Cách tạo video AI có nhân vật trông như người thật

Khuôn mặt sắc nét và làn da chi tiết chưa đủ để một video AI trông như thật. Một khung hình tĩnh có thể trông thuyết phục trong khi cảnh quay chuyển động vẫn có cảm giác nhân tạo.

Thứ còn thiếu thường không phải là một từ khóa chất lượng nữa, mà là mối liên hệ giữa nhận diện, bối cảnh, động cơ và thời gian. Nhân vật phải luôn nhận ra được, bối cảnh phải vận hành như một nơi có thật, mỗi hành động đều cần một lý do, và hành động này phải tự nhiên dẫn sang hành động kế tiếp.

Bài này biến những mối liên hệ đó thành một quy trình sản xuất có thể lặp lại.

1. Chân thực nằm ở các mối liên hệ, không nằm ở độ phân giải

Những từ như 8K, ultra detailed hay cinematic skin texture có thể cải thiện chất lượng bề mặt, nhưng không chỉ đạo được diễn xuất.

Người xem còn để ý đến:

• việc cùng một nhân vật có giữ được nhận diện khi đổi góc máy hay không;
• ánh sáng trên nhân vật có khớp với căn phòng hay không;
• nhân vật có hướng nhìn rõ ràng và lý do để di chuyển hay không;
• đồ vật có đổi trạng thái sau khi bị chạm vào hay không;
• nhịp điệu có quãng dừng, phản ứng và động tác hoàn tất trọn vẹn hay không.

So sánh một nhân vật chủ yếu giữ nguyên tư thế với một nhân vật mà sự chú ý và đôi tay đều gắn với cảnh:

Ví dụ thứ hai trông sống động hơn vì nhân vật có thể để ý thấy một thứ gì đó, với tay lấy, hoàn tất một hành động rồi trở về trạng thái nghỉ. Sự chân thực đến từ những chuyển tiếp nhỏ nhưng hợp lý như vậy.

2. Cố định nhận diện trước khi chỉ đạo diễn xuất

Với nhân vật xuất hiện nhiều lần, hãy chuẩn bị một bảng nhận diện gọn trước khi viết cảnh. Một bảng hữu ích gồm:

• cận cảnh khuôn mặt chính diện và mặt nghiêng;
• một góc nhìn trang phục mặt trước rõ ràng;
• một góc nhìn toàn thân phía sau;
• một bộ trang phục, kiểu tóc, phụ kiện và tỷ lệ cơ thể đồng nhất.

Hãy dùng prompt coi bảng này là tư liệu tham chiếu sản xuất, không phải một tấm poster:

Create a photorealistic four-view character reference board on a clean gray studio background.
Use a precise, orderly layout with no story action, decorative typography, or complex environment.

Top section: two detailed face close-ups, front view on the left and profile view on the right.
Show the same facial structure, skin texture, hairstyle, makeup, earrings, and expression in both views.
Keep pores, fine lines, eyelashes, flyaway hair, and natural light response. No beauty retouching or plastic skin.

Bottom section: two wardrobe references.
Left: a close front A-pose wardrobe view from below the neck to the shoes. Keep both arms, hands, torso,
legs, and shoes visible; crop the head completely so the clothing occupies more of the frame.
Right: a normal full rear A-pose from head to shoes, showing the back of the hairstyle and garment construction.

The four panels must show the same fictional adult, the same outfit, accessories, body proportions,
materials, and styling. Use clean three-point studio lighting and a seamless gray background.
No poster layout, no text, no mismatched clothing, no warped proportions, no glossy CG skin.

Khi có nhiều tư liệu hoặc nhiều nhân vật, hãy gán cho mỗi đầu vào một nhãn cố định. Nhãn chỉ là chỉ mục, không phải một mô tả nhân vật mới:

Image 1 = Character A identity and wardrobe only.
Image 2 = Lakeside café location and window-light direction only.
Image 3 = Coffee cup prop only.
Image 4 = Phone prop only.
Image 5 = Eye-level composition only.

