Video YouTube Dài 20 Phút Cần Bao Nhiêu Ảnh Minh Hoạ? Cách Tính Để Không Thiếu, Không Thừa

Nhiều người tính ngược: "tập của tôi 20 phút, vậy chắc cần khoảng 100 ảnh". Cách tính đó không sai, nhưng nó bỏ qua biến số thật sự quyết định con số: mỗi ảnh ở trên màn hình bao lâu. Cùng một tập 20 phút, nếu mỗi ảnh giữ 10 giây bạn cần khoảng 120 ảnh; nếu mỗi ảnh giữ 5 giây, con số nhảy lên gần 240. Chênh nhau gấp đôi, và gấp đôi công sức chuẩn bị.

Vậy giữ bao lâu là hợp lý? Trong thực tế làm video faceless dạng giọng đọc, khoảng phổ biến là 5 đến 10 giây mỗi ảnh. Một số hướng dẫn về video storytelling khuyên 3-7 giây, một số hướng dẫn làm slideshow ảnh lại lấy mốc tròn 10 giây cho dễ tính. Cả hai đều đúng trong bối cảnh của nó: 3-7 giây hợp với nội dung dồn dập, nhiều chi tiết; 10 giây hợp với nội dung chậm, giọng đọc thong thả và ảnh có chuyển động nhẹ (zoom, pan).

Lý do không nên để một ảnh đứng quá lâu rất đơn giản: mắt người xem đọc xong một khung hình tĩnh trong vài giây là hết thông tin, phần còn lại là chờ đợi. Khi không còn gì mới để nhìn, tay họ tìm tới nút tua hoặc nút back. Ngược lại, đổi ảnh quá nhanh ở nội dung kể chuyện sâu lại gây mệt, người xem chưa kịp nhìn đã bị cắt.

Một cách tự kiểm tra nhanh mà tôi hay dùng: mở một tập cũ của chính mình, tua ngẫu nhiên tới phút thứ 7, 12, 17 và bấm xem liên tục 60 giây. Nếu trong 60 giây đó bạn nhìn thấy dưới 6 khung hình khác nhau, nhịp của bạn đang chậm. Nếu bạn thấy trên 15 khung hình mà nội dung lại là kể chuyện cảm xúc, nhịp đang quá gấp so với lời kể.

Lưu ý: "ảnh" ở đây tính theo số khung hình khác nhau xuất hiện trên màn hình, không phải số file bạn tải về. Một ảnh dùng lại 2 lần ở hai đoạn cách xa nhau vẫn chỉ là 1 file, nhưng chiếm 2 lượt hiển thị.

Công thức gốc chỉ có một dòng: Số ảnh = Tổng số giây của giọng đọc ÷ Số giây mỗi ảnh. Vấn đề là chọn mẫu số cho đúng và cộng thêm phần dự phòng. Dưới đây là ba bước tôi làm trước mỗi tập.

Bước 1: Đo đúng độ dài giọng đọc, không đoán theo số chữ kịch bản

Mở file giọng đọc đã lồng xong, xem tổng thời lượng. Một tập "20 phút" thực tế có thể là 18 phút 40 giây hoặc 22 phút 10 giây. Lấy số giây thật: 20 phút = 1200 giây. Nếu chưa lồng tiếng xong, ước lượng tạm bằng tốc độ đọc tiếng Việt phổ biến khoảng 140-160 từ mỗi phút, nhưng nhớ là con số này chỉ để lên kế hoạch, không dùng để chốt danh sách ảnh.

Bước 2: Chọn nhịp giây mỗi ảnh theo thể loại

Đây là chỗ phần lớn hướng dẫn trên mạng bỏ qua. Nội dung khác nhau cần nhịp khác nhau, chọn sai nhịp thì dù đủ ảnh video vẫn sai cảm giác. Khung tôi đang dùng:

• True crime, điều tra, vụ án: 5-7 giây mỗi ảnh. Nội dung nhiều mốc thời gian, nhiều nhân vật, nhiều vật chứng, nên hình phải chạy theo chi tiết lời kể.
• Tài liệu, khoa học, giải thích: 6-8 giây. Xen đồ hoạ số liệu và mốc thời gian, mỗi đồ hoạ nên giữ lâu hơn ảnh thường một chút để người xem đọc kịp.
• Tiểu sử, lịch sử nhân vật: 7-9 giây. Nhịp vừa phải, nhiều ảnh chân dung và bối cảnh có thể giữ lâu hơn.
• Kể chuyện, chữa lành, thiền, ngủ ngon: 9-12 giây. Nhịp chậm là một phần giá trị của nội dung, đổi hình dồn dập sẽ phá cảm giác thư giãn.

