Cách giữ nhân vật giống nhau trong mọi cảnh quay video AI: khuôn mặt, trang phục và giọng nói

Bạn tạo được một cảnh quay đầu tiên rất đẹp. Sang cảnh thứ hai, chiếc mũi hơi khác, áo khoác đổi màu, và khi cô ấy cuối cùng cũng lên tiếng thì giọng lại như của người khác. Đây là một trong những vấn đề phổ biến nhất của video AI, và câu chuyện càng nhiều cảnh quay thì vấn đề càng nặng.

Hướng dẫn này nói về ba thứ phải giữ nguyên để người xem tin rằng đó là cùng một người: khuôn mặt, trang phục và giọng nói. Phần lớn hướng dẫn chỉ dừng ở khuôn mặt. Nhưng giọng nói lại là chỗ nhiều phim ngắn AI bị hỏng, nên ở đây nó có hẳn một phần riêng.

Mọi bước đều thực hiện trên canvas của Sumi Studio, và hầu hết các bước đều có prompt để bạn sao chép.

Cách đọc hướng dẫn này

Nếu đây là lần đầu bạn thử, hãy làm một bài thử nhỏ: một nhân vật, hai cảnh quay, một câu thoại. Làm theo phần 2, 3 và 4 với bài thử đó, bạn sẽ thấy toàn bộ quy trình vận hành ra sao.

Nếu bạn đang lên kế hoạch cho cả một phim ngắn hay một series, hãy đọc hết theo thứ tự. Phần 5 liệt kê những cảnh quay hay phá vỡ tính nhất quán nhất, giúp bạn đỡ phải tạo lại rất nhiều lần.

Dưới đây là vai trò của từng thành phần trên canvas:

Phần 1: Vì sao nhân vật của bạn cứ thay đổi

Mỗi lần tạo đều bắt đầu từ con số không. Mô hình không nhớ clip bạn vừa làm. Nó chỉ có những gì bạn đưa trong đúng lần yêu cầu đó: prompt và ảnh hoặc âm thanh tham chiếu bạn đính kèm.

Vì vậy, khi tham chiếu duy nhất là văn bản, mỗi lần mô hình lại hiểu “một phụ nữ ngoài 30, tóc ngắn sẫm màu” hơi khác đi một chút. Những khác biệt nhỏ cộng dồn qua mười cảnh quay, và đến cuối thì đã thành một người khác.

Cách khắc phục là đưa cho mô hình cùng một tham chiếu hình ảnh và cùng một tham chiếu giọng nói trong mọi cảnh quay, và lần nào cũng viết mô tả theo cùng một cách. Trên canvas, điều đó nghĩa là một nhân vật, lưu một lần, nối vào mọi cảnh quay.

Phần 2: Cố định khuôn mặt và trang phục

2.1 Tạo nhân vật trên canvas

Mở một canvas mới và giữ phím Tab để hiện vòng chọn node. Chọn “Hình ảnh” để thêm một node Hình ảnh.

Viết nhân vật vào ô prompt bên dưới node, theo đúng phong cách hình ảnh bạn muốn cho phim hoàn chỉnh. Mô tả mọi thứ phải giữ cố định: dáng mặt, tóc, da, vóc người và từng món trang phục cho đến đôi giày. Yêu cầu ảnh toàn thân trên nền trơn, để không có gì trong khung hình làm phân tán khỏi nhân vật.

Hãy ghi rõ vị trí của mọi chi tiết nhỏ. “Một vết sẹo nhỏ phía trên lông mày trái” hay “một chiếc nhẫn bạc ở tay phải” sẽ nằm yên một chỗ. Còn “một vết sẹo” hay “một chiếc nhẫn” sẽ chạy lung tung giữa các cảnh quay.

Nếu kết quả chưa đúng, hãy tạo lại node. Mỗi node giữ lịch sử của nó, nên bạn có thể quay về lần thử trước nếu lần sau ra kết quả tệ hơn.

2.2 Biến nó thành bảng nhân vật

Một ảnh là chưa đủ. Mô hình cần thấy nhân vật từ nhiều góc, nếu không nó sẽ tự bịa ra phần sau đầu, góc nghiêng và đôi giày.

