Google Veo 3: Hướng dẫn kèm ví dụ thực tế

Hiện tại, Veo 3 chỉ khả dụng ở Mỹ và chỉ thông qua Flow, giao diện làm phim mới dùng AI của Google. Để truy cập, bạn cần gói AI Ultra, giá 250 USD/tháng (khoảng 272 USD đã gồm thuế).

Bắt đầu xây dựng thôi!

Tạo một quảng cáo

Cho bài thử đầu tiên, tôi muốn tạo một quảng cáo one-shot cho thương hiệu kẹo bạc hà hư cấu tên Mintro. Ý tưởng: ngắn, gọn, dễ nhớ. Tôi hình dung một khoảnh khắc vụng về nhưng dễ đồng cảm—thứ có thể chặn kéo lướt nhanh.

Bối cảnh: hai đồng nghiệp mắc kẹt trong thang máy đông người, đối mặt nhau—nơi mà sự tự tin (và hơi thở thơm mát) rất quan trọng. Để phá băng, một người buông một câu vừa bi vừa hài:

“Tôi từng hắt hơi trong buổi all-hands và bấm ‘chia sẻ màn hình’ cùng lúc. Không ai sống sót.”

Sau đó quảng cáo cắt sang logo Mintro, kèm tagline:

“Được phê duyệt cho chuyện trò trong thang máy.”

Nếu bạn muốn làm theo, hãy dùng hướng dẫn trực quan trong ảnh này để tạo video với Veo 3:

Hãy bắt đầu với lời nhắc này và xem chúng ta nhận được gì:

Prompt:

Một thang máy văn phòng đông đúc vào giờ cao điểm buổi sáng. Hai đồng nghiệp ăn mặc chỉn chu đứng đối mặt, đứng gần nhau khó xử do không gian chật. Một người, giữ vẻ mặt tỉnh bơ, hơi nghiêng tới và nói: “Tôi từng hắt hơi trong buổi all-hands và bấm ‘chia sẻ màn hình’ cùng lúc. Không ai sống sót.” Người kia cố nín cười. Thang máy kêu “ting” và cửa mở ra một tầng văn phòng nhộn nhịp.

Phiên bản đầu tiên có vẻ hứa hẹn, nhưng vẫn có vài điểm chưa ổn.

Thứ nhất, mọi người trong thang máy đều nhìn vào hai nhân vật chính—khiến mạch tập trung sai hướng. Tôi muốn những người xung quanh chìm trong suy nghĩ riêng, như đa số chúng ta lúc đi làm buổi sáng. Lý tưởng là có người xem điện thoại, người khác thẫn thờ, có người chỉnh lại túi—nhưng không ai nhìn hay để ý đến cuộc trò chuyện.

Vấn đề nữa: người phụ nữ đưa tay lên mũi, ám chỉ nhẹ rằng hơi thở của anh chàng có mùi. Điều đó phá hỏng hoàn toàn mục đích quảng cáo—đây lẽ ra nói về sự tự tin nhờ hơi thở thơm mát. Cử chỉ đó cần bỏ đi.

Bối cảnh cũng hơi sai. Vì lý do nào đó, thang máy mở thẳng vào không gian làm việc, trong khi văn phòng thường không như vậy. Thang máy thường mở ra hành lang hay sảnh, chứ không mở ngay vào chỗ làm việc của ai đó. Chi tiết nhỏ nhưng khiến cảnh trở nên giả tạo kỳ lạ.

Ngoài ra, phụ đề xuất hiện trong video dù tôi không yêu cầu—và còn sai chính tả thê thảm. Cuối cùng, âm thanh trong thang máy quá “chết”. Cần chút gì đó tinh tế, như nhạc thang máy phát từ loa trần, để không gian có cảm giác thật.

Ghi chú vậy xong, tôi lặp khoảng năm lần cho tới khi có phiên bản tạm ổn. Chưa hoàn hảo, nhưng sát với ý tưởng ban đầu hơn nhiều.

