Công cụ AI sinh ảnh bắt đầu từ một khối nhiễu ngẫu nhiên rồi gỡ nhiễu từng bước, được dẫn hướng bởi câu mô tả của mình, cho tới khi hiện ra bức ảnh. Công cụ sinh giọng học khuôn âm thanh của lời nói và có thể bắt chước một giọng cụ thể từ bản ghi âm. Công cụ sinh video kéo cách làm của ảnh trải dài theo thời gian, nên tới giờ vẫn khó giữ khuôn mặt, bàn tay và đồ vật nhất quán. Cả ba đều có ích cho bản phác, minh hoạ và lồng tiếng, nhưng đặt ra những câu hỏi về độ chính xác, sự đồng ý và bản quyền mà công cụ chữ phần lớn không gặp.
Bài này giải thích từng công nghệ bằng lời thường, so sánh chỗ mạnh chỗ yếu, và đưa ra cách dùng có trách nhiệm cho doanh nghiệp nhỏ hay người làm nội dung. Bài cũng nói những sai lầm làm người ta mất tiền hoặc mất uy tín, và khi nào nên nhờ luật sư, nhà thiết kế hay người lồng tiếng chuyên nghiệp thay vì trông vào máy.
AI sinh ảnh biến chữ thành hình thế nào?
Phần lớn công cụ sinh ảnh phổ biến dùng phương pháp khuếch tán (diffusion). Lúc huấn luyện, hệ thống được xem vô số ảnh kèm lời mô tả. Mỗi ảnh bị rắc nhiễu từng chút cho tới khi chỉ còn như màn hình mất sóng, và mô hình học cách đi ngược từng bước nhỏ: nhìn một ảnh nhiễu và lời mô tả của nó, đoán xem bản bớt nhiễu hơn một chút trông thế nào.
Khi tạo ảnh mới, quá trình chạy ngược từ một khối nhiễu thuần tuý. Mỗi bước, mô hình gỡ bớt một ít nhiễu, theo hướng dẫn của câu chữ mình gõ. Các bước đầu định bố cục và mảng màu; các bước sau thêm đường viền, chất liệu, chi tiết. Chạy lại với khối nhiễu ban đầu khác thì cùng câu mô tả sẽ ra một ảnh khác.
Phần dẫn hướng bằng chữ đến từ một bộ phận đặt chữ và ảnh vào cùng một không gian, để “gánh hàng rong lúc chạng vạng” rơi gần những bức ảnh từng khớp với kiểu mô tả ấy khi huấn luyện. Cách này giống hệt mô hình ngôn ngữ học khuôn mẫu, như bài mô hình ngôn ngữ lớn chạy thế nào đã giải thích: hệ thống tái tạo thứ thường đi cùng nhau, không phải sự thật về một nơi cụ thể.
Vì vậy máy sinh ảnh mạnh ở không khí, phong cách, bố cục, và yếu ở mọi thứ phải đúng tuyệt đối: đủ năm ngón tay, chữ đọc được trên biển hiệu, hình dáng thật của một công trình nổi tiếng, hay logo chính xác của một thương hiệu. Nó học được những thứ ấy thường trông ra sao, chứ không học được cái cụ thể.
Nhiều công cụ giờ cho sửa một phần ảnh, nới rộng ra ngoài khung, hoặc bắt chước phong cách ảnh mẫu. Tiện thì tiện, nhưng vẫn chạy theo cùng cơ chế, nên vùng được sửa cũng mắc đúng những điểm yếu kia.
Tạo giọng nói và nhân bản giọng hoạt động ra sao?
Hệ thống chuyển văn bản thành giọng nói (text-to-speech) học mối liên hệ giữa chữ viết và âm thanh lời nói từ rất nhiều giờ ghi âm kèm bản chép lời. Hệ thống đời mới mô phỏng cả nhịp, trọng âm, hơi thở chứ không riêng cách phát âm, nên nghe tự nhiên hơn hẳn giọng máy cứng đơ của chục năm trước.
Nhân bản giọng (voice cloning) thêm một bước: hệ thống lấy một mẫu giọng của một người cụ thể, nắm lấy những đặc điểm làm giọng ấy dễ nhận ra như cao độ, âm sắc, cách nói, rồi tạo câu mới bằng chính giọng đó. Có công cụ cần bản thu dài và sạch; có công cụ quảng cáo chỉ cần đoạn ngắn, chất lượng thấp hơn.
Tiếng Việt làm khó hệ thống giọng nói vì thanh điệu mang nghĩa. Đặt nhầm một dấu là thành chữ khác. Chất lượng đã khá lên nhiều, nhưng bản đọc tiếng Việt do máy tạo vẫn nên có người bản ngữ nghe lại các tên riêng, con số, địa danh và từ mượn tiếng nước ngoài.
