Veo 3.1 vs Seedance 2.0 vs Kling 3.0: mô hình video AI nào làm quảng cáo tốt hơn?

Câu hỏi chúng tôi nhận nhiều nhất từ dân performance marketing là một biến thể của "nên dùng mô hình video AI nào để làm quảng cáo?" Câu trả lời thật lòng là: hỏi vậy chưa đúng. Không có mô hình tốt nhất duy nhất, và thứ hạng thay đổi vài tuần một lần khi phiên bản mới ra mắt. Điều quan trọng là chọn mô hình hợp với cảnh quay. Một clip UGC người nói trước camera, một cảnh xoay sản phẩm chủ đạo và một đoạn chuyển động cách điệu, mỗi thứ hợp với một engine khác nhau.

Tại Hermoso, chúng tôi điều phối Veo 3.1, Seedance 2.5 và Kling 3.0 trong môi trường thật, chọn theo từng việc thay vì đặt cược vào một mô hình. Đây là góc nhìn của người làm nghề: mỗi mô hình thật sự xứng đáng có chỗ ở đâu trong một quảng cáo, dựa trên những bản render chúng tôi xuất ra chứ không phải benchmark được công bố.

Veo 3.1: âm thanh gốc và khớp môi

Điểm nổi bật của Veo 3.1 cho công việc quảng cáo là nó tạo lời nói trực tiếp, trong cùng một lần chạy với cảnh quay, nên môi và âm thanh đến từ một quá trình duy nhất. Chỉ một đặc tính đó đã giải quyết dấu hiệu dai dẳng nhất của video AI: kiểu mấp máy môi như phim lồng tiếng khi âm thanh TTS được gắn lên một cái miệng tạo riêng. Nhận thức con người bắt sự lệch đó cực kỳ nhạy, và chỉnh màu không giấu được.

Vì vậy Veo là lựa chọn mặc định của chúng tôi ngay khi có một cái miệng trên khung hình cần nói: lời chứng thực người nói trước camera, nhà sáng lập nói thẳng vào ống kính, bất kỳ ý tưởng UGC nào xoay quanh một người đang nói. Khi định dạng là một người đọc lời thoại, lời nói khớp môi gốc đáng giá hơn mọi khác biệt chất lượng khác giữa các mô hình.

Đổi lại, Veo áp chính sách nội dung khắt khe hơn. Nó hay chặn quá tay với tên thương hiệu, chân dung người thật và bất cứ thứ gì dính đến đồ uống có cồn, có thể trả về từ chối cho một prompt hoàn toàn sạch. Trong quy trình của chúng tôi, một lần từ chối ở đó sẽ tự động chuyển sang mô hình khác chứ không phải ngõ cụt. Dù vậy, đây vẫn là điều cần cân nhắc nếu cảnh quay dựa vào một thương hiệu có tên hay một gương mặt dễ nhận ra.

Seedance 2.0: âm thanh gốc, một cảnh quay liền mạch, nhất quán nhờ ảnh tham chiếu

Seedance 2.0 là "ngựa thồ" của chúng tôi cho những cảnh quay mà quảng cáo thật sự sống nhờ: sản phẩm được cầm trong bàn tay thật, xoay, đặt xuống, rót ra. Khi được đưa ảnh sản phẩm thật làm tham chiếu, nó giữ danh tính của vật thể thật rất ấn tượng (dáng chai, bố cục nhãn, đúng màu sắc) thay vì bịa ra một "người anh em họ" trông hợp lý như một prompt chữ không có tham chiếu. Với quảng cáo DTC và hàng tiêu dùng, nơi sản phẩm trên màn hình phải đúng là sản phẩm trên kệ, độ trung thực từ ảnh tham chiếu sang video là tất cả.

Điều thứ hai Seedance làm hợp với quảng cáo là chất hình. Nó render hạt nhiễu cầm tay, kiểu camera điện thoại rất thuyết phục: chất hình hơi chưa hoàn hảo, không hào nhoáng, trông như UGC chân thật chứ không phải quảng cáo bóng bẩy. Viết prompt hướng tới da mờ và ánh sáng trung tính, nó đạt được vẻ "ai đó quay bằng điện thoại" tốt hơn các lựa chọn khác.

