Kling 3.0: Hướng dẫn toàn diện về tạo video bằng AI

Nếu bạn muốn tìm hiểu thêm về những bản phát hành mới nhất trong lĩnh vực này, hãy xem hướng dẫn của chúng tôi về các mô hình tạo video hàng đầu khác.

Kling AI là gì?

Kling AI là nền tảng AI sinh dữ liệu được thiết kế để tạo video từ văn bản, hình ảnh hoặc kết hợp cả hai. Được phát triển bởi công ty công nghệ Trung Quốc Kuaishou, nền tảng này nhanh chóng trở thành một trong những mô hình AI tốt nhất về tính nhất quán nhân vật. Video tạo ra có âm thanh gốc, giúp thành phẩm trau chuốt và sẵn sàng sử dụng.

Giá và cách truy cập Kling AI

Giống nhiều mô hình video AI khác, giá của Kling AI dựa trên tín dụng. Chúng ta trả phí đăng ký hằng tháng để nhận một số lượng tín dụng cố định mỗi tháng. Cũng có một vài tính năng nhỏ bị khóa theo từng gói, nhưng khác biệt chính vẫn là số lượng tín dụng tạo nội dung mà chúng ta được cấp.

Để viết bài này, tôi dùng gói Pro (32,56 đô/tháng), đi kèm 3.000 tín dụng. Để biết thêm chi tiết về các gói giá, hãy xem trang giá chính thức của Kling AI.

Tạo một video tốn bao nhiêu tín dụng?

Mức tiêu thụ tín dụng chủ yếu do ba yếu tố quyết định:

• Độ dài video (3 đến 15 giây)
• Độ phân giải (720p hoặc 1080p)
• Việc có tạo âm thanh hay không

Giả sử chúng ta tạo video với âm thanh gốc, với gói Pro, mỗi tháng có thể kỳ vọng tạo khoảng 6 phút video 720p hoặc 4 phút video 1080p.

Các tính năng chính của Kling 3.0

Những ví dụ trong phần này được lấy từ hướng dẫn sử dụng chính thức mô hình Kling 3.0.

Cảnh nhiều cú máy ngầm định

Hầu hết mô hình video AI hoạt động tốt nhất khi prompt mô tả một cú máy hay hành động đơn lẻ. Kling 3.0 có thể hiểu một prompt mô tả nhiều cú máy trong cùng một đề bài.

Ví dụ prompt sau mô tả bối cảnh video và bốn cú máy mà không liệt kê rõ ràng:

Outdoor terrace of a European villa, by a dining table with a blue and white checkered tablecloth, a young white woman in a blue and white striped short-sleeve shirt and khaki shorts, with a brown belt, sits barefoot, opposite a young white man in a white T-shirt.
The camera zooms in, the woman swirls the juice in a glass, her eyes looking at the distant woods, and says, "These trees will turn yellow in a month, won't they?"
Close-up of the man, he lowers his head and says, "But they'll be green again next summer."
Then the woman turns her head, smiles at the man opposite, and says, "Are you always this optimistic? Or just about summer?"
Then the man lifts his head, looks at the woman, and says, "Only about summers with you."Được hỗ trợ bởi

Prompt được ghép với một hình ảnh, mà mô hình dùng làm khung hình đầu tiên của video.

Đây là kết quả:

Tôi thực sự ấn tượng với video này. Độ bám sát prompt rất tốt và video trông khá chân thực.

Cảnh nhiều cú máy tường minh

Dù mô hình có khả năng hiểu điểm kết thúc của một cú máy và bắt đầu cú máy tiếp theo từ prompt văn bản, nhưng không hoàn hảo và có thể diễn giải khác với ý định của chúng ta. Ta có thể ép cấu trúc cảnh bằng cách nêu rõ các cú máy trong prompt.

Shot 1: Profile shot of a Black man driving a truck, cinematic handheld.
Shot 2: Frontal macro shot of the Black man driving, cinematic handheld.
Shot 3: Macro shot of his hands on the steering wheel, cinematic handheld.
Shot 4: Macro shot of a weathered photograph of a young Black child lying on the passenger seat, cinematic handheld.Được hỗ trợ bởi

Để chỉ định từng cú máy, chúng ta nhấp nút Custom Multi-Shot ở cuối ô nhập prompt. Tại đó, ta có thể nhập prompt cho từng cú máy và đặt thời lượng. Mô hình cho phép tối đa 6 cú máy cho mỗi video.