Character A: fictional adult woman, white sleeveless top, dark skirt,
long center-parted black hair, calm and relaxed presence.

Điểm mấu chốt là giao cho mỗi tư liệu đúng một nhiệm vụ. Đừng để mô hình phải đoán một ảnh đang quyết định khuôn mặt, căn phòng, đạo cụ, máy quay hay ánh sáng.

3. Chọn bối cảnh có logic quay đáng tin

Một bức ảnh kiến trúc được trau chuốt chưa chắc là tư liệu tham chiếu tốt nhất cho video đời thường, lấy con người làm trung tâm. Cảnh quay thật bằng điện thoại thường có cửa sổ hơi cháy sáng, đồ đạc đặt chưa hoàn hảo, một sợi dây sạc, một cuốn sách đang mở hoặc một góc phòng chưa gọn gàng.

Khi chọn bối cảnh, hãy kiểm tra ba điều.

Hướng ánh sáng

Nguồn sáng chính phải nhìn ra được. Nếu cửa sổ nằm bên trái khung hình, chủ thể nhìn chung cũng nên nhận ánh sáng từ hướng đó.

Độ cao máy quay

Với cảnh quay lifestyle, hãy bắt đầu ở gần tầm mắt của người đang ngồi, ngang ngực hoặc một vị trí cầm tay thông thường. Những góc cực thấp sát sàn hay nhìn thẳng từ trên xuống nhanh chóng khiến một cảnh đời thường trông như được dàn dựng.

Dấu hiệu sử dụng

Một căn phòng đáng tin có những dấu hiệu cho thấy thật sự có người dùng: chiếc áo khoác đã gấp, cốc còn một nửa, điện thoại đang cắm sạc, vải nhàu hoặc cuốn sách để mở.

4. Cho nhân vật một đạo cụ và một chuỗi hành động

Những chỉ dẫn trừu tượng như “ngồi tự nhiên”, “cười nhẹ” hay “nhìn ra cửa sổ” không cho mô hình đủ cấu trúc vật lý. Một đạo cụ cho nhân vật một mục tiêu và tạo ra những thay đổi trạng thái nhìn thấy được.

Đạo cụ hữu ích là những vật bình thường, dễ thao tác: cốc, sách, điện thoại, tai nghe, máy ảnh, lược, chìa khóa, túi xách và ô.

So sánh hai cách chỉ đạo sau (Weak là cách yếu, Stronger là cách mạnh hơn):

Weak: The woman sits naturally at the table.

Stronger: She looks down at the cup, wraps her right hand around the handle,
lifts it slowly, takes one small sip, and places it back in the same position.

Một chuỗi hành động hiệu quả hơn một danh sách các chuyển động không liên quan đến nhau:

She begins by looking across the lake. The phone vibrates, so her eyes move to the screen.
She pauses without picking it up, reaches for the cup instead, takes a small sip,
sets the cup down, and finally returns her attention to the phone.

Chiếc điện thoại tạo ra phản ứng. Sự do dự tạo ra quãng dừng. Chiếc cốc tạo ra mục tiêu tiếp theo. Cấu trúc nhân quả này có giá trị hơn việc thêm nhiều chuyển động.

5. Viết prompt theo bốn lớp

Với video nhân vật chân thực, hãy sắp xếp prompt cuối cùng theo thứ tự sau:

1. Phong cách quay: thiết bị, khung hình, ánh sáng, cách máy quay vận động và ngôn ngữ hình ảnh tổng thể.
2. Phân công tư liệu tham chiếu: nhiệm vụ cụ thể của từng đầu vào ảnh, video hoặc âm thanh.
3. Timeline cảnh quay: điều xảy ra trong từng khoảng thời gian liên tục.
4. Tính liên tục và ràng buộc: điều gì phải giữ ổn định và điều gì không được xuất hiện.