Hai đặc tính nữa làm trọn bộ. Seedance tạo âm thanh gốc (giọng nói, âm nền căn phòng, những tiếng động lặt vặt trong cảnh) trong cùng một lần chạy với cảnh quay, nên một clip UGC có thể ra đời đã biết nói, với âm nền khớp đúng căn phòng thay vì một clip câm chờ lồng tiếng. Và nó giữ được tới mười lăm giây trong một lần chạy liền mạch, điều quan trọng hơn bạn tưởng: một cảnh quay nghĩa là không có đường nối giữa các nhịp, không phải dựng lại ánh sáng giữa chừng, không có cú cắt rơi vào giữa một từ. Với UGC một lần chạy từ mười lăm giây trở xuống, chúng tôi thường chuyển sang Seedance, vì nó giữ được sản phẩm, chất hình và âm thanh trong một cảnh quay sạch. Giới hạn chính của nó là giới hạn mọi mô hình đều có (xem phần chuyển động bên dưới): đừng yêu cầu nó ném hay thả bất cứ thứ gì.

Seedance 2.5: ba mươi giây trong một cảnh quay liền mạch

Rồi Seedance 2.5 ra mắt và nâng cái trần mà mọi điều ở trên được viết dưới đó. Chúng tôi yêu cầu ba mươi giây. Chúng tôi nhận được 30,08: một cảnh quay liền mạch, có âm thanh, và không có cú cắt cứng nào. Không phải ba mươi giây ráp từ nhiều clip. Ba mươi giây mà máy quay đơn giản là không bao giờ dừng.

Với quảng cáo, đây là chuyện lớn hơn nhiều so với một lần nâng thông số. Mười lăm giây đã là trần thực tế của một cảnh quay được tạo ra kể từ khi hạng mục này tồn tại, nên mọi thứ dài hơn đều phải ghép lại: render từng nhịp riêng, khớp ánh sáng, giấu các mối nối. Đường nối là nơi quảng cáo AI tự lộ. Tông màu lệch đi một chút, âm nền tụt mất một khung hình, tóc diễn viên trở về như cũ giữa các nhịp. Một lần chạy ba mươi giây xóa đường nối bằng cách bỏ luôn việc ghép. Một pre-roll trọn vẹn, cả câu chuyện sản phẩm, một bản demo có mở đầu và kết thúc đều có thể chạy như một cảnh quay liên tục.

Âm thanh đi kèm luôn. Bản 2.5 tạo âm thanh đồng bộ trong cùng một lần chạy với hình (lời thoại, âm nền, tiếng động lặt vặt trong phòng), và được bật mặc định. Giá như nhau dù bạn bật hay tắt âm thanh. Nó cũng nhận ảnh chụp một người thật và làm họ chuyển động chân thực như ảnh: đưa cho nó một gương mặt thì đó chính là người xuất hiện trên camera, với kết cấu da thật, chứ không phải một phiên bản cách điệu của họ.

Cái giá phải trả là độ phân giải. Bản 2.5 render ở 480p và 720p, không có tùy chọn 1080p, nên một quảng cáo chủ đạo phải hoàn thiện ở full HD vẫn là việc của bản 2.0. Đó chính là loại quyết định mà việc điều phối sinh ra để làm: độ dài, độ phân giải và việc có cần một gương mặt thật xuất hiện hay không là ba câu hỏi khác nhau, và câu trả lời đúng cho cả ba cùng lúc hiếm khi là một mô hình.

Kling 3.0: danh tính theo ảnh khuôn mặt, cùng một người trong mọi bản render

Thế mạnh hàng đầu của Kling 3.0 cho công việc quảng cáo là danh tính. Đưa cho nó một ảnh tham chiếu khuôn mặt và nó giữ đúng người đó, cùng đường nét, cùng thần thái, qua các cảnh quay và các bản render. Điều đó cho đội performance thứ họ thật sự muốn ở diễn viên AI: một creator quen mặt. Gương mặt đứng sau hook thắng tuần trước có thể đứng sau ba biến thể tuần này, nên khán giả của bạn gặp một người quen thay vì một người lạ trong mỗi quảng cáo. Một diễn viên thắng trở thành tài sản bạn dùng lại, thay vì một lần gieo xúc xắc.

