Khi bắt đầu tìm hiểu nhân vật số, cái khó đầu tiên thường là chữ: avatar, người dẫn ảo, khớp khẩu hình, nhân bản giọng, thuỷ vân, thông tin nguồn gốc nội dung. Nhiều thuật ngữ đến từ tiếng Anh, được dịch mỗi nơi một kiểu, khiến người mới đọc tài liệu hay trao đổi với bên làm dịch vụ dễ hiểu lệch nhau.
Bài này gom 32 thuật ngữ hay gặp nhất, chia thành năm nhóm: các loại nhân vật, lớp hình, lớp giọng, lớp chuyển động, và quyền cùng minh bạch. Mỗi thuật ngữ có cách gọi tiếng Việt, tên tiếng Anh thường gặp nếu có, và một hai câu giải thích bằng ngôn ngữ đời thường, kèm lưu ý khi cần. Bạn có thể đọc lướt để nắm khung, rồi quay lại tra khi gặp chữ lạ.
Nhóm 1: các loại nhân vật
Bảy thuật ngữ đầu tiên phân biệt các loại nhân vật số. Ranh giới giữa chúng đôi khi mờ, nhưng biết tên giúp hỏi đúng câu.
| Thuật ngữ | Tiếng Anh hay gặp | Nghĩa ngắn gọn |
|---|---|---|
| Nhân vật số | Digital character | Tên gọi chung cho mọi hình hài được tạo trên máy tính, có danh tính và có thể cử động hoặc lên tiếng |
| Avatar | Avatar | Hình đại diện cho một người dùng cụ thể, từ ảnh tĩnh đến nhân vật ba chiều biết nói |
| Người dẫn ảo | Virtual presenter, AI presenter | Gương mặt và giọng được dựng để dẫn video theo kịch bản |
| Người ảo | Virtual human, virtual influencer | Nhân vật hư cấu có tên tuổi, tính cách, đăng bài liên tục như người thật |
| VTuber | Virtual YouTuber | Người biểu diễn thật xuất hiện qua nhân vật hoạt hình điều khiển bằng chuyển động của mình |
| Bản sao số | Digital twin, digital double, AI clone | Bản dựng hình và giọng của đúng một người thật |
| Linh vật số | Digital mascot | Nhân vật đại diện cho một thương hiệu, cửa hàng, tổ chức |
Lưu ý: "digital twin" trong công nghiệp chỉ mô hình số của máy móc, nhà xưởng; khi đọc tài liệu, xem ngữ cảnh để biết đang nói nghĩa nào. Chữ "AI clone" hay được dùng trong quảng cáo dịch vụ, nghe hấp dẫn nhưng thực chất là bản sao số với các lớp hình, giọng tuỳ gói.
Nhóm 2: lớp hình
Mô hình hai chiều (2D model). Nhân vật vẽ phẳng, được cắt thành nhiều mảnh như mắt, miệng, tóc để cử động. Phổ biến với VTuber và linh vật.
Mô hình ba chiều (3D model). Nhân vật có khối, xoay được nhiều góc, đặt được vào không gian ảo. Tốn công dựng hơn nhưng dùng được trong nhiều bối cảnh.
Dựng khung xương (rigging). Bước gắn một bộ "xương" và điểm điều khiển vào mô hình để nó cử động được. Mô hình đẹp mà khung xương kém thì cử động vẫn cứng.
Kết xuất (rendering). Quá trình máy tính tính ra hình ảnh cuối cùng từ mô hình, ánh sáng, chất liệu. Kết xuất theo thời gian thực dùng cho phát trực tiếp; kết xuất chậm cho video chất lượng cao.
Tạo ảnh từ mô tả (text-to-image). Công cụ AI tạo hình ảnh từ một đoạn mô tả bằng chữ. Dùng để phác nhân vật hư cấu, cần kiểm để không vô tình giống người thật hay nhân vật đã có chủ.
Video mẫu (training footage). Đoạn video quay một người thật để công cụ học gương mặt và tạo người dẫn ảo hoặc bản sao số. Đây là dữ liệu nhạy cảm, cần đồng ý và lưu giữ cẩn thận.
Nhóm 3: lớp giọng
Chuyển văn bản thành giọng nói (text-to-speech, TTS). Công nghệ đọc to một đoạn chữ bằng giọng máy. Giọng có sẵn trong công cụ không thuộc về người cụ thể nào.
Giọng tổng hợp (synthetic voice). Tên chung cho giọng do máy tạo ra, có thể từ giọng có sẵn hay từ mẫu của người thật.
Nhân bản giọng (voice cloning). Công cụ học từ bản ghi của một người để đọc bất kỳ câu nào bằng giọng giống người đó. Chỉ nên làm với giọng của chính mình hoặc người đã đồng ý bằng văn bản.
