Mọi nhân vật số, từ con mèo hoạt hình của tiệm bánh đến người dẫn ảo giống thật trong video đào tạo, đều được ghép từ bốn lớp: hình, giọng, chuyển động và kịch bản. Mỗi lớp có vài cách làm khác nhau, từ thủ công đến tự động bằng AI, và cách chọn ở từng lớp quyết định nhân vật trông ra sao, tốn bao nhiêu công và ai phải đồng ý cho dùng dữ liệu của mình.
Bài này không dạy dùng một phần mềm cụ thể, vì công cụ thay đổi theo tháng. Thay vào đó, bạn sẽ thấy nguyên lý của từng lớp, các lựa chọn đang có, cách ghép chúng theo từng loại việc, và những lỗi hay gặp riêng với tiếng Việt. Người phụ trách truyền thông, giáo viên hay chủ cửa hàng đọc xong sẽ đủ để trao đổi với bên làm dịch vụ mà không bị dẫn dắt.
Lớp hình: vẽ tay, dựng ba chiều hay tạo từ ảnh
Lớp hình quyết định nhân vật trông như thế nào. Có ba cách chính, mỗi cách hợp với một kiểu nhân vật.
| Cách làm | Kết quả | Hợp với | Cần lưu ý |
|---|---|---|---|
| Vẽ hai chiều | Nhân vật phong cách tranh vẽ, hoạt hình, cử động bằng cách tách các phần hình | Linh vật cửa hàng, nhân vật kể chuyện cho trẻ, VTuber | Cần thoả thuận quyền sử dụng với hoạ sĩ |
| Dựng ba chiều | Nhân vật có khối, xoay được nhiều góc, đặt vào không gian ảo | Hướng dẫn viên ảo bảo tàng, trò chơi, nhân vật xuất hiện nhiều bối cảnh | Tốn công hơn, cần người biết dựng hình |
| Tạo từ ảnh, video người thật bằng AI | Gương mặt giống thật, nói được, thường chỉ ở góc chính diện | Người dẫn ảo, bản sao số của chính mình | Bắt buộc có đồng ý của người trong ảnh, dữ liệu là dữ liệu sinh trắc |
| Tạo hình hư cấu bằng AI từ mô tả | Gương mặt người hoặc nhân vật không giống ai cụ thể | Người dẫn ảo hư cấu, nhân vật minh hoạ | Kiểm để chắc không vô tình giống một người có thật hay một nhân vật đã có chủ |
Câu hỏi đầu tiên khi chọn lớp hình là nhân vật có cần giống người không. Nếu không, hai chiều hoặc ba chiều hoạt hình thường dễ được chấp nhận hơn và không vướng chuyện đồng ý của ai. Nếu có, hãy chuẩn bị giấy đồng ý trước khi quay mẫu.
Lớp giọng: người lồng tiếng, giọng tổng hợp hay giọng nhân bản
Lớp giọng có ba hướng. Hướng thứ nhất là thuê hoặc nhờ một người thật lồng tiếng, giọng tự nhiên nhất, nhưng mỗi lần sửa kịch bản lại phải ghi âm lại. Hướng thứ hai là dùng giọng đọc tổng hợp có sẵn trong các công cụ chuyển văn bản thành giọng nói; các giọng này không thuộc về ai cụ thể, sửa câu chỉ cần gõ lại. Hướng thứ ba là giọng nhân bản: công cụ học từ bản ghi của một người để đọc bất kỳ câu nào bằng giọng giống người đó.
Với tiếng Việt, chất lượng giọng tổng hợp đã khá hơn nhiều so với vài năm trước nhưng vẫn có điểm yếu riêng. Thanh điệu dễ bị đọc phẳng ở câu dài. Từ viết tắt, số, đơn vị đo, tên riêng nước ngoài thường đọc sai. Ngắt nghỉ theo dấu câu có khi không đúng nhịp nói của người Việt. Giọng vùng miền cũng là một lựa chọn cần cân nhắc: một nhân vật cho khách miền Tây đọc giọng Hà Nội chuẩn có thể nghe xa cách.
Giọng nhân bản là hướng cần thận trọng nhất. Chỉ nên nhân bản giọng của chính mình hoặc của người đã đồng ý bằng văn bản, có ghi rõ phạm vi dùng. Mẫu giọng là thứ kẻ xấu có thể lợi dụng để giả người đó qua điện thoại, nên phải lưu giữ cẩn thận. Phần công cụ giọng nói cụ thể có trên AI Giọng Nói; ở đây chỉ cần biết ba hướng và hệ quả của mỗi hướng.
Lớp chuyển động: khung hình, bắt chuyển động hay tự sinh theo âm thanh
Chuyển động làm nhân vật trông sống. Cách truyền thống là hoạt hình theo khung: người làm hoạt hình định từng tư thế, phần mềm nối các tư thế lại. Cách này kiểm soát được từng chi tiết nhưng tốn công, hợp với video ngắn cần đẹp. Cách thứ hai là bắt chuyển động: camera hoặc cảm biến đọc nét mặt, cử động của một người thật rồi truyền sang nhân vật, như cách VTuber vẫn làm.