Đây là lời nhắc đã chỉnh sửa tôi dùng:

Prompt:

Một thang máy văn phòng rất đông vào giờ cao điểm buổi sáng. Cửa thang máy đóng ở đầu video, và khi chúng bắt đầu mở chậm rãi, ta nghe nhạc thang máy nhẹ từ loa trần và tiếng cơ khí êm. Máy quay giữ một cú máy liên tục, ngang tầm mắt, khung hình chặt vào hai đồng nghiệp ăn mặc chỉn chu đang đứng đối mặt — đứng gần nhau khó xử do không gian chật. Khi cửa thang mở được nửa, người đàn ông bình tĩnh, tự tin nói: “Tôi từng hắt hơi trong buổi all-hands và bấm ‘chia sẻ màn hình’ cùng lúc. Không ai sống sót.” Người phụ nữ phản ứng bằng nụ cười thực sự — vui nhưng không lố — và cô ấy không nói, không giật lùi, không chạm vào mặt hay bước lùi lại. Xung quanh, những hành khách khác trong thang máy vẫn thư thái và thờ ơ: một người lướt điện thoại, người khác nhìn thẳng trầm ngâm, ai đó chỉnh lại túi — nhưng không ai nhìn hay phản ứng với hai nhân vật chính. Cửa tiếp tục mở hết, và cuối cú máy, hai đồng nghiệp bước ra khỏi thang trong khi máy quay vẫn cố định tại chỗ. Nhân vật không nhìn vào ống kính. Không chèn phụ đề, thuyết minh hay chữ trên màn hình.

Phiên bản này đã đúng hầu hết bố cục và tông. Dù vậy vẫn còn vài vấn đề nhỏ:

• Cửa thang mở hơi nhanh, tạo cảm giác gắt.
• Âm thanh vẫn quá nhỏ, dù đã nhắc nhạc thang máy.

Theo kinh nghiệm với AI, mất một phút để đạt 90% và mất một tiếng để nắn 10% cuối—dù thật lòng mà nói, hiếm khi đạt đúng y hệt ý mình. Vì thế tôi đưa bản nháp vào DaVinci Resolve và làm nốt thủ công. Mất chừng 15 phút chỉnh nhẹ—thêm vài fade, nhạc nền, và logo Mintro kèm tagline ở cuối.

Logo được tạo bằng Whisk, công cụ thiết kế của Google chạy Imagen 4 bên dưới (bạn cũng có thể dùng trong Gemini nếu quen làm việc từ app). Kết quả đủ sạch để tôi chèn vào không cần chỉnh.

Với những chỉnh sửa đó, quảng cáo đã sẵn sàng. Ngắn, kỳ quặc và—hy vọng là—đáng nhớ.

Tạo cảnh nhiều cú máy với tính nhất quán nhân vật

Giờ tôi muốn chỉ bạn cách dựng một cảnh gồm nhiều cú máy nhưng vẫn giữ nhất quán nhân vật—tức cùng một nhân vật giữ nguyên khuôn mặt và ngoại hình giữa các cú máy. Nghe có vẻ cơ bản, nhưng trong tạo video bằng AI, loại tính liên tục này vẫn khá khó đạt.

Làm rõ: một cảnh là đơn vị câu chuyện có tính liên tục về thời gian và không gian. Nó có thể gồm một hoặc vài cú máy, tùy cách bạn chia. Khi hiểu cấu trúc đó, việc dựng trọn cảnh sẽ dễ hơn—và cuối cùng ghép chúng thành dạng phim ngắn.

Để minh họa, tôi sẽ tạo một câu chuyện rất ngắn lấy cảm hứng từ tác phẩm flash fiction thường được coi là vĩ đại (được cho là của Hemingway):

Rao bán: giày trẻ sơ sinh, chưa từng đi.