Lồng tiếng bằng AI (AI dubbing). Chuyển lời nói trong video sang ngôn ngữ khác, giữ giọng gốc và đôi khi chỉnh cả khẩu hình. Người xem nên được báo đây là bản lồng tiếng tạo bằng máy.
Ngữ điệu (prosody). Cách lên xuống, nhấn nhá, ngắt nghỉ của giọng nói. Với tiếng Việt, ngữ điệu đan xen với thanh điệu nên giọng tổng hợp dễ đọc sai ở câu dài.
Lưu giữ giọng (voice banking). Ghi âm giọng của một người khi còn khoẻ để sau này, nếu mất giọng vì bệnh, thiết bị hỗ trợ giao tiếp nói được bằng giọng gần với giọng của chính họ.
Nhóm 4: lớp chuyển động
Năm thuật ngữ về cách làm nhân vật cử động. Hiểu chúng giúp bạn biết vì sao nhân vật này trông tự nhiên còn nhân vật kia trông cứng.
| Thuật ngữ | Tiếng Anh hay gặp | Nghĩa ngắn gọn |
|---|---|---|
| Bắt chuyển động | Motion capture | Ghi lại cử động của người thật bằng camera hoặc cảm biến rồi truyền sang nhân vật |
| Theo dõi khuôn mặt | Face tracking | Camera đọc nét mặt, hướng đầu, cử động mắt và miệng theo thời gian thực, dùng nhiều ở VTuber |
| Khớp khẩu hình | Lip sync | Làm cử động môi của nhân vật khớp với lời nói; với tiếng Việt, các âm cuối và thanh điệu là chỗ dễ lệch |
| Hoạt hình theo khung | Keyframe animation | Người làm định các tư thế chính, phần mềm nối thành chuyển động; kiểm soát tốt nhưng tốn công |
| Thung lũng kỳ lạ | Uncanny valley | Cảm giác khó chịu khi nhìn nhân vật gần giống người mà chưa hẳn giống, nhất là khi cử động thiếu tự nhiên |
Khi đọc mô tả sản phẩm của một nền tảng người dẫn ảo, các chữ "khớp khẩu hình tự nhiên", "biểu cảm sống động" là lời quảng cáo; cách kiểm đáng tin nhất là tự xem một đoạn mẫu bằng tiếng Việt, có câu dài, có số và tên riêng.
Nhóm 5: quyền và minh bạch
Đồng ý (consent). Sự cho phép rõ ràng của người có hình, giọng được dùng, tốt nhất bằng văn bản, ghi phạm vi, thời hạn và cách rút lại.
Quyền đối với hình ảnh. Quyền của cá nhân quyết định việc sử dụng hình ảnh của mình, được pháp luật Việt Nam ghi nhận. Chi tiết áp dụng theo quy định hiện hành.
Dữ liệu sinh trắc học (biometric data). Dữ liệu về đặc điểm cơ thể dùng để nhận dạng một người như khuôn mặt, giọng nói, vân tay. Quy định bảo vệ dữ liệu cá nhân xếp đây vào nhóm cần bảo vệ chặt hơn.
Nhãn nội dung do AI tạo (AI label). Dòng ghi chú cho người xem biết hình, giọng hay video có phần do AI tạo. Có thể do người đăng tự ghi hoặc nền tảng tự gắn.
Thuỷ vân (watermark). Dấu nhúng vào hình, video hay âm thanh, có loại nhìn thấy được và có loại ẩn, chỉ phần mềm đọc được, để đánh dấu nội dung do công cụ AI tạo ra.
Thông tin nguồn gốc nội dung (content provenance, content credentials). Thông tin đi kèm tệp, ghi lại tệp được tạo bằng công cụ nào, đã qua chỉnh sửa gì. Một số công cụ và nền tảng đã hỗ trợ, nhưng thông tin này có thể mất khi tệp bị chụp lại hay nén lại.
Deepfake. Nội dung dùng hình hoặc giọng của người thật mà họ không đồng ý, hoặc dùng để đánh lừa. Kỹ thuật có thể giống bản sao số; khác biệt nằm ở đồng ý và mục đích.
Mạo danh (impersonation). Giả làm một người hay tổ chức có thật, bằng nhân vật số hay cách khác. Là hành vi có thể vi phạm pháp luật tuỳ mục đích và hậu quả.
Những cặp chữ hay bị dùng lẫn
Người ảo và tài khoản ảo. Trong cách nói thường ngày ở Việt Nam, "tài khoản ảo" hay chỉ tài khoản giả, lập ra để thả bình luận, tăng tương tác hay lừa đảo. Người ảo là nhân vật hư cấu công khai, có đội ngũ đứng tên. Gọi lẫn hai chữ này khiến người làm nhân vật số minh bạch bị nghi oan, còn tài khoản giả lại được nói giảm.