Bước 3: Cộng dự phòng 15-20%

Luôn có ảnh bạn tìm được nhưng tới lúc ghép mới thấy không hợp: sai bối cảnh, sai thời kỳ, chất lượng kém khi phóng to, hoặc trùng tông màu với ảnh liền kề. Tỷ lệ loại bỏ phổ biến rơi vào khoảng 15-20% số ảnh đã chuẩn bị. Đừng cộng dự phòng 50%, đó chính là cái bẫy "tìm thừa" khiến bạn mất thêm cả buổi.

Ví dụ đầy đủ cho một tập true crime 20 phút: 1200 giây ÷ 6 giây = 200 lượt hiển thị. Nếu bạn tái sử dụng khoảng 10% (ảnh hiện trường, ảnh nhân vật chính quay lại vài lần), số file cần có còn khoảng 180. Cộng dự phòng 18% nữa: chuẩn bị khoảng 210 ảnh là đủ để dựng thoải mái mà không thừa mứa.

Nếu bạn không muốn tự tính, dùng bảng dưới. Các con số là ước lượng số lượt hiển thị ảnh, chưa cộng dự phòng và chưa trừ phần tái sử dụng. Lấy con số này rồi điều chỉnh theo bước 3 ở trên.

Nhìn bảng này bạn sẽ hiểu vì sao nhiều người làm được 3-4 tập rồi bỏ cuộc: một tập 20 phút nhịp vừa cần khoảng 170 ảnh, mỗi tuần hai tập là gần 350 ảnh phải tìm, tải, đặt tên, sắp thứ tự. Đó là khối lượng việc tay rất lớn, và nó không hề giảm đi theo thời gian nếu quy trình không đổi.

Hai cách hợp lệ để kéo con số xuống

• Cho ảnh chuyển động nhẹ: một ảnh tĩnh có zoom chậm hoặc pan ngang có thể giữ 10-12 giây mà vẫn không chán, trong khi ảnh đứng yên hoàn toàn thì 6 giây đã thấy lâu. Riêng việc này đã cắt được khoảng 30-40% số ảnh cần chuẩn bị. Cách làm chi tiết có trong bài Dùng ảnh chuyển động thay clip AI.
• Chèn đồ hoạ số liệu và mốc thời gian: với tài liệu và true crime, một biểu đồ hoặc timeline giữ 12-15 giây là bình thường vì người xem cần thời gian đọc. Mỗi đồ hoạ như vậy "thay" được 2 ảnh thường, lại làm video trông chỉn chu hơn hẳn. Xem thêm cách làm đồ hoạ số liệu cho video tài liệu.

Cách không nên dùng để giảm số ảnh: kéo dài một ảnh tĩnh 20-30 giây, hoặc lặp đi lặp lại 5-6 ảnh suốt cả tập. Người xem nhận ra ngay và đây cũng là kiểu nội dung dễ bị đánh giá là làm cho có.

Công thức chia đều ở trên rất tiện để ước lượng khối lượng việc, nhưng nếu bạn dựng y nguyên theo nó, cứ 6 giây đổi một ảnh bất kể lời kể đang nói gì, video sẽ có cảm giác máy móc. Người xem không nói được chính xác sai ở đâu, họ chỉ thấy "ảnh và lời không ăn nhập".

Cách làm đúng hơn: chia kịch bản theo ý, mỗi ý là một cảnh, rồi mới tính ảnh cho từng cảnh. Một đoạn giọng đọc 40 giây mô tả hiện trường vụ án có thể cần 7 ảnh vì nó nhắc tới 7 chi tiết khác nhau. Một đoạn 40 giây khác chỉ nêu một kết luận duy nhất, 3 ảnh là đủ. Chia đều sẽ cho cả hai đoạn đúng 6-7 ảnh, và đoạn thứ hai sẽ bị cắt vụn vô nghĩa.

Quy trình đếm theo cảnh

Năm bước đếm số ảnh theo cảnh, chính xác hơn chia đều theo giây.

Bước "đếm danh từ hình ảnh" là bước quan trọng nhất. Đọc lại từng cảnh và gạch chân những thứ nhìn thấy được: một địa điểm, một con người, một đồ vật, một con số, một hành động. Mỗi thứ gạch chân là một ảnh tiềm năng. Những từ trừu tượng như "sự nghi ngờ", "áp lực tài chính" thì không gạch, chúng sẽ dùng ảnh bối cảnh hoặc ảnh ẩn dụ và bạn ghi chú riêng.

Sau khi cộng lại, so với bảng tra ở trên. Nếu tổng số ảnh theo cảnh lệch dưới 30% so với ước lượng chia đều, nhịp của bạn ổn. Nếu thấp hơn nhiều, kịch bản đang quá trừu tượng, thiếu chi tiết cụ thể để minh hoạ, và đó là vấn đề của kịch bản chứ không phải của khâu tìm ảnh. Nếu cao hơn nhiều, bạn đang định đổi hình quá dồn, nên gộp bớt chi tiết nhỏ vào cùng một ảnh. Phần chọn ảnh sao cho khớp từng câu, tôi viết riêng trong bài cách chọn ảnh minh hoạ khớp với lời kể.