Khả năng bắt chước giọng người thật cũng chính là chỗ khiến công nghệ này rủi ro. Giọng nói được dùng để xác nhận danh tính qua điện thoại, và kẻ lừa đảo đã dùng giọng nhân bản để giả người thân hay cấp trên. Công cụ làm ăn đàng hoàng đòi sự đồng ý của chủ giọng. Phía người dùng, chỉ nhân bản giọng của chính mình, hoặc giọng mà chủ nhân đã đồng ý bằng văn bản cho đúng mục đích sử dụng.
Vì sao video AI khó hơn ảnh?
Một đoạn video là rất nhiều bức ảnh phải khớp với nhau. Tạo một khung hình đẹp là bài toán của ảnh; tạo khung kế tiếp sao cho cùng một người vẫn giữ nguyên khuôn mặt, chiếc áo và số ngón tay thì khó hơn nhiều. Mô hình video học khuôn chuyển động từ kho đoạn phim rất lớn, nhưng sự nhất quán theo thời gian vẫn là điểm yếu nhất.
Thực tế mình sẽ thấy hình chớp nháy nhẹ, đồ vật đổi dạng, bàn tay dính vào thứ đang cầm, chuyển động hơi trái quy luật như nước chảy ngược hướng. Vì vậy đoạn ngắn vài giây thường thuyết phục hơn cảnh dài.
Sinh video cũng tốn sức tính toán hơn ảnh rất nhiều, nên gói miễn phí hay giới hạn độ dài và độ phân giải. Kết quả mỗi lần chạy chênh lệch lớn, có khi thử nhiều lần mới được một đoạn dùng được.
Với phần lớn doanh nghiệp nhỏ, cách dùng thực tế hiện nay là cảnh nền ngắn, chuyển động sản phẩm đơn giản, hay cảnh minh hoạ không cần nhất quán tuyệt đối. Thứ gì cần cho thấy người thật, nơi thật, sản phẩm thật một cách chi tiết thì nên quay thật.
So sánh công cụ sinh ảnh, giọng và video
Bảng tra nhanh để chọn đúng công cụ và đặt kỳ vọng cho đúng.
| Khía cạnh | Ảnh | Giọng nói | Video |
|---|---|---|---|
| Cách làm cốt lõi | Gỡ nhiễu từng bước theo hướng dẫn của chữ | Học khuôn âm thanh lời nói từ bản ghi | Cách làm của ảnh trải ra nhiều khung hình |
| Mạnh ở | Không khí, phong cách, minh hoạ, phác ý tưởng | Đọc rõ ràng, nhiều ngôn ngữ, lồng tiếng nhanh | Đoạn ngắn tạo không khí, chuyển động đơn giản |
| Lỗi hay gặp | Bàn tay, chữ trong ảnh, logo và công trình chính xác | Sai dấu, đọc sai tên riêng, con số, ngắt nghỉ gượng | Chớp nháy, mặt và đồ vật đổi dạng, chuyển động lạ |
| Dùng tốt cho doanh nghiệp nhỏ | Ảnh minh hoạ bài viết, bảng ý tưởng, nền bài đăng | Lồng tiếng video đào tạo, video giới thiệu sản phẩm | Cảnh nền lặp, đoạn nhá hàng ngắn |
| Đừng dùng để | Làm ảnh sản phẩm sai lệch so với hàng thật | Giả giọng bất kỳ ai khi chưa có đồng ý bằng văn bản | Dựng cảnh người thật, sự việc không hề xảy ra |
| Ai nên kiểm | Người biết rõ sản phẩm hoặc địa điểm thật | Người bản ngữ nghe trọn bản âm thanh | Người xem kỹ từng khung hình |
| Rủi ro chính | Đánh lừa khách hàng, vướng bản quyền | Mạo danh và lừa đảo | Gây hiểu lầm, chi phí cao cho mỗi đoạn dùng được |
Điểm chung: máy sinh giỏi ở chỗ mọi thứ thường trông và nghe ra sao, không giỏi ở chỗ một thứ cụ thể thực sự là gì.
Những giới hạn và thiên lệch sẽ gặp
Hình mặc định và định kiến. Gõ “chủ cửa hàng” hay “gia đình Việt Nam” mà không tả thêm thì công cụ lấp bằng mặc định của nó. Bài viết về thiên lệch của AI trên WT4 giải thích vì sao và cách tả người cho chính xác hơn.
Chữ trong ảnh không đáng tin. Biển hiệu, thực đơn, nhãn mác hay ra chữ vô nghĩa hoặc sai chính tả, nhất là chữ tiếng Việt có dấu. Thêm chữ sau bằng công cụ thiết kế.
Nơi chốn thật chỉ là phỏng chừng. Một “chợ Bến Thành” do máy tạo sẽ giống ý chung chứ không giống công trình thật. Đừng giới thiệu nó như ảnh chụp nơi đó.
