Ai đang đứng sau những bộ phim ngắn AI 'mì ăn liền' tràn ngập màn hình của bạn?

Mô hình thiết lập mức trần; Agent thiết lập mức sàn.

👦🏻 Tác giả: GaKi

🥷 Biên tập: Koji

🧑‍🎨 Dàn trang: NCon

Tại sự kiện WAIC 2026 vừa khép lại, Hidream.ai đã chính thức ra mắt agent sáng tạo nội dung của mình — vivago R1. Sản phẩm đã được phát hành toàn cầu vào ngày hôm qua, với phiên bản nội địa được nâng cấp toàn diện mang tên "Gouda", định vị tập trung vào việc tạo ra các video hoàn chỉnh dài từ 3 đến 5 phút một cách ổn định.

Sự ra mắt này diễn ra đúng thời điểm công nghệ video AI đang tiến triển nhanh chóng.

Xét theo bảng xếp hạng thử nghiệm mù (blind-test) mới nhất của Artificial Analysis, sự cạnh tranh giữa các mô hình nền tảng (foundation models) đang vô cùng khốc liệt. Các tập đoàn công nghệ lớn trong và ngoài nước, cùng với các kỳ lân AI, đều đã tham gia cuộc đua, mỗi bên đều phô diễn thế mạnh về độ trung thực hình ảnh, biên độ chuyển động và hiệu suất tạo nội dung.

Các mô hình nền tảng ngày càng hoàn thiện hơn, nhưng vẫn tồn tại một khoảng cách trong quy trình làm việc giữa những gì mô hình kết xuất (render) và một bộ phim hoàn chỉnh — đó chính là nơi các sản phẩm Agent phát huy giá trị, và cũng là vị thế mà vivago R1 hướng tới.

🚥

Đội ngũ The Crossing đã thực hiện ngay một bài kiểm tra thực tế chuyên sâu. Dưới đây là trải nghiệm thực tế của chúng tôi.

Trải nghiệm thực tế: một bộ phim ngắn 5 phút theo phong cách "Thiên Cung" đang viral, cộng với 6 video ngắn thương mại điện tử trên TikTok.

Đầu tiên, đây là đường dẫn truy cập vivago R1:

https://goudaai.com/home. Sau khi vào trang web, bạn chỉ cần nhập câu lệnh (prompt) hoặc gọi một Skill, sử dụng @ để thêm tài nguyên, và bạn có thể bắt đầu sáng tạo.

Nếu gần đây bạn thường xuyên lướt các nền tảng mạng xã hội và video ngắn, chắc chắn bạn đã nhận thấy những video ngắn như dưới đây — thiên cung, thẩm mỹ tiên hiệp Trung Hoa — xuất hiện ở khắp mọi nơi. Chúng gần như đã trở thành một tiểu thể loại chủ đạo của phim ngắn AI. Các thành phần cốt lõi: những cảnh quay toàn cảnh (establishing shots) và thẩm mỹ quy mô đồ sộ.

Giờ đây, vivago R1 có thể xuất trực tiếp một bộ phim ngắn AI về thiên cung dài khoảng 5 phút trong một lần thực hiện. Thêm một bản nhạc nền bắt tai, đậm chất internet vào cuối, là bạn đã có ngay một bầu không khí hoàn hảo.

Để bắt đầu, bạn có thể trò chuyện với vivago R1 bằng ngôn ngữ tự nhiên thông thường — không cần phải xây dựng các nút (node). Tôi đã yêu cầu nó tạo ra ba hình ảnh cảnh tượng thần thoại phương Đông theo định dạng điện ảnh 21:9.

Sau đó, chỉ cần một cuộc trò chuyện ngắn với Agent vivago R1: yêu cầu nó thiết kế kịch bản phân cảnh dựa trên những hình ảnh đó, và nó sẽ tự động hóa hoàn toàn việc thiết kế hình ảnh và tạo tài nguyên — phân tích toàn bộ kịch bản và thiết lập một phong cách hình ảnh nhất quán.

Khi cấu trúc tổng thể đã được chốt, nó tự động chuyển sang bước tiếp theo, tạo tài nguyên hình ảnh theo từng đợt. Mọi cảnh quay, nhân vật và đạo cụ cần thiết cho kịch bản đều được chuyển đổi thành tài nguyên hình ảnh.