Có con số rồi thì phải trả lời câu tiếp theo: chuẩn bị 170-210 ảnh cho một tập tốn bao nhiêu? Đây là phần hầu như không ai nói rõ, nên nhiều người làm được vài tập thì mới ngã ngửa.

Nếu tìm ảnh miễn phí hoặc ảnh tư liệu

Chi phí tiền gần như bằng 0, nhưng chi phí thời gian rất thật. Với người quen việc, tìm và tải một ảnh đúng ý mất khoảng 1-2 phút tính cả lúc gõ từ khoá, lướt kết quả, loại ảnh có watermark, đổi tên file theo thứ tự. Nhân với 180 ảnh là khoảng 3 đến 6 tiếng chỉ riêng khâu tìm ảnh, chưa dựng. Đây là lý do nhiều người thấy làm một tập mất cả ngày, tôi có phân tích kỹ hơn trong bài dựng một tập video dài mất bao lâu.

Nếu tạo ảnh bằng AI

Nhanh hơn nhiều về mặt tìm kiếm, nhưng phát sinh chi phí theo số ảnh và chi phí sửa prompt khi ảnh ra không đúng. Với tập cần 180 ảnh, bạn thường phải sinh nhiều hơn số đó vì tỷ lệ ảnh dùng được không bao giờ là 100%. Điểm cần cân nhắc: chi phí tăng tuyến tính theo số ảnh, nên tập càng dài và nhịp càng nhanh thì càng đắt.

Nếu dùng clip video AI toàn tập

Đây là lựa chọn đắt nhất và cũng là chỗ nhiều người bị hụt ngân sách sau khi hết gói miễn phí. Một tập 20 phút nếu dựng hoàn toàn bằng clip AI sẽ cần hàng trăm clip ngắn, và mỗi clip đắt hơn một ảnh nhiều lần. Bài làm video AI tốn bao nhiêu tiền có bóc tách cụ thể hơn.

Hai cách tiếp cận cùng một tập 20 phút, chênh lệch nằm ở thứ tự công việc.

Điểm mấu chốt: thứ tự đúng là kịch bản và giọng đọc trước, chia cảnh, lập danh sách ảnh, rồi mới đi tìm. Làm ngược lại là nguyên nhân số một của tình trạng vừa thiếu ảnh ở đoạn cần, vừa thừa ảnh ở đoạn không cần.

Toàn bộ quy trình ở trên hoàn toàn làm tay được, tôi đã làm tay nhiều tập. Nhưng nó có ba điểm mệt: nghe lại giọng đọc để đánh dấu chuyển ý, gõ danh sách ảnh theo đúng thứ tự cảnh, và canh thời điểm từng ảnh xuất hiện sao cho khớp câu. Ba việc này lặp lại y hệt ở mọi tập, và chúng chiếm phần lớn thời gian trước khi bạn thực sự chạm vào phần mềm dựng.

Đây chính là phần có thể tự động hoá. DC23 AI Studio là app Windows nhận vào file giọng đọc và kịch bản của bạn, tự phân tích rồi chia cảnh khớp theo lời kể, sau đó xuất ra luôn danh sách ảnh cần có theo từng cảnh. Nghĩa là bạn không phải tự ngồi đếm 170 hay 210 ảnh nữa: con số và danh mục cụ thể được đưa ra sẵn, bạn chỉ việc đi tìm hoặc tạo theo danh sách đó.

Vài điểm liên quan trực tiếp tới bài này:

• Dùng được ảnh và clip bạn đã có: những tư liệu bạn tự chụp, tự mua hay đã gom từ tập trước đều đưa vào được, không bắt buộc phải tạo mới toàn bộ.
• Làm đồ hoạ số liệu và phụ đề: phần mốc thời gian, con số trong kịch bản tài liệu được dựng thành đồ hoạ, giúp bạn giảm bớt số ảnh thường phải tìm.
• Sửa bằng chat tiếng Việt: muốn đoạn nào đổi hình chậm lại hay thay một ảnh ở cảnh cụ thể thì nhắn yêu cầu, không cần biết phần mềm dựng phim.
• Xuất MP4 1080p chuẩn âm lượng YouTube: ra file hoàn chỉnh để bạn tự đăng.
• Chi phí minh bạch: bạn dùng API key kie.ai của riêng mình, phân tích một tập khoảng 19 phút tốn tầm 0,4-0,5 USD, nên biết trước mỗi tập tốn bao nhiêu thay vì đoán.