Đó là lõi cảm xúc tôi muốn xây quanh. Tôi hình dung một vi truyện hai cú máy để thổi hồn cho câu này:

• Cú máy 1: Một người phụ nữ khoảng cuối tuổi 30 mở tủ đồ ở hành lang chứa áo khoác cũ, khăn gấp gọn và vài hộp carton không nhãn. Cô nhẹ nhàng kéo một hộp xuống và quỳ xuống sàn. Cô mở hộp và cẩn thận mở lớp bọc một món đồ nhỏ bên trong: một đôi giày trẻ sơ sinh màu trắng tinh, đặt trong giấy lụa.
• Cú máy 2: Vài phút sau, trong bếp. Người phụ nữ ngồi một mình ở bàn ăn, cầm điện thoại. Máy quay giữ góc cạnh bên cố định, trung cận. Cô đặt đôi giày trẻ sơ sinh lên bàn cạnh mình và bắt đầu gõ bài đăng trên điện thoại. Chữ trên màn hình điện thoại: “Rao bán: giày trẻ sơ sinh, chưa từng đi.”

Lần này, tôi sẽ không lặp để đạt kết quả điện ảnh trau chuốt. Mục tiêu chỉ là cho thấy công cụ có thể làm gì—cách thiết lập tông và giữ ngoại hình nhân vật xuyên suốt nhiều cú máy.

Bắt đầu bằng việc tạo cú máy đầu như bình thường (giống khi tạo các cú máy cho quảng cáo).

Prompt:

Nội thất một ngôi nhà yên tĩnh, có người ở, vào sáng sớm. Ánh sáng tự nhiên dịu nhẹ lọc qua ô cửa sổ hành lang. Một người phụ nữ cuối tuổi 30 mở tủ đồ ở hành lang chứa áo khoác cũ, khăn gấp gọn và vài hộp carton không nhãn. Cô nhẹ nhàng kéo một hộp xuống và quỳ xuống sàn. Máy quay đứng yên ở góc trung rộng, ngang tầm mắt. Cô mở hộp và cẩn thận mở lớp bọc một món đồ nhỏ bên trong: một đôi giày trẻ sơ sinh màu trắng tinh, đặt trong giấy lụa. Cô ngồi lui trên gót, ôm đôi giày trong lòng. Vẻ mặt cô khó đoán — không buồn, chỉ hiện diện và tĩnh lặng. Cú máy yên ả, khoan thai. Không nhạc. Nhấn mạnh âm thanh tự nhiên — tiếng nhà cửa dịu nhẹ, bản lề tủ kẽo kẹt, tiếng giấy carton sột soạt, và chi tiết xa mờ như tiếng đồng hồ tích tắc hay chim ngoài cửa sổ. Khoảnh khắc phải có cảm giác lặng và chân thực. Phong cách hình ảnh: hiện thực ấm áp, gần gũi với ánh sáng tự nhiên. Tránh lối điện ảnh cường điệu. Giữ một cú máy liên tục, không cắt hay zoom. Không chèn bất kỳ chữ hay phụ đề trên màn hình.

Không tệ chút nào. Tôi thích khung hình, màu sắc và âm thanh ổn. Diễn xuất thì chưa hay—không nhiều cảm xúc—nhưng tạm bỏ qua.

Giờ giả sử ta muốn chuyển sang cú máy tiếp theo trong bếp. Cách tốt nhất để giữ nhất quán nhân vật—giữ nguyên khuôn mặt, trang phục và ngoại hình nói chung—là dùng Scene Builder.

Khi bạn hài lòng với cú máy đầu, nhấn Add to scene:

Một timeline sẽ mở ra. Nhấn dấu cộng, rồi chọn giữa:

• Jump to: Chuyện này xảy ra rồi (cảnh nhảy đến)
• Extend: Chuyện này xảy ra rồi (kéo dài cú máy)

Với ví dụ này, tôi cần cắt, nên tôi sẽ chọn Jump to rồi dùng lời nhắc này (tôi có được sau vài lần lặp—tính năng này chắc chắn còn cần cải tiến):

Prompt:

Trong bếp vài phút sau. Ánh nắng lọc nhẹ qua bàn và sàn, tạo bầu không khí bình yên, tĩnh lặng. Âm thanh nhà cửa yên ắng — tiếng tủ lạnh rì rì nhẹ, ghế kẽo kẹt khẽ, tiếng chạm nhẹ lên màn hình điện thoại. Không nhạc hay giọng nói bên ngoài. Người phụ nữ ngồi một mình ở bàn bếp, cầm điện thoại. Máy quay giữ góc cạnh bên cố định, trung cận. Cô đặt đôi giày trẻ sơ sinh lên bàn cạnh mình và bắt đầu gõ bài đăng trên điện thoại. Máy cắt sang góc qua vai hoặc cận chặt màn hình điện thoại hiện: “Rao bán: giày trẻ sơ sinh, chưa từng đi.” Cô nhìn dòng chữ hồi lâu, ngón tay cái lơ lửng trên nút đăng. Mắt cô bắt đầu rưng rưng, nhưng cô nhanh chóng chớp để kìm lại. Cô không khóc — thay vào đó, cô khóa màn hình, đặt úp xuống và thở ra, trấn tĩnh. Vẻ mặt kiềm chế, khó đoán, nhưng ngôn ngữ cơ thể nói lên tất cả: điều này không hề dễ dàng. Không chèn phụ đề trên màn hình.

Mức độ tuân thủ prompt thấp—tông và bố cục không khớp với tôi hình dung. Tuy vậy, tính nhất quán nhân vật khá ổn: cùng kiểu tóc, cấu trúc khuôn mặt tương tự, nhưng trang phục thay đổi.

Tôi cũng thấy vài lỗi thị giác trong đầu ra (xem đôi giày). Và dù tôi kỳ vọng một cú máy đơn, tôi nhận được ba cú cắt trong một lần tạo. Sau đó tôi nhận ra mình đã vô tình gợi ý cú cắt thứ hai trong prompt, nên lỗi đó là do tôi—nhưng tôi vẫn không hiểu cú máy thứ ba từ đâu ra.

Thêm nữa, xuất từ Scene Builder lại mất toàn bộ âm thanh. Tôi không rõ đó là lỗi hay giới hạn hiện tại, nhưng dường như chưa có cách khắc phục đơn giản. Bạn có thể tải từng cú máy riêng lẻ—nên tôi ghép lại trong DaVinci Resolve.

Google vẫn còn nhiều việc phải làm với Scene Builder, nhưng hướng đi này rất hứa hẹn!

Kiểm soát mô-đun với Ingredients to Video

Một trong những tính năng mang tính thử nghiệm (và vui) trong Flow là Ingredients to Video. Nó cho bạn quyền kiểm soát dạng mô-đun: bạn tạo các thành phần riêng lẻ—gọi là ingredients—rồi kết hợp chúng thành một cảnh.

Bạn có thể tạo ingredients bằng sinh ảnh, dù hiện chưa hỗ trợ tải ảnh lên. Đây là ví dụ từ đội ngũ Google:

Cho bài thử này, tôi muốn thử điều gì đó hơi phi lý—một đoạn ngắn hài hước kiểu Kafka:

Một con bọ có gương mặt người lái một chiếc SUV. Nhưng đây là cú xoay (như thể vậy vẫn chưa đủ): ghế tài xế là một ngai vàng của nhà vua.

Đầu tiên, hãy chọn tùy chọn Ingredients to Video:

Tôi bắt đầu bằng cách tạo ba ingredient lần lượt: chiếc ghế, chiếc SUV và con bọ.

Tiếc là tính năng này hiện chạy trên Veo 2, không phải Veo 3. Về kỹ thuật, bạn có thể chọn Veo 3 từ menu, nhưng khi tạo nó luôn tự chuyển về Veo 2 và hiển thị cảnh báo này:

Đúng như dự đoán, chất lượng đầu ra chưa thuyết phục:

Prompt:

Một con bọ có gương mặt người bình thản lái một chiếc SUV, ngồi trên một ngai vàng khổng lồ của nhà vua.