Dưới đây là kết quả từ prompt nhiều cú máy này:

Âm thanh và điều khiển sắc thái

Như đã thấy, Kling 3.0 cho phép tạo video với âm thanh gốc. Nhưng còn hơn thế, ta có thể định hướng âm thanh tạo ra bằng cách nêu rõ yêu cầu trong prompt. Ví dụ:

Home setting with a faint hum of the living room air conditioner in the background for a realistic daily vibe.
Mom (softly, in a surprised tone): Wow, I didn't expect this plot at all.
Dad (in a low voice, agreeing, in a calm tone): Yeah, it's totally unexpected. Never thought that would happen.
Boy (in an excited tone): It's the best twist ever!
Girl (nodding along, in an enthusiastic tone): I can't believe they did that!Được hỗ trợ bởi

Trong ví dụ này, prompt cung cấp thông tin về âm thanh nền và cách nhân vật trong video nói chuyện. Với hội thoại, cấu trúc thường là:

<who is speaking> (<how things are said>) <what they say>Được hỗ trợ bởi

Đây là video được tạo từ prompt trên:

Ví dụ này được tạo từ một hình ảnh cho khung đầu. Điều này giúp mô hình gắn các nhân vật với prompt. Thật ấn tượng khi chỉ từ hình ảnh, mô hình có thể nhận ra đâu là bố, mẹ, con trai và con gái.

Khả năng thoại đa ngôn ngữ

Mô hình hỗ trợ tạo giọng nói bằng các ngôn ngữ sau: 

• Tiếng Trung
• Tiếng Anh
• Tiếng Nhật
• Tiếng Hàn
• Tiếng Tây Ban Nha

Ta có thể chỉ định ngôn ngữ nói cùng với mô tả sắc thái:

<who is speaking> (<how things are said>, <language>) <what they say>Được hỗ trợ bởi

Ví dụ như sau:

On the rooftop of a Korean high school, distant city lights glimmer in the background with a soft wind rustling, and stars twinkle in the night sky. The girl leans against the railing, lost in thought. The boy walks over with two cans of cola, hands one to her, and she takes it and pops the tab open.
Boy (casual tone, Korean): "숙제 다 했어? 왜 여기 있어?" 
Girl (sighing, Korean): "시험이 너무 무 서워"". 
Boy (gentle tone, Korean): "4정 마, 넌 잘할 거야."Được hỗ trợ bởi

Ràng buộc đối tượng

Ràng buộc đối tượng là tính năng cho phép các nhân vật hoặc thành phần hình ảnh cụ thể giữ nguyên trong suốt video được tạo. Khóa diện mạo và đặc điểm của một đối tượng giúp đảm bảo trọng tâm chính ổn định và dễ nhận diện, ngay cả khi có chuyển động máy quay như zoom, lia hay nghiêng.

Sau khi tải ảnh làm khung hình đầu, ta có thể kích hoạt tính năng này bằng cách chọn tùy chọn Bind elements to enhance Consistency. Tùy chọn này tạo một tham chiếu mà hệ thống dùng để duy trì ổn định hình ảnh và ngăn thay đổi ngoài ý muốn với đối tượng trong quá trình tạo video.

Không có ràng buộc đối tượng, mô hình sẽ phải đoán các đặc điểm của đối tượng không hiện trong ảnh ban đầu. Ví dụ, trong ảnh trên, đối tượng đeo kính râm. Vậy nên sẽ hữu ích nếu cung cấp ảnh khuôn mặt. Cung cấp các tư thế khác, như nhìn trái và phải, cũng hữu ích nếu ta muốn mô hình "không bịa" diện mạo của người đó.

Khi tạo một phần tử, ta có thể cung cấp tối đa ba hình ảnh. Ta cũng có thể chọn giọng và tên cho nhân vật.

Đây là kết quả:

Cá nhân tôi thấy những tính năng này là bước ngoặt, vì tính nhất quán nhân vật là một trong những khía cạnh gây bực bội nhất khi làm video AI. Thường phải cần prompt văn bản rất chi tiết và lặp đi lặp lại nhiều lần mới đạt được.

Chế độ Omni

Chế độ Omni của Kling AI gom mọi tính năng vào một mô hình duy nhất. Có thể xem như ràng buộc đối tượng ở cấp độ mạnh hơn, vì nó cho phép tạo các phần tử (nhân vật, bối cảnh, vật thể, v.v.) rồi kết hợp tất cả trong một prompt. Điều này giúp tạo ra các cảnh rất phức tạp với độ chính xác cao.

Ví dụ, ta có thể tạo phần tử nhân vật bằng ảnh tham chiếu rồi tạo phần tử bối cảnh, sau đó đặt nhân vật vào bối cảnh đó một cách dễ dàng. Hoặc tạo nhiều nhân vật và phát triển hội thoại qua lại giữa họ bằng cách tham chiếu các nhân vật này trong prompt.

Khi dùng chế độ Omni, ta có thể tham chiếu các phần tử đã tạo trước bằng @. Khi đó sẽ mở pop-up để chọn phần tử muốn tham chiếu.

