Text-to-video AI là gì?

Text-to-video là công nghệ AI biến mô tả bằng chữ thành đoạn video ngắn. Bạn nhập một câu — “a paper boat drifting down a rain gutter at dusk” — và mô hình sẽ tạo ra các khung hình sống động, không cần máy quay, cảnh quay hay phần mềm chỉnh sửa.

Trang này giải thích ý tưởng cơ bản. Khi bạn đã sẵn sàng thực hành, hãy đọc Kiến thức cơ bản về text-to-video.

Cách hoạt động, theo ngôn ngữ đơn giản

Một mô hình text-to-video được huấn luyện trên lượng dữ liệu video khổng lồ đi kèm với mô tả. Từ đó, mô hình học được cách mọi thứ trông như thế nào và chuyển động ra sao — nước chảy như thế nào, khuôn mặt xoay như thế nào, ánh sáng đổ lên bề mặt ra sao.

Khi bạn đưa ra một prompt, mô hình không ghép nối các đoạn clip có sẵn. Nó tạo ra các khung hình hoàn toàn mới từ đầu, dự đoán một chuỗi khung hình phù hợp với từ ngữ của bạn trong khi vẫn giữ tính nhất quán về mặt vật lý từ khung này sang khung tiếp theo. Kết quả là một đoạn clip hoàn toàn độc đáo, chưa từng tồn tại trước đó.

Điều gì xảy ra khi bạn tạo video

Cụ thể, khi bạn nhập prompt và nhấn Generate:

1. Bạn thiết lập một vài tùy chọn — mô hình, tỷ lệ khung hình (ví dụ 9:16), độ dài, và trên một số mô hình, âm thanh.
2. Mô hình đọc prompt của bạn và tạo ra một chuỗi khung hình dài vài giây.
3. Sau một khoảng chờ ngắn (vài giây đến một phút, tùy mô hình và độ dài), đoạn clip xuất hiện — sẵn sàng để tải xuống, chỉnh sửa hoặc kéo dài.

Một prompt như *“a corgi runs across a sunny beach toward the camera, slow motion, spray of sand, 9:16, 5 seconds”* cung cấp cho mô hình chủ thể, hành động, mối quan hệ với máy quay và định dạng — tất cả những gì cần thiết để dựng nên cảnh quay.

Điểm mạnh — và điểm còn hạn chế

Điểm mạnh:

• Nhanh chóng tạo ra một phong cách hoặc khoảnh khắc chỉ từ một ý tưởng.
• B-roll, cảnh thiết lập bối cảnh, đoạn video thể hiện cảm xúc và clip mạng xã hội.
• Thử nghiệm nhiều biến thể với chi phí thấp trước khi chốt lại.

Vẫn còn khó:

• Kể chuyện dài với tính nhất quán hoàn hảo — clip thường chỉ dài vài giây.
• Văn bản chính xác, logo cụ thể và các chi tiết nhỏ như bàn tay có thể bị méo.
• Kiểm soát chính xác từng yếu tố; bạn đang chỉ đạo một cộng tác viên có năng lực nhưng thiên về ứng biến.

Text-to-video so với image-to-video

Hai loại này là anh em họ hàng:

• Text-to-video tạo ra mọi khung hình từ ngôn từ của bạn. Tự do tối đa, ít kiểm soát hơn về ngoại hình cụ thể.
• Image-to-video bắt đầu từ một hình tĩnh bạn cung cấp rồi tạo chuyển động cho nó. Kiểm soát tối đa về ngoại hình, vì khung đầu tiên được gắn với ảnh của bạn.

Một quy trình làm việc phổ biến là kết hợp cả hai: tạo một khung hình ưng ý trong trình tạo ảnh, rồi tạo chuyển động cho nó.

Thử ngay trên PonPon

PonPon chạy text-to-video thông qua một trình tạo video duy nhất, nơi bạn có thể chuyển đổi giữa các mô hình — mỗi mô hình có điểm mạnh riêng: Veo 3.1 cho kiểm soát máy quay, Sora 2 cho vật lý thực tế, Kling 3.0 cho kể chuyện đa cảnh, và Seedance 2.0 cho clip dọc nhanh. Để biết nên chọn mô hình nào, đọc Chọn mô hình phù hợp; để viết prompt hiệu quả, đọc Viết prompt cho video.