Nhấp vào dấu cộng bên cạnh node nhân vật và kéo ra một node Hình ảnh mới. Ảnh nhân vật giờ đi vào node mới làm tham chiếu. Dán prompt bên dưới vào node mới. Prompt này dùng được cho mọi nhân vật, nên bạn có thể dùng lại nguyên văn.

Create a character reference sheet of the character in the reference image. Keep the character's design exactly as shown: same face, hairstyle, hair color, eye color, skin tone, body proportions, outfit, accessories and colors. Do not redesign, restyle or add anything.

Layout: one single horizontal row of four full-body views on the left, side by side, never stacked on top of each other. The large face close-up sits on the right side of the sheet. Every full-body view has the same height and runs from the top of the head to the bottom of the feet, with empty gray space above the head and below the feet.

1. Full-body front view: facing the camera, standing straight, arms slightly away from the body, showing the face, full outfit and accessories.
2. Full-body side view: exact 90 degree profile, standing straight, showing the nose, jawline, hair shape and outfit from the side.
3. Full-body 3/4 view: body and face turned diagonally, about 45 degrees from the camera, standing straight.
4. Full-body back view: standing straight, showing the hairstyle, the back of the outfit, the back of the legs and both feet.
5. Large face close-up: head and shoulders, facing the camera, neutral expression, sharp and detailed.

The character has the same face in every view, with the full head visible in all poses. All four full-body views show the complete body including knees, calves, ankles and feet, nothing cropped, same scale, same standing pose and same neutral expression. Plain medium gray studio background, soft even studio lighting, no props, no text, no labels, no extra characters.

Trong tham số của node, đặt tỷ lệ khung hình 21:9 nếu mô hình có hỗ trợ, nếu không thì 16:9. Khung hình rộng giúp bốn góc nhìn toàn thân không bị cắt.

Kiểm tra bảng trước khi đi tiếp. Mọi góc nhìn phải có cùng khuôn mặt, cùng kiểu tóc và cùng trang phục. Nếu một góc nhìn bị lệch, hãy tạo lại node ngay, vì lỗi trên bảng sẽ bị sao chép vào mọi cảnh quay dùng nó.

2.3 Lưu nhân vật thành phần tử

Phần tử là cách Sumi Studio ghi nhớ một nhân vật. Nó chứa tên, một handle ngắn, ảnh tham chiếu và giọng nói. Khi bạn gõ @ kèm handle trong prompt của bất kỳ node nào, các ảnh sẽ tự động được đính kèm vào lần tạo đó làm tham chiếu.

Cách nhanh nhất là làm ngay trên canvas:

1. Nhấp chuột phải vào node bảng nhân vật và chọn “Tạo phần tử”. Cửa sổ “Phần tử mới” mở ra với bảng đã được thêm làm ảnh tham chiếu.
2. Đặt danh mục là “Nhân vật”, rồi đặt tên và handle, ví dụ @mara.
3. Trong phần mô tả, ghi các chi tiết cố định bằng vài cụm từ ngắn. Mô tả được gửi kèm tên mỗi lần bạn tạo, nên chỉ ghi những thứ không bao giờ thay đổi: “tóc bob đen ngắn, vết sẹo nhỏ phía trên lông mày trái, áo khoác bomber xanh ô liu, giày sneaker trắng”.
4. Nhấp “Tạo”.

Bạn cũng có thể tạo từ Tài nguyên, trong mục Phần tử. Nhấp “Phần tử mới” và tải bảng lên bằng “Thêm ảnh tham chiếu”. Bạn cũng có thể thêm cận cảnh khuôn mặt thành một ảnh riêng.

Nếu bạn dùng Kling O3 trở lên, bạn còn có thể thêm một video ngắn của nhân vật (MP4 hoặc MOV, 3 đến 8 giây, 1920×1080 hoặc 1080×1920). Kling dùng video này làm chủ thể video. Các mô hình khác chỉ dùng ảnh.

2.4 Mỗi bộ trang phục một phần tử

Nếu nhân vật thay trang phục trong câu chuyện, hãy tạo phần tử thứ hai cho bộ trang phục thứ hai, ví dụ @mara và @mara-night. Trên canvas, nối bảng nhân vật vào một node Hình ảnh mới, yêu cầu cùng nhân vật đó trong trang phục mới, rồi làm bảng từ kết quả và lưu thành phần tử thứ hai. Giữ cận cảnh khuôn mặt giống nhau ở cả hai.