Đây là ví dụ ba cú máy thể hiện sức mạnh và tính linh hoạt của Omni:

Shot 1 (3s): Mid-shot, background @Image. @Grace sits on the sofa eating cookies as @Alan walks in holding @Samoyed.@Samoyed lunges for the cookie in @Grace's hand. @Grace says, "Hey! Watch your dog!" 
Shot 2 (2s): @Alan sits beside her, pulling the leash and lifting @Samoyed. Close-up, @Alan says, "He just likes cookies more than me." 
Shot 3 (3s): Close-up, @Grace smiles and says, "Well, he has good taste at least."Được hỗ trợ bởi

Trong ví dụ này, @Image, @Grace, @Alan và @Samoyed là các phần tử được tạo riêng và dùng chung trong một prompt.

Thử nghiệm Kling 3.0

Ở phần trước, chúng ta đã tìm hiểu các khả năng cốt lõi của Kling 3.0 và xem một vài ví dụ từ trang chính thức của họ. Tôi cho rằng kết quả rất ấn tượng, nhưng luôn nên hoài nghi với ví dụ do công ty cung cấp, vì thường là đã chọn lọc kỹ, chỉ giữ lại những kết quả tốt nhất.

Trong phần này, chúng ta sẽ tự tay thử với các ví dụ mới để xem mô hình có thực sự đáp ứng kỳ vọng hay không.

Ví dụ 1: Tạo một nhân vật

Tôi dùng AI để tạo một nhân vật giả tưởng. Tôi tạo ảnh toàn thân rồi thêm vài tư thế khác nhau, như nhìn trái, nhìn phải và biểu cảm tức giận.

Tôi kết hợp các phần tử đó để tạo nhân vật đặt tên Elias. Sau đó, tôi tạo một hình ảnh cho khung đầu của video và dùng ràng buộc đối tượng để liên kết cả hai.

Đây là prompt tôi dùng:

Elias stands alone in front of the burning village. Elias is breathing heavily, his hands clenched into tight fists at his sides. 
Elias looks at something just off-camera, something we cannot see. Elias says, in a low and dangerous voice, "I told you what would happen if you crossed that line." 
Elias pauses for a second. 
The camera zooms in close to his face. His face burns with anger, and he says, "I gave you my word, and I gave you a choice." Được hỗ trợ bởi

Lưu ý rằng tôi không dùng tham chiếu @ vì video này tôi không dùng chế độ Omni, chỉ dùng ràng buộc đối tượng. Đây là kết quả

Ví dụ 2: Tạo tiểu phẩm hài với Omni

Ở đây, tôi thử tạo một cảnh sitcom giữa những người bạn. Tôi tạo ba nhân vật Alex, Jamie và Sam bằng AI. Như trước, tôi tạo thêm vài tư thế khác nhau cho mỗi người.

Tôi cũng tạo một hình ảnh cho địa điểm và tạo phần tử bối cảnh từ đó.

Đây là prompt cuối cùng tôi dùng. Tôi mô tả các cú máy bằng prompt văn bản thay vì chức năng multi-shot vì tính năng đó giới hạn tối đa sáu cú máy. Hóa ra Kling 3.0 vẫn xử lý tốt cách làm này.

Shot 1: Mid-shot, background @Image.
Shot 2: @Jamie and @Sam sit on the couch as @Alex rushes into the coffee shop and says, "I just liked my ex’s photo from 2016."
Shot 3: @Jamie turns to @Alex and says, "How bad?"
Shot 4: @Alex replies, "She’s with the guy she left me for."
Shot 5: Camera focuses on @Sam, and he replies, "Delete it, dude!"
Shot 6: @Alex replies, "I did, but what if she saw?"
Shot 7: @Sam says, "Then act confident, like her wedding photo."
Shot 8: @Jamie laughs, and @Alex says, "I need new friends..."Được hỗ trợ bởi

Và đây là kết quả:

Ta có thể thấy vài lỗi trong video:

• Có một khung đầu với chiếc ghế sofa trống. Có lẽ do tôi không chỉ rõ rằng các nhân vật phải ở trên ghế trong cú máy 1. Tuy nhiên, khi thử lại thì cũng bắt đầu với sofa trống. Chỉ khi tôi cung cấp khung đầu có nhân vật ngồi trên ghế mới được kết quả như kỳ vọng. Nhưng khi đó lại khó để Alex bước vào quán cà phê.
• Có thêm một nhân vật ngồi trên ghế.

Tuy vậy, tôi vẫn thấy kết quả rất ấn tượng. Các nhân vật sống động và chân thực, và tổng thể cảnh phim chảy khá mượt.

Ví dụ 3: Tái sử dụng nhân vật trong video nhiều cảnh

Ở ví dụ cuối, tôi thử tái sử dụng các nhân vật đã tạo trong bối cảnh khác. Mục tiêu là cảm nhận mức độ họ giữ được sự nhất quán giữa các video để đánh giá tính khả thi của ý tưởng tạo nhiều cảnh với cùng nhân vật. Bởi nếu nhân vật vẫn giữ được diện mạo và cảm giác tương tự, tôi tin Kling 3.0 có thể dùng để tạo nội dung dài tập.