Giữ nhất quán cả loạt ảnh rất khó. Giữ cùng một nhân vật hay một kiểu sản phẩm qua mười ảnh đòi công sức và tính năng riêng ở một số công cụ.
Giọng vùng miền và thanh điệu tiếng Việt. Giọng địa phương có thể bị trộn hoặc bị là phẳng, gặp từ lạ thì dễ trượt dấu.
Điều khoản sử dụng mỗi nơi một khác. Có dịch vụ cấm dùng thương mại ở gói miễn phí hoặc giữ quyền với sản phẩm tạo ra. Đọc điều khoản hiện hành trước khi đưa vào quảng cáo.
Kết quả có thể giống tác phẩm có sẵn. Máy sinh đôi khi ra ảnh gần với tranh hay nhân vật đã có. Tránh câu mô tả gọi tên hoạ sĩ còn sống hay thương hiệu nổi tiếng.
Công cụ phát hiện chưa chuẩn. Công cụ tự nhận phát hiện được ảnh hay giọng AI sai cả hai chiều. Đừng chỉ dựa vào nó để phán thật giả.
Quy trình dùng có trách nhiệm cho doanh nghiệp nhỏ và người làm nội dung
Đi qua các bước này trước khi nội dung do máy tạo tới tay khách.
- Quyết xem có nên dùng nội dung máy tạo không. Ảnh minh hoạ, ảnh nền, ảnh không khí thì ổn. Ảnh sản phẩm thật, đội ngũ thật, cửa hàng thật thì nên là ảnh thật.
- Kiểm điều khoản và cách xử lý dữ liệu của công cụ. Xác nhận được phép dùng thương mại, hiểu ảnh mẫu hay giọng mẫu tải lên sẽ đi đâu. Bài đừng dán gì vào chatbot AI áp dụng y nguyên cho việc tải tệp lên.
- Viết mô tả cụ thể. Tả người, khung cảnh, ánh sáng, góc máy. Tránh gọi tên người thật, hoạ sĩ còn sống hay thương hiệu.
- Tạo vài phiên bản và chọn kỹ. Soi bàn tay, khuôn mặt, chữ, mép viền ở kích thước thật chứ đừng chỉ nhìn ảnh thu nhỏ.
- Sửa hoặc thay chỗ lỗi. Xoá chữ lỗi, thêm chữ thật bằng công cụ thiết kế, cắt bỏ chi tiết méo.
- Xin đồng ý cho mọi giọng nói hay hình dáng người thật. Văn bản đồng ý của chính người đó, ghi rõ dùng thế nào, ở đâu.
- Dán nhãn khi cần. Các nền tảng ngày một hay yêu cầu đánh dấu nội dung do AI tạo. Làm theo chính sách hiện hành của nền tảng và nói rõ với khách.
- Lưu hồ sơ. Giữ câu mô tả, tên công cụ, ngày tạo và giấy đồng ý. Sau này có ai hỏi thì chứng minh được nội dung được làm ra thế nào.
Hai tình huống đáng rút kinh nghiệm
Một tiệm bánh muốn có ảnh mới cho bảng thực đơn. Chủ tiệm cho máy tạo những chiếc bánh rất đẹp mà chẳng giống bánh thật của tiệm chút nào. Khách đặt bánh vì tưởng sẽ nhận đúng như ảnh, rồi phàn nàn kéo tới. Chủ tiệm chuyển sang chụp bánh thật bằng điện thoại, chỉ dùng AI để làm cái nền dịu mắt phía sau. Doanh số không giảm; lời phàn nàn thì giảm.
Một công ty đào tạo nhỏ cần giọng đọc tiếng Việt cho video an toàn lao động nội bộ. Mỗi lần cập nhật lại thuê người lồng tiếng thì chậm, nên họ dùng công cụ chuyển văn bản thành giọng nói với một giọng có sẵn của công cụ, không nhân bản giọng nhân viên nào. Một người trong nhóm đào tạo nghe từng tệp để bắt lỗi sai dấu ở thuật ngữ kỹ thuật. Giọng có kém ấm hơn người thật một chút, nhưng cập nhật giờ mất một ngày thay vì vài tuần.
Hai trường hợp cùng một nguyên tắc. Nội dung máy tạo phát huy tốt khi nó đỡ cho một điều có thật, như chiếc bánh thật hay quy trình an toàn thật. Nó gây chuyện khi thay thế đúng cái sự thật mà khách hàng mong được thấy.
Sai lầm hay gặp với nội dung do máy tạo
Dùng ảnh máy tạo làm ảnh sản phẩm. Như vậy là đánh lừa khách và có thể vi phạm quy định bảo vệ người tiêu dùng. Hãy cho khách xem hàng thật.