Đặt hai bộ trang phục vào một phần tử giống như đưa cho mô hình hai đáp án cho cùng một câu hỏi, và bạn sẽ nhận được một bản pha trộn của cả hai.

Trước khi đi tiếp, hãy kiểm tra:

• Mọi góc nhìn trên bảng đều có cùng khuôn mặt và trang phục
• Chi tiết nhỏ có vị trí ghi rõ (trái hay phải, trên hay dưới)
• Mô tả phần tử chỉ liệt kê những thứ không bao giờ thay đổi
• Mỗi bộ trang phục có phần tử riêng

Phần 3: Cố định giọng nói

Một nhân vật có thể trông hoàn hảo ở mọi cảnh quay mà vẫn thấy sai sai nếu giọng nói thay đổi. Các mô hình video tạo lời thoại sẽ tự chọn giọng mỗi lần, trừ khi bạn đưa cho chúng một giọng để làm theo.

Trong Sumi Studio, giọng nói là một phần của phần tử. Bạn có thể tạo giọng trên canvas rồi gắn nó vào phần tử.

3.1 Nhân bản giọng trên canvas

Nhấp dấu cộng ở menu bên trái, vào “Âm thanh” và chọn “Giọng nói”. Thao tác này thêm một node Giọng nói (trên canvas hiển thị là “Văn bản sang âm thanh”). Trong thanh bên dưới node, nhấp vào tên giọng hiện tại, cạnh tên mô hình. Cửa sổ “Chọn giọng nói” mở ra, gồm thư viện giọng, giọng của riêng bạn, mục yêu thích và giọng của các phần tử.

Nhấp “Nhân bản giọng”. Bạn đọc to một đoạn ngắn trong 10 đến 20 giây, hoặc tải lên một bản ghi âm.

Màn hình nhân bản hiển thị yêu cầu ghi âm của mô hình giọng nói. Với Qwen Audio 3.1 TTS Plus, bản ghi cần có ít nhất 5 giây nói liên tục, khoảng ngắt dưới 2 giây, không có nhạc, tiếng hát hay tạp âm, ở định dạng WAV, MP3 hoặc M4A, tối đa 10 MB và 60 giây. Chỉ nhân bản giọng của chính bạn hoặc giọng bạn được phép sử dụng.

3.2 Hoặc thiết kế giọng từ mô tả

Nếu nhân vật không giống giọng ai bạn quen, hãy thiết kế giọng từ mô tả. Mở “Chọn giọng nói” từ node Giọng nói theo cách tương tự, rồi nhấp “Thiết kế giọng” và điền biểu mẫu:

1. “Tên giọng nói”: dùng tên nhân vật, ví dụ Mara, để sau này dễ tìm.
2. “Mô hình”: chọn mô hình giọng nói. Phí giọng nói chỉ tính một lần, vào lần đầu bạn tạo lời nói bằng giọng đó.
3. “Văn bản nghe thử”: câu mô hình sẽ đọc để bạn nghe thử giọng. Đây là mục bắt buộc, tối đa 500 ký tự và tính phí theo độ dài. Hãy viết điều nhân vật của bạn thật sự sẽ nói, với đúng giọng điệu bạn muốn.
4. “Mô tả giọng nói”: mô tả giọng theo tuổi, chất giọng và nhịp nói. Tránh những từ mơ hồ như “ngầu” hay “hay”, vì mô hình có thể hiểu theo nhiều cách.
5. “Ngôn ngữ” và “Giới tính”: đặt cả hai cho khớp với nhân vật.
6. Nhấp “Tạo giọng nói”.

I told you I'd come back, and here I am. It's been a long time since I walked these streets at night. The rain hasn't changed, the neon signs haven't changed, and you still leave the back door open. Don't look so surprised. I'm not here to make trouble. I just need one answer, and then I'll be gone before the sun comes up. So sit down, pour yourself a drink, and tell me the truth this time. Who sold us out that night? Take your time. I've waited three years, I can wait a little longer.

