Chuyển đến nội dung

Cách hoạt động · Cập nhật thg 10 2026

Tạo video từ ảnh và âm thanh: Để âm thanh dẫn dắt chuyển động

Hầu hết công cụ chuyển ảnh thành video làm ảnh chuyển động từ prompt văn bản rồi mới thêm âm thanh sau, nếu có. Tạo video từ ảnh và âm thanh theo chiều ngược lại — để âm thanh điều khiển chuyển động — chính là điều OmniHuman 2.0 làm: lời nói và âm nhạc quyết định khi nào miệng cử động, khi nào đầu gật và khi nào tay giơ lên để nhấn mạnh.

Ảnh+Giọng nói=Video

Giọng nói
Chưa có ảnh? Thử:
  • Xem trước miễn phí
  • Đăng nhập Google
  • Tải lên riêng tư
Quảng cáo UGC
Ca hát
Nhiều người
mỗi video
5 phút
đầu ra
720p
người mỗi cảnh
Nhiều
ngôn ngữ
6

Trang này giải thích sự khác biệt giữa tạo video theo prompt và theo âm thanh, loại âm thanh nào phù hợp, và cách kết hợp âm thanh với một prompt ngắn để kiểm soát tốt hơn.

Tạo video từ ảnh và âm thanh: theo prompt hay theo âm thanh

Các mô hình video đa năng rất giỏi tạo phong cảnh và chuyển động máy quay được mô tả bằng lời, nhưng chúng không biết khi nào một âm tiết vang lên. Mô hình điều khiển bằng âm thanh đọc dạng sóng: âm bật khép môi, từ nhấn giọng kích hoạt cử chỉ nhấn mạnh, khoảng ngừng để khuôn mặt lắng lại. Kết quả đồng bộ đến từng khung hình, điều rất quan trọng với mọi clip có người nói hoặc hát trên màn hình.

Với OmniHuman 2, bạn vẫn có prompt — nhưng prompt định hình màn trình diễn và máy quay, còn nhịp thời gian hoàn toàn đến từ âm thanh.

Loại âm thanh nào phù hợp

Mô hình được xây dựng xoay quanh giọng người. Kết quả tốt nhất đến từ:

  • Lời thuyết minh, phỏng vấn, bài giảng và các đoạn podcast.
  • Giọng hát — đơn ca, song ca và hợp xướng.
  • Đối thoại giữa hai người trở lên trong cùng một khung hình.
  • Giọng nói tổng hợp xuất từ công cụ chuyển văn bản thành giọng nói.

Kết hợp âm thanh với một prompt ngắn

Dùng prompt cho những gì âm thanh không thể diễn tả: người trong ảnh nhìn đâu, máy quay di chuyển ra sao, cử chỉ nào đi kèm câu nói. Chỉ cần một hai câu. “Looks at the camera, opens hands on the question, slow push-in” (nhìn vào camera, mở tay khi đặt câu hỏi, máy quay tiến chậm vào) là đủ cho một clip 20 giây.

Về định dạng, hãy tải lên MP3 hoặc WAV dài từ 4 giây đến 5 phút; ảnh có thể là JPG, PNG, WEBP và nhiều định dạng khác, tối đa 30 MB.

Từ ảnh và âm thanh đến video hoàn chỉnh

Quy trình trong studio:

  1. 1ẢnhTải lên bức ảnh tĩnh bạn muốn thổi hồn.
  2. 2Âm thanhTải lên hoặc thu âm bản âm thanh sẽ điều khiển chuyển động.
  3. 3Chỉ đạoTùy chọn thêm một câu ghi chú về màn trình diễn và máy quay.
  4. 4RenderXem trước miễn phí, rồi render video MP4 720p.

Kết hợp với các công cụ AI khác

Nhiều nhà sáng tạo chuẩn bị đầu vào bằng các công cụ khác: công cụ tạo ảnh cho nhân vật, công cụ giọng nói cho lời dẫn, và mô hình này cho màn trình diễn. Quy trình đó giúp mỗi bước được chuyên môn hóa — thiết kế, giọng nói, chuyển động — và cho phép bạn thay bất kỳ phần nào mà không phải làm lại các phần khác.

Nếu tự tạo ảnh, hãy yêu cầu nhân vật nhìn chính diện, thấy rõ miệng và nền trơn; những lựa chọn đó giúp bước tạo chuyển động sau này ổn định hơn nhiều.

Những giới hạn cần biết

Mô hình làm chuyển động người và nhân vật, không phải toàn bộ cảnh; các yếu tố nền phần lớn đứng yên ngoài chuyển động máy quay. Mô hình cũng không thể đổi trang phục, thêm đạo cụ hay đưa người sang địa điểm mới — những quyết định đó thuộc về bức ảnh gốc.

Để có kết quả sạch nhất

Chất lượng âm thanh quyết định mức trần của độ khớp, còn độ rõ nét của ảnh quyết định mức trần của độ chân thực. Một khuôn mặt sắc nét, ánh sáng đều và bản thu khô, gần micro sẽ cải thiện kết quả nhiều hơn bất kỳ cách viết prompt nào.

Câu hỏi thường gặp

Tôi có thể thêm nhạc nền không?

Hãy thêm trong phần mềm dựng sau khi render. Nhạc dưới giọng nói trong lúc tạo video có thể làm giảm độ chính xác khớp khẩu hình.

Âm thanh có quyết định độ dài video không?

Có. Video dài đúng bằng âm thanh của bạn, từ 4 giây đến 5 phút.

Có thể làm chuyển động phong cảnh từ âm thanh không?

Mô hình được thiết kế cho người và nhân vật. Cảnh không có khuôn mặt sẽ không cho kết quả có ý nghĩa.

Những định dạng âm thanh nào dùng được?

MP3 và WAV. Bản thu trên trình duyệt được chuyển đổi tự động.

Tôi có cần prompt không?

Không. Không có prompt, chuyển động hoàn toàn đến từ âm thanh; prompt giúp thêm chỉ đạo.

Video tải về có kèm âm thanh không?

Có. File MP4 chứa âm thanh gốc của bạn, đồng bộ với chuyển động.

Tôi có thể dùng cùng lúc giọng nói và hình ảnh do AI tạo không?

Có. Nhiều nhà sáng tạo kết hợp công cụ tạo ảnh, giọng đọc chuyển từ văn bản và OmniHuman 2 — chỉ cần đảm bảo bạn có quyền với từng đầu vào.

Khám phá thêm

Cho ảnh của bạn biết nói.

Xem trước miễn phí.