App không viết kịch bản, không tạo giọng đọc, không làm tiêu đề, mô tả hay thumbnail và không đăng YouTube hộ bạn. Phần sáng tạo và quyết định vẫn là của bạn, phần lặp đi lặp lại thì giao cho máy. Muốn thử, nhắn Zalo kèm mã máy để được cấp mã dùng thử cho một máy, sau đó kích hoạt bằng mã; ai còn key DC23 cũ trong hạn thì mở thẳng bản Pro. Cách cài và chạy có trong hướng dẫn dùng DC23 AI Studio.

Dùng ít ảnh lặp lại nhiều lần có bị YouTube đánh giá là nội dung kém không?

YouTube không đếm số ảnh trong video của bạn. Vấn đề không nằm ở quy định mà nằm ở người xem: khi hình lặp đi lặp lại, họ thoát sớm, thời lượng xem giảm, và chính chỉ số đó mới ảnh hưởng tới việc video có được đề xuất tiếp hay không. Tái sử dụng ảnh là bình thường nếu có lý do kể chuyện, chẳng hạn quay lại chân dung nhân vật chính ở mỗi mốc quan trọng. Lặp vì lười tìm thì người xem cảm nhận được.

Nên xen bao nhiêu clip chuyển động giữa ảnh tĩnh?

Không có tỷ lệ bắt buộc. Cách tiết kiệm và hiệu quả là lấy ảnh tĩnh có chuyển động nhẹ làm nền chính, rồi dành clip thật cho vài điểm nhấn: mở đầu, các đoạn cao trào, và đoạn kết. Khoảng 5-10 điểm nhấn trong một tập 20 phút là đủ tạo cảm giác video có đầu tư mà không đội chi phí.

30 giây đầu có cần nhiều ảnh hơn phần còn lại không?

Có. Đoạn mở đầu là nơi lượng người rời đi nhiều nhất trong cả video, và YouTube cũng báo cáo riêng tỷ lệ người xem còn ở lại sau 30 giây đầu. Trong đoạn này tôi thường đổi hình nhanh hơn nhịp chuẩn khoảng 1-2 giây mỗi ảnh, dùng những hình mạnh nhất đã tìm được. Nghĩa là 30 giây đầu của tập nhịp 7 giây có thể cần 6 ảnh thay vì 4.

Video càng dài thì tỷ lệ xem hết càng thấp, vậy có nên làm ngắn lại?

Tỷ lệ xem trung bình của video dài tự nhiên thấp hơn video ngắn, đó là chuyện bình thường và không có nghĩa là video dở. Điều cần theo dõi là tổng thời gian xem và các điểm tụt mạnh trong biểu đồ. Nếu thấy một đoạn tụt dốc, mở đúng đoạn đó ra xem: rất thường là đoạn bị thiếu ảnh nên một hình đứng quá lâu. Cách đọc các chỉ số này sau mỗi tập tôi có ghi trong khung post-mortem video.

Chưa có giọng đọc thì lập danh sách ảnh trước được không?

Lập được danh sách sơ bộ từ kịch bản, nhưng đừng đi tìm ảnh vội. Tốc độ đọc thực tế luôn khác ước lượng, và nhiều câu khi đọc lên mới thấy cần tách hoặc gộp. Chờ có file giọng đọc hoàn chỉnh rồi mới chốt danh sách sẽ tiết kiệm hơn hẳn. Nếu bạn đang làm theo hướng giọng đọc có sẵn, xem thêm cách dựng video YouTube dài từ giọng đọc có sẵn.

Tóm lại, câu trả lời cho "video youtube dài cần bao nhiêu ảnh minh hoạ" là: lấy tổng số giây giọng đọc chia cho nhịp phù hợp với thể loại (5-7 giây cho true crime, 6-8 cho tài liệu, 7-9 cho tiểu sử, 9-12 cho kể chuyện chữa lành), rồi cộng thêm 15-20% dự phòng. Một tập 20 phút thông thường rơi vào khoảng 120 đến 240 ảnh tuỳ nhịp, và con số đó sẽ giảm đáng kể nếu bạn cho ảnh chuyển động nhẹ và chèn đồ hoạ số liệu.

Quan trọng hơn con số là thứ tự làm việc: chia cảnh theo ý trước, lập danh sách ảnh, rồi mới đi tìm một lượt. Làm đúng thứ tự này là bạn đã tránh được cả hai lỗi thiếu ảnh và thừa ảnh.

Nếu bạn không muốn ngồi đếm tay danh sách ảnh cho từng tập, DC23 AI Studio tự phân tích giọng đọc cùng kịch bản, chia cảnh khớp lời kể và xuất ra danh sách ảnh cần có, dùng được cả ảnh và clip bạn đã có sẵn. Nhắn Zalo kèm mã máy để nhận mã dùng thử và được tư vấn theo đúng thể loại kênh của bạn.