Do AI tạo và có AI hỗ trợ. Video mà người dẫn, giọng đọc đều do máy tạo khác với video người thật quay, chỉ dùng AI để tách nền hay làm phụ đề. Nhãn nên phản ánh đúng mức độ, để người xem không đánh đồng hai loại.
Deepfake và chỉnh ảnh. Làm mịn da, đổi phông nền là chỉnh ảnh. Thay gương mặt, đặt lời vào miệng người khác mới là deepfake. Gọi mọi bức ảnh qua chỉnh sửa là deepfake làm chữ này mất sức nặng.
Nhân bản giọng và đổi giọng. Bộ đổi giọng biến đổi giọng của chính người đang nói theo thời gian thực, như làm trầm hơn hay cao hơn. Nhân bản giọng tạo ra giọng giống một người cụ thể, kể cả khi người đó không nói gì.
Dùng thuật ngữ cho đúng khi trao đổi công việc
Khi làm việc với bên cung cấp dịch vụ nhân vật số, nên thống nhất thuật ngữ từ đầu. Ví dụ, "làm avatar cho giám đốc" có thể được hiểu là một hình hoạt hình, cũng có thể là bản sao số đầy đủ hình và giọng. Hai cách hiểu dẫn đến lượng dữ liệu phải giao, giấy tờ cần ký và chi phí khác nhau hoàn toàn. Viết rõ "bản sao số gồm hình và giọng, dùng cho video đào tạo nội bộ trong mười hai tháng" sẽ tránh được hiểu lầm.
Với người xem, dùng đúng chữ giúp nhãn có ý nghĩa. "Video có người dẫn do AI tạo" rõ ràng hơn "video có sử dụng công nghệ"; "giọng đọc tổng hợp" rõ hơn "giọng AI" chung chung. Nhãn càng cụ thể, người xem càng hiểu mình đang xem gì và càng ít nghi ngờ những phần không do AI làm.
Một gợi ý nhỏ cho nhóm làm nội dung: lập một bảng thuật ngữ nội bộ một trang, chọn một cách gọi tiếng Việt cho mỗi khái niệm và dùng thống nhất trong kịch bản, hợp đồng, nhãn. Có thể nhờ chatbot gợi ý bản nháp từ danh sách trên, rồi chỉnh theo cách nói quen của ngành mình. Thuật ngữ trong lĩnh vực này thay đổi nhanh, nên rà lại bảng vài tháng một lần.
Câu hỏi thường gặp
Avatar và nhân vật số khác nhau thế nào?
Avatar là hình đại diện cho một người dùng cụ thể, do người đó chọn hoặc điều khiển. Nhân vật số là khái niệm rộng hơn, gồm cả avatar, người dẫn ảo, người ảo, linh vật và bản sao số.
Khớp khẩu hình là gì?
Là kỹ thuật làm cử động môi của nhân vật khớp với lời nói. Với tiếng Việt, các âm cuối và thanh điệu là chỗ dễ lệch nhất, nhất là khi công cụ được làm chủ yếu cho tiếng Anh. Khẩu hình lệch là một nguyên nhân khiến nhân vật trông thiếu tự nhiên.
Chuyển văn bản thành giọng nói và nhân bản giọng khác nhau ở đâu?
Chuyển văn bản thành giọng nói dùng giọng có sẵn trong công cụ, không thuộc về ai cụ thể. Nhân bản giọng học từ bản ghi của một người để đọc bằng giọng giống người đó, nên cần sự đồng ý của người có giọng và phải giữ mẫu cẩn thận.
Thuỷ vân có giúp nhận ra mọi nội dung do AI tạo không?
Không. Thuỷ vân chỉ có khi công cụ tạo ra nội dung có gắn, và có thể bị mất khi tệp bị cắt, nén hoặc quay lại màn hình. Nó là một tín hiệu hữu ích, không phải bằng chứng duy nhất, nên vẫn cần nhãn và sự minh bạch của người đăng.
Dữ liệu sinh trắc học gồm những gì?
Là dữ liệu về đặc điểm cơ thể dùng để nhận dạng một người, như khuôn mặt, giọng nói, vân tay, mống mắt. Khi tạo nhân vật số từ người thật, mẫu mặt và mẫu giọng có thể thuộc nhóm này, cần được bảo vệ chặt theo quy định hiện hành.
Deepfake và bản sao số có phải là một không?
Kỹ thuật có thể giống nhau, nhưng bản sao số được tạo bởi chính người đó hoặc với sự đồng ý rõ ràng của họ. Deepfake là dùng hình hoặc giọng của người thật khi họ không đồng ý, hoặc dùng để đánh lừa người xem.