Vì sao video AI trông "giả trân" — và cách viết prompt để hết

Mình dựng video bằng AI mỗi tuần. Và mình để ý một điều lạ: cùng một cảnh, có clip nhìn rất thật, có clip vừa hiện lên là người xem kêu “giả trân” ngay — dù ảnh gốc đẹp như nhau. Ban đầu mình tưởng lỗi ở model. Sai. Phần lớn cái “giả” không sinh ở khâu tạo ảnh, mà ở câu chữ mình viết trong prompt để làm ảnh động (image-to-video).

Bài này mình gom 5 luật rút ra sau nhiều vòng duyệt hỏng thật. Không lý thuyết — mỗi luật đều đến từ một cảnh cụ thể bị người xem chỉ mặt.

Chuyện bắt đầu: khán giả nhìn ra ngay, dù không biết gì về AI

Mình đưa một bản dựng cho người thân xem. Họ không biết AI là gì, nhưng chỉ ra đúng 5 lỗi trong 30 giây:

• Nhân vật nói tiếng Việt mà nghe “như người nước ngoài nói tiếng Việt”.
• Mưa trông như một lớp overlay dán lên màn hình, không phải mưa thật.
• Bát cơm trắng trơn, chẳng có đồ ăn — nhìn sai sai.
• Người ngồi chính giữa cửa quán, “chẳng ai ngồi kiểu đó”.
• Hai người đang nói chuyện mà cả hai cùng nhìn vào ống kính — giả trân nhất.

Danh sách này về sau thành checklist nghiệm thu của mình. Nhưng câu hỏi quan trọng hơn là: vì sao AI cứ tạo ra đúng những lỗi đó? Mình đi tìm nguyên nhân gốc, và nó dẫn tới 5 luật dưới đây.

Luật 1: Viết “không có X” thì AI lại thêm X vào

Cảnh của mình dính đầy khói và sương mù mình không hề muốn. Mình mở prompt ra xem thì thấy đã ghi rõ: “no smoke, no haze, no fog”. Ghi cấm hẳn hoi mà vẫn có.

Lý do: model đọc danh từ, không đọc chữ “no”. Bạn càng nhắc “no smoke”, bạn càng gieo khái niệm “smoke” vào đầu nó. Câu phủ định trong thân prompt không chặn — nó gợi ý.

Muốn không có X, đừng cấm X. Hãy tả cái Y chiếm chỗ của X.

Thay vì "no smoke", viết "Không khí trong và tĩnh lặng". Thay vì "không có lời thoại", viết "Miệng khép, môi không động". Riêng luật này giải thích được 4 trong 5 lỗi ở trên cùng lúc.

Luật 2: Nhắc tới thứ không có trong ảnh = lệnh “vẽ thêm”

Đây là luật riêng cho image-to-video (cho AI một ảnh, bảo nó làm ảnh động). Mình muốn quay kiểu “qua vai người nghe”, nên viết: “bờ vai người nghe ở tiền cảnh”. Kết quả: AI vẽ thêm hẳn một người vào khung — thành hai nhân vật giống hệt nhau đang ngồi.

Nguyên tắc: ảnh quyết định trong khung có gì; prompt video chỉ được quyết định cái gì chuyển động. Bất kỳ danh từ chỉ người hay vật mà ảnh gốc không có, khi bạn nhắc tới trong prompt, đều bị hiểu là lệnh sinh thêm. Cần bờ vai đó thì phải đưa nó vào ảnh từ đầu, đừng đòi ở bước làm động.

