Quy Trình Prompt Image-to-Video: Hướng Dẫn Từng Bước

Trước đây tôi từng dành cả buổi chiều chỉ để nhập các đoạn văn mô tả dài vào công cụ text-to-video, nhưng kết quả thường là camera trôi, chi tiết cơ thể lỗi và nền hình tan chảy. Sau đó tôi chuyển sang sử dụng một ảnh tham chiếu mạnh duy nhất trước. Đến tháng 5 năm 2026, sự khác biệt vẫn cảm giác gần như không công bằng. Nguyên tắc cốt lõi rất đơn giản: chỉ mô tả chuyển động và thay đổi. Ảnh đã mang theo chủ thể, ánh sáng và bố cục, vì vậy prompt của bạn chỉ cần hướng dẫn khung hình cố định đó sẽ phát triển như thế nào. Phương pháp này giảm đáng kể các lỗi tạo hình và mang lại kết quả dễ đoán hơn nhiều so với text-to-video thuần túy. Các tiến bộ trong multimodal AI đang được áp dụng cho việc tạo nội dung người lớn, nơi người sáng tạo cần kiểm soát chính xác thời gian và độ thực tế từ một khung hình tham chiếu. Cùng kỹ thuật này đang vận hành quy trình làm việc tại https://aiexotic.com/p/image-to-video-prompts-animate-adult-scenes-with-ai-workflows.

Sau khi thử nghiệm hàng chục prompt trên Sora 2, Veo 3.1, Kling và Pika, tôi đã xây dựng được mẫu năm phần có thể tái sử dụng. Mẫu này giữ prompt ngắn gọn nhưng chính xác. 1. Chủ thể (giữ tối thiểu vì ảnh đã cung cấp) 2. Chuyển động (động từ chính và hướng) 3. Camera (di chuyển, góc quay hoặc hành vi ống kính) 4. Thay đổi ánh sáng hoặc môi trường (chỉ tinh tế) 5. Gợi ý chất lượng (điện ảnh, mượt mà, cảm giác 24 fps) Trước: “A woman in a red dress walks slowly through a forest at dusk, cinematic lighting, detailed face.” Sau: “She walks forward three steps, gentle breeze moves her hair, slow push-in camera, soft golden light fades to cooler tones, smooth cinematic motion.” Mẫu: “[Chủ thể] [chuyển động cụ thể + thời lượng], [hành động camera], [thay đổi môi trường tinh tế], [phong cách/chất lượng].” Phiên bản trước lặp lại những gì ảnh đã thể hiện. Phiên bản sau hướng dẫn mô hình biết phải hoạt hình hóa điều gì.

Dưới đây là ba prompt đang hoạt động mà tôi thường tái sử dụng và chỉnh sửa. Mỗi prompt đều bắt đầu từ một ảnh tham chiếu duy nhất. Ví dụ 1 (cảnh quay cận cảnh thân mật): “She leans in slowly, lips parting, soft exhale visible, gentle handheld camera sway, warm skin tones shift under low lamp light, smooth realistic motion.” Ví dụ 2 (hành động năng động): “He turns sharply, coat flares, three quick steps forward, low tracking shot following his movement, dust kicks up from the floor, crisp cinematic action.” Ví dụ 3 (thay đổi môi trường): “Leaves fall around her, wind picks up gradually, slow orbiting camera, daylight dims to twilight, natural fabric movement, filmic 24 fps quality.” Lưu ý rằng không có prompt nào mô tả lại ngoại hình chủ thể. Chúng chỉ tập trung vào những gì sẽ xảy ra tiếp theo. Tôi nhập trực tiếp các prompt này vào bất kỳ công cụ image-to-video nào và thường nhận được chuyển động sử dụng được ngay từ lần thử đầu tiên.

Sai lầm lớn nhất tôi thấy là người viết prompt lặp lại mọi chi tiết có thể nhìn thấy từ ảnh tham chiếu. Điều này buộc mô hình phải tái tạo chủ thể thay vì hoạt hình hóa nó. Cách khắc phục: xóa bỏ mọi thứ mà ảnh đã thể hiện. Sai lầm thứ hai là ngôn ngữ chuyển động mơ hồ như “move naturally.” Mô hình cần hướng dẫn cụ thể và thời gian rõ ràng. Cách khắc phục: thay bằng động từ và con số cụ thể (“takes two steps left, head turns 30 degrees”). Thử nghiệm song song: Prompt mơ hồ cho ra chuyển động giật, không nhất quán. Prompt cụ thể mang lại kết quả sạch và có thể lặp lại trên ba công cụ khác nhau. Hiện tại tôi luôn giữ danh sách ngắn các động từ chuyển động trên màn hình desktop và luân phiên sử dụng khi clip cảm thấy nhàm chán.