Một điểm cộng: khi tạo nhân vật hoặc đạo cụ, nó mặc định tạo ra các góc nhìn mặt trước, mặt sau và mặt bên của nhân vật, hoặc các góc nhìn đa chiều của vật thể — những hình ảnh này đóng vai trò là "mỏ neo" phong cách cho quá trình tạo video sau đó.

Sau đó, nó tự viết các câu lệnh cho từng hình ảnh tham chiếu kịch bản và từng đoạn video AI cần tạo, tự xây dựng danh sách công việc (to-do list) và xác nhận từng đoạn một — tổng cộng có thể có hơn chục giai đoạn xác minh.

Bước xác minh này rất tỉ mỉ, và có lý do chính đáng: nếu không có nó, video cuối cùng rất dễ trở nên hoàn toàn không thể sử dụng được.

Ví dụ, vivago R1 xác minh độ dài kịch bản của từng đoạn — các đoạn không cố định ở 30 giây; chúng có thể giảm xuống 15 hoặc 19 giây để đảm bảo nhất quán với kế hoạch kịch bản tổng thể.

Sau đó, nó kiểm tra xem tất cả các hình ảnh tham chiếu và tài nguyên tham chiếu có khớp nhau không, mọi tài nguyên đã được bao phủ chưa, và liệu có câu lệnh nào bị cắt bớt bất thường hay không.

Khi một câu lệnh quá dài, AI có thể âm thầm cắt bớt nó — nhưng giao diện người dùng của sản phẩm sẽ không hiển thị điều đó. Người dùng viết một câu lệnh dài, chi tiết và rồi không hiểu tại sao kết quả đầu ra lại tệ đến vậy.

Vì vậy, kiểu kiểm tra nội bộ cẩn thận này thực sự là cần thiết.

Đến thời điểm này, tác phẩm hoàn chỉnh có 17 phân cảnh, tương ứng với 17 cảnh quay và được hợp nhất thành nhiều đoạn clip. Tất cả tài nguyên hình ảnh đã xong, và chủ đề cho 7 đoạn video đã được viết. Chỉ đến giai đoạn này, nó mới yêu cầu người dùng xác nhận có tạo video hay không.

Từ câu lệnh ngôn ngữ tự nhiên ban đầu cho đến bước này, tôi hầu như không cần tương tác với Agent vivago R1 — Agent đã thực hiện mọi thứ một cách tự chủ.

Tiếp theo, Agent tạo từng đoạn video một, tuân theo kế hoạch tổng thể, các tài nguyên hình ảnh và các câu lệnh đã có.

Mỗi đoạn clip được thêm vào khung hình (canvas), và sau đó mọi thứ được tự động biên tập lại thành một bộ phim hoàn chỉnh.

Trước khi trình chiếu bộ phim dài 5 phút đầy đủ, đây là một đoạn đã hoàn thiện với nhạc video ngắn được thêm vào — khoảnh khắc âm nhạc vang lên, toàn bộ bầu không khí trở nên hòa hợp (tái bút: nhạc nền BGM được thêm thủ công trong CapCut, bản quyền từ "Bishang Guan", do Xiaohan Zhang thể hiện; tất cả các hiệu ứng âm thanh và BGM khác đều do vivago R1 tạo ra).

Phiên bản đầu tiên đã ra đời với độ hoàn thiện đáng kinh ngạc — một bộ phim 5 phút có thể sử dụng ngay lập tức. Tôi muốn thêm cốt truyện, nên tôi đã tạo lại một lần nữa.

Tôi chỉnh sửa nhẹ hai video và kết hợp chúng thành một bộ phim ngắn AI dài khoảng 6 phút, có tên: Thiên Cung: Đèn Lồng Trở Về.

Một lữ khách mặc đồ trắng, mang theo chiếc đèn lồng chưa thắp sáng, dành một ngày để leo lên thiên cung nhằm dâng đèn lên mặt trăng. Đó là toàn bộ cốt truyện. Bộ phim sử dụng nhiều kỹ thuật điện ảnh để phô diễn kiến trúc và phong cách của thiên cung.

Nhìn chung, cốt truyện gắn kết chặt chẽ, tính nhất quán của nhân vật và việc xây dựng phong cách rất vững chắc — điều này thật ấn tượng khi xét đến việc các tham chiếu phong cách duy nhất cho toàn bộ quy trình chỉ là vài hình ảnh đầu tiên đó. Mọi tài nguyên hình ảnh khác đều được Agent tạo ra sau đó.