Luật 3: Nêu giới hạn như một sự thật, đừng nêu “mức độ”

Luật này mình phải hỏng ba lần liên tiếp mới ngộ ra. AI đọc động từ và diễn ở biên độ tối đa, còn trạng từ giảm nhẹ thì nó bỏ qua:

Mình viết	AI làm ra
thở ra nhẹ nhàng qua mũi	thở dốc như vừa chạy 100km
xoay đầu vài độ về phía cửa	xoay hẳn mặt vào ống kính
nhấc đĩa lên một chút bằng hai tay	bê đĩa lên mặt, vục ăn như con vật

Chữ “nhẹ”, “vài độ”, “một chút” — vô tác dụng hoàn toàn. Cách sửa: đừng mô tả mức độ, hãy khẳng định giới hạn như một sự thật về thế giới.

• ❌ “nhấc đĩa lên một chút”
• ✅ “Chiếc đĩa nằm yên trên bàn suốt cảnh; chỉ có đôi đũa chuyển động.”

Một mệnh đề khẳng định về trạng thái thì AI tôn trọng. Một tính từ giảm nhẹ thì nó phớt lờ.

Luật 4: Đừng bắt cơ thể “diễn”, hãy để đồ vật chuyển động

Họ hàng của luật 3. Mọi động từ sinh lý — thở, nuốt, run, chớp mắt, khóc — đều bị AI khuếch đại tới mức lố (viết “khóc” ra “gào thét”). Nên khi cần lấp đủ thời lượng một clip, đừng lấp bằng cơ thể sống. Lấp bằng chuyển động cơ học của đồ vật: một bàn tay đặt cốc xuống, một chiếc ghế được kéo ra. Vật thì AI điều khiển mượt; cơ thể người thì nó luôn quá tay.

Luật 5: Không ghi rõ góc máy thì AI luôn chọn góc “giả”

Nếu bạn không chỉ định, model mặc định chọn góc “đẹp cho máy quay”: chính diện, đối xứng, nhân vật nhìn thẳng ống kính. Trớ trêu là đúng những thứ đó tạo cảm giác giả. Bố cục cân giữa tuyệt đối là một tín hiệu ảnh AI. Cặp nhân vật nhìn thẳng camera khi đang nói với nhau là dấu hiệu lộ liễu nhất.

Cách chữa: viết hình học ra bằng chữ. Hai người nói chuyện thì ngồi lệch, xoay 3/4, quay mặt vào nhau chứ không vào ống kính. Bố cục lệch một chút luôn thật hơn bố cục cân hoàn hảo.

Một cái bẫy riêng của cảnh Việt

Ngoài 5 luật kỹ thuật, có loại lỗi AI mà chỉ người Việt mới bắt được — lỗi sai nghĩa văn hoá. Ví dụ kinh điển của mình: mình prompt “một bát cơm trắng đầy đặn”. Kết quả ra một bát cơm trắng đầy có ngọn, đặt riêng — mà trong mắt người Việt, đó là bát cơm cúng người đã khuất. Trong một cảnh nói về lòng tốt cứu người, đây không phải lỗi thẩm mỹ, mà là hiểu sai hoàn toàn ý nghĩa.

Cơm bình dân thật thì dọn trên đĩa, kèm món mặn, rau, chén canh, chén nước mắm. AI không tự biết những điều này — nó dựng “châu Á chung chung”. Bạn phải là người mang bối cảnh văn hoá vào prompt.

Kết: chốt lại và một con số thực tế

Năm luật gói lại thành một câu:

Cái gì không được đổi thì phải nói ra thành câu khẳng định. Đừng trông vào việc cấm đoán hay làm nhẹ chữ.

Và một kỳ vọng thực tế để bạn không nản: kể cả khi prompt đã đúng hết, “AI look” vẫn xuất hiện khoảng 1 trong 3–4 lần tạo. Nên khi tính chi phí, mình luôn nhân đôi số lần render dự kiến. Làm video AI không phải là ra lệnh một lần rồi xong — mà là biết trước chỗ nó sẽ hỏng và viết câu chữ để bịt sẵn.

Nếu bạn cũng đang dựng video AI và gặp đúng mấy lỗi này, thử áp 5 luật trên rồi kể mình nghe ở phần bình luận — mình đang gom thêm case để hoàn thiện checklist.