A woman in her early 30s, low and slightly husky voice, calm and measured pace, speaks quietly but clearly, a little dry and sarcastic.

Giọng mới sẽ xuất hiện trong “Giọng của tôi” ở cửa sổ “Chọn giọng nói”.

3.3 Gắn giọng vào nhân vật

Quay lại phần tử trong mục Phần tử. Có hai chỗ để đặt giọng:

• Trong “Giọng”, chọn giọng bạn đã nhân bản hoặc thiết kế từ “Giọng nhân bản của tôi”.
• Trong “Giọng tham chiếu của nhân vật”, chọn hoặc tải lên một đoạn dài từ 2 đến 10 giây. Seedance, Wan và Hailuo dùng đoạn này khi bạn @ nhân vật.

Một đoạn tham chiếu tốt có một người nói rõ ràng, không nhạc, không tạp âm nền, với giọng điệu bạn muốn dùng nhiều nhất. Nếu nhân vật của bạn phần lớn điềm tĩnh, đừng dùng đoạn họ đang hét.

Kling chỉ dùng giọng được nhân bản bằng Kling. Nếu bạn muốn nhân vật giữ cùng một giọng trong video Kling, hãy chọn một giọng nhân bản bằng Kling trong “Giọng”.

Thêm một điều nữa: khi một node trên canvas lấy giọng của phần tử, nó giữ một bản sao. Nếu sau đó bạn đổi giọng trong phần tử, các node đã tạo vẫn giữ giọng cũ. Hãy chốt giọng trước khi dựng các cảnh quay.

Phần 4: Dùng nhân vật trong mọi cảnh quay

4.1 Luôn gọi nhân vật bằng @

Giữ phím Tab và thêm một node Video cho mỗi cảnh quay. Trong ô prompt bên dưới node, gõ @ và chọn nhân vật. Chính thao tác này đính kèm bảng nhân vật và giọng nói. Cảnh quay nào bạn mô tả nhân vật bằng lời mà quên @ thì cảnh đó khuôn mặt sẽ bị lệch.

Node Video mới bắt đầu ở chế độ “Văn bản sang video”, chế độ này không dùng tham chiếu của nhân vật. Hãy chuyển chế độ trước khi tạo: nhấp vào thanh thiết lập bên dưới prompt (hiển thị kiểu như “Văn bản sang video · 16:9 · 480P · 8s”) để mở “Tham số”, rồi trong “Cách tạo” chọn “Tham chiếu đa năng”. Ở chế độ này, mô hình dùng cả ảnh lẫn giọng của nhân vật.

4.2 Viết cảnh quay, để ngoại hình cho phần tử lo

Prompt cảnh quay nên mô tả điều xảy ra: hành động, máy quay, bối cảnh, ánh sáng và lời thoại. Bạn không cần mô tả lại khuôn mặt, và viết lại nó bằng những từ khác nhau ở mỗi cảnh quay có thể kéo mô hình rời xa tham chiếu.

Viết bối cảnh ngắn gọn nhưng cụ thể. Nếu không có, nhiều mô hình sẽ cho bạn một phông nền trơn và trống trải.

8-second shot.
@mara walks toward the camera along a narrow street at night, wet pavement with neon reflections, a few closed shops in the background.
Medium shot, eye level, slow push-in.
She stops, looks up and says quietly: "I told you I'd come back."
Calm, low voice. Only the sound of rain and her footsteps. No music, no subtitles.

Trước khi bạn bấm tạo, node sẽ hiển thị cảnh quay sẽ tốn bao nhiêu credit.

4.3 Với những cảnh quay quan trọng nhất, hãy bắt đầu từ khung đầu

Với một cận cảnh hay một khoảnh khắc then chốt, hãy làm khung đầu dưới dạng ảnh trước. Thêm một node Hình ảnh, @ nhân vật và mô tả bố cục của cảnh quay. Khi khung hình đã ổn, nhấp dấu cộng bên cạnh nó, kéo sang một node Video, mở “Tham số” từ thanh thiết lập và đặt “Cách tạo” thành “Ảnh sang video”, hoặc “Khung đầu/cuối” nếu bạn cũng đã làm khung cuối.