Cách thứ ba là để công cụ tự sinh chuyển động từ âm thanh: đưa vào một đoạn giọng đọc, công cụ tạo khẩu hình khớp với lời, thêm chớp mắt, gật đầu, cử chỉ tay ở mức vừa phải. Đây là cách các nền tảng người dẫn ảo hay dùng, nhanh nhất nhưng cũng dễ lộ nhất. Khẩu hình tiếng Việt với nhiều âm cuối và thanh điệu đôi khi không khớp, nhất là khi công cụ được làm chủ yếu cho tiếng Anh.
Một mẹo để nhân vật trông tự nhiên hơn mà không cần kỹ thuật cao: giữ khung hình ở mức nửa người hoặc ngang vai, cho nhân vật đứng cạnh nội dung minh hoạ thay vì chiếm cả màn hình, và cắt cảnh thường xuyên sang hình ảnh minh hoạ. Người xem ít để ý lỗi khẩu hình khi mắt họ có chỗ khác để nhìn. Mẹo này đặc biệt hợp với video bài giảng và video hướng dẫn sản phẩm.
Lớp kịch bản: ai quyết định nhân vật nói gì
Kịch bản viết sẵn. Người viết soạn từng câu, người có trách nhiệm duyệt, rồi nhân vật đọc lên. Đây là cách an toàn nhất, dùng cho video đào tạo, bài giảng, quảng cáo. Nhân vật không bao giờ nói điều chưa được duyệt.
Người điều khiển trực tiếp. Một người thật nói qua nhân vật, như VTuber hay nhân viên trực quầy dùng nhân vật để nói chuyện với khách. Linh hoạt và tự nhiên, nhưng chất lượng phụ thuộc hoàn toàn vào người đó.
Mô hình ngôn ngữ trả lời theo quy tắc. Nhân vật tự soạn câu trả lời dựa trên bộ quy tắc, tài liệu được cấp và câu hỏi của người dùng. Phục vụ được nhiều người cùng lúc, nhưng dễ nói sai, bịa thông tin hoặc lệch giọng điệu. Cần bộ quy tắc rõ ràng về những gì nhân vật không được nói và một người theo dõi các cuộc trò chuyện.
Kết hợp. Nhiều nhân vật dùng kịch bản viết sẵn cho phần chính và mô hình ngôn ngữ cho phần hỏi đáp phụ, có giới hạn chủ đề. Đây thường là lựa chọn cân bằng cho cửa hàng và doanh nghiệp nhỏ.
Ghép bốn lớp theo từng loại việc
Không cần chọn cách cao cấp nhất ở mọi lớp. Bảng dưới gợi ý tổ hợp hay dùng cho vài việc thường gặp, để bạn có điểm xuất phát khi lên kế hoạch.
| Việc | Hình | Giọng | Chuyển động | Kịch bản |
|---|---|---|---|---|
| Linh vật trả lời khách của cửa hàng | Vẽ hai chiều | Thường chỉ có chữ, hoặc giọng tổng hợp | Vài biểu cảm có sẵn | Kết hợp, có giới hạn chủ đề |
| Video đào tạo nhân viên | Người dẫn hư cấu hoặc người thật đã đồng ý | Giọng tổng hợp hoặc nhân bản có đồng ý | Tự sinh theo âm thanh | Viết sẵn, có duyệt |
| Kênh trò chuyện, chơi trò chơi | Vẽ hai chiều hoặc ba chiều | Giọng thật | Bắt chuyển động | Người điều khiển trực tiếp |
| Hướng dẫn viên ảo ở bảo tàng | Dựng ba chiều | Người lồng tiếng | Hoạt hình theo khung | Viết sẵn theo từng hiện vật |
| Video bài giảng của giáo viên | Bản sao số của chính giáo viên hoặc nhân vật hoạt hình | Giọng của chính giáo viên | Tự sinh theo âm thanh | Viết sẵn bởi giáo viên |
Ví dụ giả định: một phòng khám nha khoa nhỏ ở Bắc Ninh muốn có nhân vật hướng dẫn chăm sóc răng sau khi nhổ. Họ chọn một nhân vật răng hoạt hình vẽ tay, giọng tổng hợp giọng nữ miền Bắc, chuyển động tự sinh, kịch bản do bác sĩ viết và duyệt. Không cần mẫu mặt hay giọng của ai, không vướng chuyện đồng ý, và mọi câu nhân vật nói đều đã qua tay bác sĩ.
Dữ liệu của ai đi vào nhân vật
Hình và giọng của người thật cần giấy đồng ý. Khi lớp hình hoặc lớp giọng được tạo từ một người cụ thể, dù là chính chủ doanh nghiệp, nhân viên hay người mẫu thuê, nên có văn bản ghi rõ dùng vào việc gì, trong bao lâu, ở kênh nào và cách thu hồi. Ghi miệng thì đến lúc người đó nghỉ việc mới thấy thiếu.
