline.
Bước cuối là xuất file. Agent gọi pyJianYingDraft để tạo project, copy toàn bộ ảnh và audio vào thư mục nháp, set timeline 1080×1920, 30fps, và tự chèn keyframe zoom cho từng cảnh. Có một script kiểm tra tên check_handoff.py chạy trước khi xuất, mục đích là verify ảnh nào ứng với câu thoại nào.
Ai nên thử
Rõ ràng nhất là người làm kênh kể chuyện lịch sử hoặc nhân vật trên nền tảng dọc, đăng đều đặn. Nhóm thứ hai là dev đang build tool nội bộ cho team content, có thể fork skill này làm nền. Nhóm thứ ba là ai tò mò muốn xem agent Skill xử lý pipeline phức tạp ra sao, vì code Python ở đây khá gọn để đọc. Còn nếu bạn làm video ngắn dạng giải trí nhanh, không cần căn timestamp kỹ, thì công cụ này hơi quá tay.
Ưu điểm và những chỗ cần cân nhắc
Ưu điểm dễ thấy: pipeline khép kín trong một skill, không phải cài 5 tool rời; có sẵn kho tham chiếu lớn (57 bài viết lịch sử, hơn 300 bài chân dung nhân vật) để agent bám phong cách; ba bộ style ảnh kèm ảnh mẫu (HC01 tới HC06, MN01 tới MN06) để giảm lệch style giữa các cảnh; và điểm cộng về mặt vận hành là có cơ chế chống gọi trùng API tốn tiền bằng cách hash văn bản và audio.
Những chỗ cần cân nhắc. Một, phần giọng đọc gắn chặt với Doubao, không có adapter cho provider khác. Nếu bạn đang dùng ElevenLabs hoặc Azure thì phải tự viết thêm. Hai, repo mới 3 ngày tuổi, dù license MIT nhưng độ ổn định và tài liệu sẽ còn xáo trộn. README hiện tại khá chi tiết nhưng chủ yếu tiếng Trung, chưa có bản tiếng Anh đầy đủ. Ba, việc phụ thuộc vào pyJianYingDraft nghĩa là chỉ xuất được cho JianYing Pro, bản quốc tế CapCut dùng định dạng khác. Bốn, phần render FFmpeg cục bộ là tùy chọn, nếu dùng thì chất lượng phụ thuộc script affine của repo, không bằng render trong app chính chủ.
Cá nhân tôi thấy hướng đi hợp lý hơn nhiều tool “one-shot video” khác. Nó thừa nhận AI giỏi viết và dựng nháp, còn con người vẫn cần ngồi duyệt. Cái giá phải trả là setup ban đầu hơi lằng nhằng nếu bạn chưa từng dùng agent Skill, và bạn bị khóa vào hệ Doubao cộng JianYing. Đổi lại là tiết kiệm được khâu căn keyframe, thứ mà dân edit video dọc biết nó ngốn thời gian cỡ nào.
Repo ở đây: konlu/story-studio. Nếu bạn làm content lịch sử, đáng bỏ 30 phút cuối tuần đọc README và chạy thử một video ngắn trước khi quyết định có đưa vào workflow chính thức không.