Cách này cho mô hình video một điểm xuất phát cố định với khuôn mặt đúng ngay từ đầu, thường là cách đáng tin cậy nhất để giữ nhân vật nhất quán. Nó cũng tốn ít chi phí hơn để làm đúng, vì tạo lại một ảnh rẻ hơn tạo lại một video.

Những chi tiết nhỏ hay biến mất giữa chừng trong clip, như mũ, hình xăm hay kính, nên xuất hiện rõ trong khung đầu. Nếu chúng chỉ có trong văn bản, chúng thường biến mất giữa chừng.

Dưới đây là ví dụ với Mara trong trang phục ban đêm.

@mara-night in a close-up, standing under a flickering streetlight in a narrow alley at night, light rain falling, wet brick wall behind her slightly out of focus. Warm orange streetlight from the left, cool blue neon glow from the right. Her coat collar is turned up and she looks just past the camera with a calm, tired expression. Her face sits on the right third of the frame. Eye level, 50mm lens, shallow depth of field. Photorealistic cinematic, natural skin texture, 35mm film look. No text, no watermark.

5-second shot.
Use the reference image as the first frame and keep its composition, lighting and framing exactly the same. @mara-night stays under the streetlight in the rain. She slowly lifts her eyes to the camera, lets out a short breath and the corner of her mouth tightens. She does not speak.
Close-up, eye level, very slow push-in.
Rain falls steadily, the streetlight flickers once, a car's headlights sweep across the brick wall behind her.
Only the sound of rain and a car passing in the distance. No music, no subtitles.

4.4 Dựng mọi cảnh quay từ một tham chiếu

Bạn không cần tải lại bảng nhân vật cho mỗi cảnh quay. Kéo một đường nối từ node bảng tới mọi node Video cần đến nó. Nội dung trong node đầu sẽ đi vào node tiếp theo, nên một tham chiếu có thể dùng cho bao nhiêu cảnh quay tùy bạn.

Nếu một cảnh quay ra sai, chỉ cần tạo lại node đó. Phần còn lại của canvas vẫn giữ nguyên. Nếu muốn có tất cả ảnh và clip của dự án trước mắt khi làm việc, hãy thả một node Chồng ảnh lên canvas.

Khi các cảnh quay đã sẵn sàng, hãy mở “Cắt ghép thông minh”. Mọi thứ bạn tạo trên canvas đều đã có sẵn ở đó để đưa lên dòng thời gian.

Trước khi đi tiếp, hãy kiểm tra:

• Mọi prompt cảnh quay có nhân vật đều có @handle
• Prompt cảnh quay mô tả hành động, máy quay và bối cảnh, không mô tả khuôn mặt
• Các cảnh quay then chốt bắt đầu từ một khung đầu đã duyệt
• Mũ, kính và hình xăm hiện rõ trong khung đầu

Phần 5: Những cảnh quay phá vỡ tính nhất quán

Có những cảnh quay khó hơn hẳn với mô hình video. Nếu tính đến chúng ngay khi viết câu chuyện, bạn sẽ phải tạo lại ít hơn nhiều.

Những lỗi thường gặp

• Làm video khi bảng nhân vật chưa được duyệt (2.2)
• Ghi chi tiết nhỏ mà không có vị trí, nên chúng chạy lung tung giữa các cảnh quay (2.1)
• Hai bộ trang phục trong một phần tử (2.4)
• Phần tử không có giọng, nên mô hình chọn giọng mới ở mỗi cảnh quay (Phần 3)
• Đổi giọng của phần tử sau khi đã dựng các cảnh quay (3.3)
• Quên @handle trong một cảnh quay (4.1)
• Mô tả lại khuôn mặt trong mọi prompt cảnh quay (4.2)
• Tạo các cận cảnh then chốt thẳng từ văn bản (4.3)
• Dùng cảnh toàn và cảnh quay người ở những chỗ khuôn mặt quan trọng nhất (Phần 5)

Hãy thiết lập nhân vật đầu tiên và bắt đầu bằng một bài thử hai cảnh quay trước khi dựng cả bộ phim. Để tìm hiểu thêm về canvas, phần tử và các mô hình, hãy xem Học viện Sumi Studio.