Dưới đây là prompt quán cà phê hoàn chỉnh, sẵn sàng để sao chép:

STYLE & CAMERA
Naturalistic lifestyle documentary look, authentic handheld smartphone footage, vertical 9:16,
bright late-afternoon window light, subtle handheld breathing, and a slow gentle push-in.

REFERENCE ASSIGNMENTS
Image 1 defines character identity only. Preserve the same facial features, hairstyle, pearl earrings,
white sleeveless top, dark skirt, and body proportions.
Image 2 defines the lakeside café location only. Preserve the warm wood interior, window seat, lake view,
and direction of the natural light. Ignore any annotations or visible text in the reference.
Image 3 defines the silver smartphone and Image 4 defines the ceramic coffee cup.
Image 5 defines the friend's eye-level composition across the round table.
Images 6–9 define room details, camera height, lighting continuity, and action continuity only.
Do not copy unrelated people, objects, or text from any reference.

SHOT TIMELINE
0–3 seconds: She sits relaxed beside the window and looks across the lake with a faint smile.
She gradually notices the friend filming, turns naturally toward the camera, makes brief eye contact,
and gives a warm, unforced smile.

3–6 seconds: The silver phone on the table vibrates softly. She looks down at the screen and pauses
without picking it up, then glances back toward the camera as if acknowledging the friend behind it.

6–10 seconds: She reaches for the coffee-cup handle, lifts the cup, takes one small sip, and places it
gently back on the table. While setting it down, she briefly looks at the camera before returning her gaze
to the phone.

CONTINUITY, SOUND & CONSTRAINTS
Throughout the shot, preserve natural blinking, breathing, tiny head tilts, subtle posture adjustments,
and believable eye-line changes. Keep the same person, wardrobe, café, phone, cup, shot direction,
framing, light, and overall duration. Use only quiet café room tone and a light lakeside breeze.
No extra people, subtitles, visible text, logos, music, or watermark.

Hãy xem các mốc giây cụ thể là kế hoạch về nhịp độ, không phải những đoạn dựng tách rời nhau. Mỗi khoảng thời gian phải nối tiếp khoảng sau, không để lại chỗ trống nào không giải thích được.

6. Thêm các từ ngữ về chất lượng sau cùng

Khi nhận diện, bối cảnh, đạo cụ, hành động và nhịp thời gian đã ổn định, hãy thêm một đoạn ngắn về chất lượng. Hãy viết cụ thể, sát với cách quay bạn nhắm tới:

Natural skin texture, stable facial identity, physically believable hand contact,
consistent window-light direction, coherent object state, subtle handheld motion,
clean motion blur, no beauty-filter skin, no sudden camera jump, no extra fingers,
no disappearing props, no subtitles, no logos, no watermark.

Hãy dùng bảng chẩn đoán này thay vì tạo lại theo kiểu mò mẫm:

Danh sách kiểm tra cuối cùng

• Mỗi chủ thể có truy ra được một tư liệu nhận diện duy nhất không?
• Mỗi tư liệu tham chiếu có đúng một nhiệm vụ rõ ràng không?
• Hướng ánh sáng chính có hợp lý về mặt vật lý không?
• Độ cao máy quay có khớp với người quan sát dự kiến không?
• Mỗi hành động chính có nguyên nhân kích hoạt và kết quả nhìn thấy được không?
• Đã có các quãng dừng, chớp mắt, nhịp thở và thay đổi hướng nhìn chưa?
• Timeline có phủ trọn thời lượng mà không bị hở không?
• Đã nêu ràng buộc về nhận diện, trang phục, đạo cụ, bối cảnh, khung hình và âm thanh chưa?

Những câu hỏi hữu ích nhất không phải là “Có phải 8K không?” hay “Trông có điện ảnh không?”. Hãy hỏi: Người này là ai? Họ đang ở đâu? Vì sao họ di chuyển? Điều gì sẽ xảy ra tiếp theo? Khi đã trả lời rõ những câu đó, prompt không còn chỉ mô tả một hình ảnh chuyển động mà bắt đầu chỉ đạo một khoảnh khắc đáng tin.