Tài liệu cấp cho nhân vật trả lời tự động. Bảng giá nội bộ, danh sách khách, ghi chú của nhân viên không nên đưa vào kho kiến thức của nhân vật nói chuyện với khách. Che thông tin cá nhân và bí mật kinh doanh trước khi đưa bất kỳ tài liệu nào vào.
Dữ liệu của người trò chuyện với nhân vật. Khách nhắn tin với nhân vật để lại tên, số điện thoại, câu hỏi riêng tư. Cần biết nền tảng lưu chúng ở đâu, ai xem được, xoá sau bao lâu, và báo cho khách biết điều đó.
Thiết kế của người khác. Nhân vật hoạt hình na ná một nhân vật nổi tiếng đã có chủ có thể vướng quyền tác giả và gây nhầm lẫn thương hiệu. Tự thiết kế hoặc đặt hàng thiết kế mới, có thoả thuận quyền sử dụng.
Lỗi hay gặp khi làm nhân vật nói tiếng Việt
Phần lớn lỗi không nằm ở công nghệ mà ở khâu chuẩn bị và kiểm tra. Danh sách dưới đây giúp bạn soát trước khi xuất bản.
- Đọc sai số và từ viết tắt: viết sẵn số thành chữ, viết đầy đủ từ viết tắt trong kịch bản đưa cho giọng đọc, dù phụ đề vẫn để dạng gọn.
- Đọc sai tên riêng nước ngoài: phiên âm theo cách người Việt đọc, nghe thử từng tên.
- Thanh điệu phẳng ở câu dài: cắt câu ngắn hơn, mỗi câu một ý, nghe lại cả đoạn.
- Nhân vật mỗi video một khác: lưu lại bộ thông số nhân vật, góc máy, ánh sáng, giọng đọc đã dùng, dùng lại đúng như vậy.
- Khẩu hình lệch: giữ khung nửa người, chèn cảnh minh hoạ, tránh cận mặt kéo dài.
- Quên gắn nhãn: một câu ngắn ở đầu video và trong phần mô tả cho biết người dẫn được tạo bằng AI.
- Nội dung chuyên môn sai: nhân vật đọc trôi chảy khiến lỗi khó nhận ra hơn, nên người có chuyên môn phải đọc kịch bản trước, không chỉ nghe bản cuối.
Các lỗi này lặp lại ở gần như mọi dự án lần đầu. Ghi chúng thành một bảng kiểm dùng chung trong nhóm sẽ tiết kiệm nhiều lần sửa đi sửa lại.
Câu hỏi thường gặp
Tạo một nhân vật số cần những phần nào?
Bốn lớp: hình (khuôn mặt, cơ thể), giọng (người lồng tiếng, giọng tổng hợp hoặc giọng nhân bản), chuyển động (khung hình, bắt chuyển động hoặc tự sinh theo âm thanh) và kịch bản (viết sẵn, người điều khiển trực tiếp hoặc mô hình ngôn ngữ).
Có cần biết lập trình để tạo nhân vật số không?
Không nhất thiết. Nhiều nền tảng cho phép chọn hình, chọn giọng, dán kịch bản và xuất video. Kiến thức lập trình chỉ cần khi muốn nhân vật trả lời tự động trên trang web hay tích hợp vào hệ thống riêng của doanh nghiệp.
Giọng tổng hợp tiếng Việt hiện nay có nghe tự nhiên không?
Đã khá hơn nhiều, nhất là với câu ngắn. Điểm yếu thường gặp là thanh điệu phẳng ở câu dài, đọc sai số, từ viết tắt và tên nước ngoài. Viết kịch bản câu ngắn, viết số thành chữ và nghe lại từng đoạn sẽ khắc phục phần lớn.
Nên chọn nhân vật hoạt hình hay giống người thật?
Tuỳ việc. Nhân vật hoạt hình dễ được chấp nhận, không vướng chuyện đồng ý của ai và hợp với linh vật, nội dung cho trẻ. Nhân vật giống người hợp với video đào tạo, bài giảng, nhưng cần đồng ý của người có gương mặt và nên gắn nhãn rõ.
Dùng ảnh người mẫu trên mạng để tạo người dẫn ảo có được không?
Không nên. Ảnh trên mạng thuộc về người chụp và người trong ảnh có quyền đối với hình ảnh của mình. Muốn người dẫn giống người thật, hãy dùng hình của người đã đồng ý bằng văn bản, hoặc dùng nhân vật hư cấu không giống ai.
Nhân vật số trả lời tự động có cần người theo dõi không?
Có. Mô hình ngôn ngữ có thể trả lời sai, bịa thông tin hoặc nói lệch giọng điệu thương hiệu. Cần bộ quy tắc rõ ràng, giới hạn chủ đề và một người xem lại các cuộc trò chuyện định kỳ để sửa kịp thời.