Trường hợp này, tôi dùng chức năng multi-shot để mô tả từng cú máy. Đây là cấu hình cảnh:

Đây là video được tạo:

Một lần nữa, tôi thấy kết quả rất gần với những gì mình muốn. Ngoài một vài khoảng ngắt để thêm cảm xúc cho cú máy, và việc không thấy nhân vật nói ở cú máy cuối, còn lại khá ổn.

So sánh Kling 3.0 và Runway Gen-4.5

Theo tôi, mô hình video AI tốt nhất trước đây mà tôi từng thử là Runway Gen-4.5. Tôi muốn kết thúc bài viết bằng cách so sánh với Kling 3.0 bằng vài prompt tôi đã dùng trong bài viết về Runway này.

Khả năng hiểu vật lý

Ví dụ này nhằm kiểm tra mức độ mô hình hiểu vật lý bằng cách đặt một con voi và một con chuột lên bập bênh. Trường hợp đầu, chuột ngồi sẵn trên bập bênh và một con voi sẽ rơi từ trên trời xuống; trường hợp hai thì ngược lại.

Cả hai mô hình đều có vẻ hiểu rằng chuột nhẹ hơn voi. Kling 3.0 bám sát prompt hơn một chút, vì trong cả hai trường hợp, voi và chuột đều được yêu cầu rơi từ trên trời xuống.

Cảm xúc nhân vật

Ví dụ thứ hai kiểm tra khả năng truyền tải cảm xúc nhân vật của mỗi mô hình. Prompt yêu cầu tạo video về một người nhận được tin nhắn rất buồn.

Ở ví dụ này, Kling 3.0 là người chiến thắng rõ ràng. Cảm xúc chân thật, trong khi video của Runway 4.5 có những giọt nước mắt lạ và thậm chí có cả nước chảy ra từ miệng nhân vật.

Cảnh giả tưởng phức tạp

Ở ví dụ cuối, chúng tôi yêu cầu cả hai mô hình tạo một cảnh giả tưởng phức tạp, trong đó nhân vật chính có cây cọ ma thuật có thể vẽ và biến thành hiện thực. Nhân vật chính đang chạy trốn kẻ xấu và dùng cây cọ để thoát khỏi ngõ cụt.

Không mô hình nào có thể tạo trọn vẹn cảnh này, nhưng kết quả của Runway chính xác hơn. Tuy nhiên, cả hai đều được tạo bằng một prompt dài duy nhất. Tôi nghĩ cảnh này có thể thực hiện được bằng các tính năng Omni của Kling.

Kết luận

Kling 3.0 là AI video đầu tiên thực sự khiến tôi cảm thấy mình có thể hiện thực hóa đúng những gì trong đầu, không chỉ là gần đúng. 

Với đủ tín dụng và kịch bản cố định, tôi tin rằng nó có thể gánh cả những tập phim trọn vẹn, nhất quán, thậm chí một bộ phim, trong khi vẫn duy trì bản sắc nhân vật, tông giọng và tính liên tục giữa các cảnh. Dĩ nhiên vẫn cần lặp và kiểm soát chất lượng, nhưng cuối cùng cảm giác giống quy trình sản xuất bình thường hơn là vật lộn để ép mô hình nghe lời.

Trong các thử nghiệm, không phải lần nào cũng hoàn hảo; đôi lúc mô hình nhầm lẫn hai nhân vật hoặc đổi vị trí trái-phải giữa các cú máy, và hiếm khi gán sai một câu thoại. Nhưng nhìn chung, nỗ lực đầu tiên cho mỗi cảnh thường rất gần với đầu ra mong muốn.

Tuy vậy, tôi vẫn thấy Kling hơi đắt, đặc biệt với người làm chơi như tôi. Tôi rất muốn thử sức với nội dung dài hơi, nhưng với mức giá hiện tại, bài toán tín dụng khiến việc thử nghiệm và quay lại khá khó biện minh. 

Tin vui là quỹ đạo đã rõ: chất lượng tăng nhanh, hiệu suất cải thiện và cạnh tranh ngày càng nóng. Tôi tin chi phí sẽ giảm, mức độ tiếp cận sẽ mở rộng, và chúng ta sẽ không phải đợi lâu trước khi việc làm video AI vừa rẻ vừa đủ chính xác cho cả dự án cuối tuần lẫn sản xuất indie.

Nếu bạn muốn trau dồi kỹ năng AI và sẵn sàng cho một thế giới nơi AI là kỹ năng cốt lõi trên thị trường lao động, hãy xem khóa học AI Fundamentals của chúng tôi.