Chuyển đến nội dung

Ứng dụng · Mới trong 2.0 · Cập nhật thg 10 2026

Video AI nhiều người: Làm ảnh nhóm biết nói

Video AI nhiều người là mảnh ghép còn thiếu của các công cụ ảnh biết nói: các mô hình cũ chỉ làm chuyển động một khuôn mặt và để những người còn lại đứng im. OmniHuman 2.0 được xây dựng cho màn trình diễn nhiều người, nên một bức ảnh hai người dẫn, một ban nhạc hay một gia đình có thể thành cảnh mà mọi người cùng nói, lắng nghe, phản ứng và chia sẻ khung hình.

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

Dưới đây là cách chuẩn bị ảnh nhóm, chuẩn bị âm thanh hội thoại và chỉ đạo ai làm gì.

Chuẩn bị ảnh cho video AI nhiều người

Mỗi người cần chuyển động phải có khuôn mặt hiện rõ, lý tưởng là kích thước tương đương và không chồng lên nhau. Hai đến bốn người đứng cạnh nhau trong khung ngang là điểm khởi đầu dễ nhất — hãy nghĩ đến bàn podcast, ghế sofa phỏng vấn hay hàng người trên sân khấu. Ánh sáng đều trên mọi khuôn mặt giúp không ai trông phẳng hơn người khác.

Nếu mọi người đứng cách camera rất khác nhau, những khuôn mặt gần hơn sẽ lấn át. Hãy cắt khung để người nói là trọng tâm.

Chuẩn bị âm thanh hội thoại

Tải lên một file âm thanh đã mix chứa toàn bộ cuộc trò chuyện, theo đúng thứ tự phát. Để những khoảng ngắt nhỏ giữa các người nói để lượt lời rõ ràng, và tránh đoạn nói chồng khi hai người cùng nói trong thời gian dài.

Bản thu podcast và phỏng vấn dùng được ngay — chỉ cần cắt đoạn bạn muốn, cân bằng âm lượng và tải lên dạng MP3 hoặc WAV, tối đa năm phút.

Chỉ đạo ai nói và ai phản ứng

Mô tả mọi người theo vị trí trong prompt; giữ ngắn gọn:

  • “Left host speaks first, right host nods and laughs, then answers.” (Người dẫn bên trái nói trước, người dẫn bên phải gật đầu và cười, rồi trả lời.)
  • “Woman on the right leads the verse, man on the left joins on the chorus.” (Người phụ nữ bên phải hát chính đoạn verse, người đàn ông bên trái hòa giọng ở điệp khúc.)
  • “Interviewer on the left asks, guest on the right gestures while explaining, static wide shot.” (Người phỏng vấn bên trái đặt câu hỏi, khách mời bên phải khoa tay khi giải thích, góc rộng cố định.)
  • “Whole family waves at the end, gentle push-in.” (Cả gia đình vẫy tay ở cuối, máy quay tiến nhẹ vào.)

Những định dạng bỗng trở nên khả thi

Video podcast từ một ảnh tĩnh, tiểu phẩm hài hai nhân vật, teaser phỏng vấn, clip song ca và hợp xướng, lời chúc gia đình và đóng vai trong lớp học. Mỗi thứ trước đây đều cần quay nhiều người cùng lúc; giờ chỉ cần một bức ảnh và một bản thu.

Vấn đề thường gặp trong cảnh nhóm

Nếu sai người trông như đang nói, hãy ghi vị trí trong prompt thật rõ ràng — “the person on the left” (người bên trái) thay vì một cái tên mà mô hình không thể thấy — và kiểm tra khuôn mặt những người nói có kích thước gần bằng nhau trong khung hình. Nếu ai cũng chuyển động quá nhiều, hãy yêu cầu “listeners stay mostly still” (người nghe gần như đứng yên) để người nói nổi bật.

Nhóm quá đông sẽ chia mỏng chi tiết cho nhiều khuôn mặt nhỏ. Với ảnh hợp xướng hoặc ảnh cả team, hãy cắt lấy hàng đầu và giữ clip ngắn.

Viết hội thoại cho hai giọng

Những trao đổi ngắn hiệu quả nhất: một người hỏi, người kia trả lời trong một hai câu, và họ đối đáp nhanh. Độc thoại dài trong ảnh nhóm khiến người nghe không có gì để làm; hãy chia nhỏ bằng phản ứng hoặc câu hỏi tiếp nối.

Câu hỏi thường gặp

Một video có thể có bao nhiêu người?

Ảnh nhóm đều dùng được, nhưng hai đến bốn khuôn mặt hiện rõ cho kết quả ổn định nhất.

Tôi có cần âm thanh riêng cho từng người không?

Không. Tải lên một file đã mix của cuộc trò chuyện và mô tả ai nói trong prompt.

Mọi người có phản ứng khi người khác nói không?

Có. Người nghe sẽ gật đầu, mỉm cười và liếc nhìn người nói khi bạn yêu cầu trong prompt.

OmniHuman 1.5 có hỗ trợ nhiều người không?

Phiên bản 1.5 dùng mặt nạ để chọn một người nói. Màn trình diễn nhiều người là tính năng mới trong 2.0.

Tôi có thể dùng ảnh gia đình không?

Có, nếu mọi người đều đồng ý. Khuôn mặt rõ ràng, nhìn chính diện cho kết quả tốt nhất.

Cảnh có thể dài bao lâu?

Tối đa 5 phút trong một lần render.

Mỗi người có thể có giọng khác nhau không?

Có. Thu hoặc mix đoạn hội thoại với giọng của từng người vào một file âm thanh, theo thứ tự họ nói.

Người nghe có đứng yên hoàn toàn không?

Không — họ có những chuyển động nhỏ tự nhiên. Hãy yêu cầu phản ứng như gật đầu hay mỉm cười nếu bạn muốn nhiều hơn.

Ảnh nhóm có cần là ảnh ngang không?

Không bắt buộc, nhưng khung rộng cho mỗi khuôn mặt nhiều không gian hơn. Ảnh nhóm dọc hiệu quả nhất với hai người đứng sát nhau.

Khám phá thêm

Cho ảnh của bạn biết nói.

Xem trước miễn phí.