Nhân bản giọng “cho vui” khi chưa xin phép. Kể cả một đoạn đùa giả giọng đồng nghiệp hay người nổi tiếng cũng có thể gây hại và rắc rối pháp lý.
Tin luôn kết quả đầu tiên. Lỗi ở bàn tay, chữ, chi tiết rất dễ lọt khi nhìn ảnh nhỏ. Phóng to ra soát trước khi đăng.
Lờ điều khoản cấp phép. Gói miễn phí đôi khi cấm dùng thương mại. Đem kết quả ấy chạy quảng cáo là dễ sinh tranh chấp.
Mô tả bằng tên thương hiệu, tên hoạ sĩ. Đòi ảnh “theo phong cách” một hoạ sĩ nổi tiếng còn sống hay kèm logo quen thuộc là tự rước rắc rối bản quyền.
Tải tài liệu mật lên làm mẫu. Mẫu sản phẩm, thiết kế chưa ra mắt, ảnh nhân viên tải lên công cụ miễn phí có thể bị lưu ngoài tầm kiểm soát của mình.
Nghĩ người xem không nhận ra. Khán giả ngày càng nhận ra hình ảnh AI. Bị phát hiện “đánh tráo” làm mất niềm tin hơn nhiều so với nói thẳng từ đầu.
Khi nào nên gọi người có chuyên môn?
Hỏi luật sư trước khi dùng nội dung máy tạo cho chiến dịch quảng cáo lớn, bao bì, hay thứ sẽ phát hành rộng, nhất là khi nó giống tác phẩm có sẵn hoặc dính tới hình ảnh, giọng nói của ai đó. Cách pháp luật nhìn nhận bản quyền nội dung do AI tạo vẫn đang định hình ở nhiều nước, Việt Nam cũng vậy, nên ý kiến cập nhật quan trọng hơn quy tắc chung chung.
Thuê nhiếp ảnh gia hoặc nhà thiết kế khi độ chính xác và sự nhất quán thương hiệu là bắt buộc: catalogue sản phẩm, bao bì, biển hiệu, và mọi thứ khách dựa vào để quyết định mua. Máy sinh ảnh có thể giúp mình tả ý cho họ bằng ảnh không khí, thường bớt được một vòng sửa.
Làm việc với người lồng tiếng chuyên nghiệp khi giọng nói là một phần bản sắc thương hiệu hoặc khi cần sắc thái cảm xúc, như quảng cáo hay nội dung cho trẻ em. Giọng máy tạo có thể ổn cho đào tạo nội bộ hay cập nhật nhanh.
Nghi có người dùng AI giả giọng, giả mặt mình hay giả doanh nghiệp mình thì lưu lại mọi bằng chứng, báo cho nền tảng, báo ngân hàng nếu có dính tới tiền, và trình báo công an. Đừng tự giải quyết riêng với kẻ đứng sau.
Câu hỏi thường gặp
Có được dùng ảnh AI cho mục đích thương mại không?
Tuỳ điều khoản hiện hành của công cụ và pháp luật nơi mình ở, vốn đang định hình. Nhiều gói trả phí cho dùng thương mại, một số gói miễn phí thì không, và mình vẫn chịu trách nhiệm nếu ảnh giống tác phẩm của người khác.
Nhân bản giọng của chính mình có hợp pháp không?
Nhân bản giọng mình cho nội dung của mình thường là trường hợp an toàn nhất. Hãy giữ kỹ tệp giọng và tài khoản, vì mẫu giọng bị đánh cắp có thể bị dùng để giả mạo chính mình.
Vì sao ảnh AI hay sai bàn tay và chữ?
Mô hình học bàn tay và chữ cái thường trông thế nào qua rất nhiều ảnh, chứ không học quy tắc năm ngón tay hay chính tả. Những cấu trúc nhỏ, nhiều chi tiết là nơi sự phỏng chừng ấy lộ ra.
Có bắt buộc dán nhãn nội dung do AI tạo không?
Nhiều nền tảng đã yêu cầu hoặc khuyến khích dán nhãn cho nội dung AI trông như thật, và quy định đang thay đổi ở nhiều nước. Xem chính sách hiện hành của từng nền tảng mình đăng và minh bạch với khách hàng.
Công cụ phát hiện AI có phân biệt thật giả chính xác không?
Không chính xác lắm. Chúng bỏ sót một số nội dung máy tạo và gắn cờ nhầm một số nội dung thật. Kết hợp với kiểm bối cảnh như nguồn đăng, ngày tháng, và xem các nguồn tin cậy khác có đưa cùng nội dung không.
Ai đó giả giọng mình để lừa người nhà thì làm sao?
Báo ngay cho người nhà, thống nhất một mật khẩu riêng cho các cuộc gọi về sau, liên hệ ngân hàng nếu đã chuyển tiền, và trình báo công an kèm mọi bản ghi âm, tin nhắn có được.