Phần còn lại của bản 3.0 cũng hợp với quảng cáo. Giống Seedance, nó tạo âm thanh gốc trong cùng một lần chạy với cảnh quay. Nó nhận mọi độ dài từ ba đến mười lăm giây thay vì chỉ các mốc cố định, để cảnh quay khớp với kịch bản chứ không phải ngược lại. Và tính năng từ ảnh sang video từng làm các bản Kling trước nổi tiếng vẫn rất xuất sắc: bắt đầu từ một ảnh tĩnh (ảnh sản phẩm, một keyframe, một tác phẩm thương hiệu) và nó thêm chuyển động đáng tin, chuyển máy và độ động có kiểm soát, thay vì chỉ nhích nhẹ một khung gần như tĩnh.

Điều chúng tôi cẩn thận với mọi mô hình, kể cả Kling, là chuyển động bay tự do: một vật thể thật sự bay dưới tác dụng của trọng lực. Một cái chai bị tung lên lơ lửng lâu hơn một nhịp, lộn vòng đều đều, rơi xuống không có trọng lượng. Đây không phải điểm yếu riêng của Kling; khối lượng và quán tính vẫn khó với tất cả. Cách sửa là dàn dựng, không phải chọn mô hình. Giữ sản phẩm ở trạng thái được cầm, xoay, đặt xuống, rót ra: những chuyển động mà bàn tay mang vật đi và mô hình không bao giờ phải tự giải bài toán trọng lực.

Vậy mô hình nào thắng?

Một quy tắc quyết định sơ bộ, đúng như cách chúng tôi áp dụng:

• Có người nói trước camera và cận cảnh là quan trọng → Veo 3.1, vì lời nói khớp môi gốc.
• Sản phẩm thật, được cầm hay thao tác, chất hình UGC, một cảnh quay tới 15 giây → Seedance 2.5, neo vào ảnh sản phẩm thật.
• Một quảng cáo dài không có cú cắt nào, tới ba mươi giây → Seedance 2.5, giữ một cảnh quay liền mạch từ đầu đến cuối, ở 480p hoặc 720p. Đang triển khai trên Hermoso. Hiện tại việc điều phối dừng ở một cảnh quay mười lăm giây và ghép mọi thứ dài hơn.
• Cùng một gương mặt suốt chiến dịch, hoặc thêm chuyển động cho ảnh tĩnh → Kling 3.0, neo vào ảnh tham chiếu khuôn mặt.

Lý do đây vẫn chỉ là kinh nghiệm chứ không phải định luật là các mô hình liên tục vượt mặt nhau. Một lần nâng phiên bản có thể trao cho mô hình này thế mạnh mà mô hình kia từng nắm. Đó chính là lý do chúng tôi không bắt người dùng chọn: Hermoso chuyển từng việc đến mô hình phù hợp nhất với cảnh quay đó, và tinh chỉnh lại việc điều phối mỗi khi có bản mới, nên lựa chọn ở trên diễn ra tự động, theo từng lần render, mà bạn không phải theo dõi changelog.

Và dù sao, chọn mô hình cũng chỉ là nửa nhỏ hơn của một quảng cáo tốt. Những dấu hiệu khiến quảng cáo AI bị nhận ra (da như sáp, chữ trên nhãn bị méo, tông vàng sang chảnh, vật lý không vật nào tuân theo) phần lớn là quyết định trong quy trình, đưa ra trước và sau khi mô hình chạy. Bản thân mô hình hiếm khi là thủ phạm. Công cụ tạo quảng cáo AI của Hermoso tích hợp sẵn những cách sửa đó: một lớp chân thực chống bóng, ảnh sản phẩm thật được ghép vào cảnh, mọi chữ và logo được ghép ở hậu kỳ thay vì để mô hình vẽ, lời nói gốc dành cho những cái miệng trên khung hình. Mô hình được chọn thay bạn; tay nghề đã có sẵn bên trong.