Dù vậy, hai trong ba ingredient—đặc biệt là con bọ và chiếc ghế—trông bất ngờ là ổn. Chiếc SUV thì không lắm…

Với năng lực của Veo 3, thiết lập này có lẽ sẽ mạnh hơn nhiều. Hiện tại, chế độ này có tiềm năng, nhưng chưa tới.

Frames to Video

Ý tưởng của Frames to Video là: bạn cung cấp khung hình đầu và cuối, và mô hình sẽ cố gắng tạo hoạt ảnh chuyển tiếp giữa chúng (thông qua chuyển động máy quay bạn có thể điều khiển). Bạn có thể tạo các khung này từ prompt hoặc (trong tương lai) tự tải lên—hiện chưa hỗ trợ tải ảnh.

Giống tính năng Ingredients, chế độ này tự động mặc định về Veo 2, khiến chất lượng bị hạn chế đáng kể. Tôi không tạo được gì thực sự hữu ích với nó.

Cuối cùng, tôi dùng nó để tạo hoạt ảnh một cú máy về tắc kè. Tôi đặt cùng một ảnh cho cả khung đầu và cuối và yêu cầu chuyển động máy dolly-in—nhưng phần đó không được tôn trọng trong bản xuất cuối.

Prompt:

Một con tắc kè nằm bất động trên cành, đôi mắt chậm rãi quét theo hai hướng ngược nhau khi nó kiên nhẫn chờ mồi.

Thực hành tốt nhất với Veo 3

Khi bạn lần đầu truy cập Veo 3 qua Flow, bạn sẽ bắt đầu với 12.500 tín dụng. Mỗi lần tạo video sẽ tiêu một phần—150 tín dụng cho mỗi lần với Veo 3—nên đáng để bạn có chiến lược ngay từ đầu.

Lời khuyên của tôi: nghĩ kỹ về prompt và chỉ tạo một đầu ra mỗi lần. Bạn sẽ cần dàn trải tín dụng cho cả tháng, và mỗi lần tạo mất thời gian—thường 2 đến 3 phút hoặc hơn. Điều đó khiến việc lặp trở nên khá chậm, nên thử-sai không hề rẻ hay nhanh.

Về soạn prompt, Google cung cấp hướng dẫn prompt cho tạo video trên Vertex AI, trong đó nêu cách cấu trúc prompt hiệu quả cho Veo. Hướng dẫn này nhấn mạnh tầm quan trọng của prompt rõ ràng, giàu mô tả và cung cấp ví dụ để bạn bắt đầu.

Nếu bạn muốn thêm chỉ dẫn, Runway Gen-3 Alpha Prompting Guide là nguồn tài nguyên giá trị. Tài liệu này đưa ra chiến lược chi tiết để soạn prompt cho đầu ra video chất lượng cao, cũng hữu ích khi làm việc với Veo 3.

Kết luận

Tôi chưa từng ngạc nhiên trước một đột phá AI như vậy kể từ khả năng tạo ảnh của GPT-4o.

Veo 3 mang lại thứ gì đó thực sự mới: video có âm thanh mạch lạc từ lời nhắc ngôn ngữ tự nhiên. Chỉ riêng điều đó đã khiến nó khác biệt với mọi thứ tôi từng thử.

Dĩ nhiên, nó vẫn có nhược điểm—drift prompt, thiếu quyền truy cập đầy đủ Veo 3 trong các công cụ chủ chốt như Scene Builder, và đôi khi lỗi thị giác—nhưng trải nghiệm cốt lõi thực sự phấn khích.

Điểm nổi bật là nó đã khá gần với một pipeline sáng tạo có thể dùng được. Với chút chỉnh sửa và soạn prompt cẩn thận, bạn có thể đi từ ý tưởng đến storyboard tới một dự án ngắn hoạt động trong vài giờ. Cộng thêm tính nhất quán nhân vật (dù còn mong manh), âm thanh tích hợp sẵn trong đầu ra, và hỗ trợ quy trình mô-đun, đây bắt đầu trông như một công cụ nghiêm túc.