Bên dưới, cùng Studio đó còn nghiên cứu những gì đang thắng trong thị trường của bạn trên thư viện quảng cáo của Meta, Google và LinkedIn cùng TikTok tự nhiên, nên ý tưởng bắt đầu từ những mẫu quảng cáo đã được chứng minh trước khi một khung hình nào được render. Gói miễn phí có hơn 250 credit miễn phí có thể kiếm được, không cần thẻ; chi phí chính xác hiện trong ứng dụng trước mỗi lần render. Cách nhanh nhất để kết thúc cuộc tranh luận về mô hình là tạo một quảng cáo cho chính sản phẩm của bạn và tự đánh giá kết quả. Việc điều phối sẽ chọn sẵn cho bạn rồi.

Câu hỏi thường gặp

Mô hình video AI nào tốt nhất cho quảng cáo?

Không có mô hình tốt nhất duy nhất. Veo 3.1 dẫn đầu về âm thanh gốc và khớp môi cho lời nói trước camera, Seedance 2.0 về độ trung thực sản phẩm nhờ ảnh tham chiếu, âm thanh gốc và UGC một cảnh quay tới 15 giây, Seedance 2.5 về độ dài một cảnh quay (đo được 30 giây không có cú cắt, có âm thanh gốc), và Kling 3.0 về danh tính theo ảnh khuôn mặt, cùng một người qua các bản render, cộng thêm tính năng từ ảnh sang video. Lựa chọn đúng phụ thuộc vào cảnh quay, và thứ hạng thay đổi sau mỗi bản phát hành. Hermoso chuyển mọi việc đến mô hình phù hợp nhất.

Một cảnh quay do AI tạo ra có thể dài bao lâu?

Ba mươi giây, với Seedance 2.5. Chúng tôi yêu cầu ba mươi giây và đo được 30,08 trong một cảnh quay liên tục có âm thanh gốc và không có cú cắt cứng nào. Trước đó trần là mười lăm giây, vì vậy các quảng cáo dài hơn đều được ghép từ nhiều clip. Một lần chạy nghĩa là không có đường nối phải giấu: không lệch tông màu, không tụt âm nền giữa các nhịp. Nó render ở 480p và 720p, nên một quảng cáo phải hoàn thiện ở 1080p vẫn là việc của một cảnh quay ngắn hơn.

Mô hình nào khớp môi tốt nhất?

Theo kinh nghiệm của chúng tôi là Veo 3.1, vì nó tạo lời nói trực tiếp trong cùng một lần chạy với cảnh quay, nên môi và âm thanh đến từ một quá trình duy nhất. Kiểu mấp máy môi kỳ quặc đến từ việc lồng TTS tạo riêng lên một cái miệng đã render, nên hãy dành cách đó cho những cảnh không thấy miệng.

Mô hình nào giữ sản phẩm thật của tôi trông đúng?

Seedance 2.0 giữ danh tính sản phẩm tốt khi được đưa ảnh sản phẩm thật làm tham chiếu và vật thể được ghép vào cảnh. Prompt bằng chữ mô tả chủng loại, còn ảnh tham chiếu khóa chặt danh tính, đó là lý do neo vào một bức ảnh thật tốt hơn mô tả sản phẩm bằng lời.

Mô hình nào giữ cùng một diễn viên suốt chiến dịch?

Kling 3.0. Đưa cho nó một ảnh tham chiếu khuôn mặt và nó giữ danh tính người đó qua các bản render, nên một creator quen mặt có thể đứng sau cả loạt quảng cáo thay vì mỗi quảng cáo lại xuất hiện một gương mặt mới.

Vì sao video AI gặp khó với vật bị ném hoặc rơi?

Chuyển động bay tự do (một vật bay dưới tác dụng của trọng lực) là nơi vật lý của mọi mô hình hiện nay vẫn vỡ rõ ràng, dù bạn dùng mô hình nào. Hãy dàn dựng để né nó: giữ sản phẩm được cầm, xoay, đặt xuống hoặc rót ra, để bàn tay mang vật đi và mô hình không bao giờ phải tự giải bài toán trọng lực.

Tôi có phải tự chọn mô hình trên Hermoso không?

Không. Hermoso chuyển mỗi lần render đến mô hình phù hợp nhất với cảnh quay đó và tinh chỉnh lại việc điều phối khi có phiên bản mới, nên bạn không bao giờ phải theo dõi changelog hay chọn mô hình. Bạn mô tả quảng cáo; việc điều phối lo phần còn lại.