Kỷ nguyên video tạo sinh thời gian thực: Cơ hội bùng nổ ứng dụng tiếp theo

Cảnh tiếp theo được quyết định bởi ý tưởng của bạn

👦🏻 Tác giả: Aki

🧑‍🎨 Bố cục: NCon

Trong hai năm qua, video AI cạnh tranh về chất lượng tạo hình. Bắt đầu từ hai tuần trước, cuộc đua chuyển sang tốc độ suy luận và hiệu suất thời gian thực. Tương tác thời gian thực được xây dựng trên các phiên bản hậu huấn luyện (post-trained) của mô hình video MiniMax H3, cộng với những bước nhảy vọt về thế hệ từ GPT-6 và Fable 5.1, tất cả đã va chạm vào nhau trong cùng một tuần. Một cơ hội mới đang mở ra cho các ứng dụng và mô hình AI: video không còn là sản phẩm cuối cùng của nội dung — nó đang trở thành cơ sở hạ tầng của giải trí tương tác.

1. Các mô hình mới liên tục xuất hiện, mỗi mô hình thống trị trong khoảng hai tuần

Cuộc chiến thu hẹp vòng tròn ở lớp mô hình vẫn đang tăng tốc. Anthropic và OpenAI lần lượt phát hành Claude Fable 5.1 và GPT-6 Astra, trong đó GPT-6 được mô tả chính thức là một bước nhảy vọt về thế hệ trong việc sử dụng máy tính và kỹ thuật phần mềm — RSI và AGI đột nhiên không còn vẻ xa vời. Nhờ những khả năng này, mọi người ở khắp nơi bắt đầu thử nghiệm với mô hình hóa Blender và phát triển trò chơi 3D. Lối chơi do AI tạo ra lần đầu tiên tiến gần đến mức thực sự có thể chơi được, và lập trình cùng 3D đã được tích hợp vào các quy trình kỹ thuật mới như tài liệu tham khảo cho việc tạo video.

Trên mặt trận đa phương thức, MiniMax đã mở mã nguồn trọng số H3 vào đầu tháng 8: một mô hình video dày đặc với 33 tỷ tham số, tích hợp văn bản, hình ảnh, video và âm thanh trong một ngữ cảnh duy nhất, tạo ra các video đi kèm với lời thoại, hiệu ứng âm thanh và âm nhạc được tích hợp sẵn. Ý nghĩa của việc mở mã nguồn không nằm ở sức mạnh của bản thân mô hình — mà là việc "hậu huấn luyện" đã được trao cho toàn bộ cộng đồng. LoRA, chưng cất (distillation), lượng tử hóa (quantization), chú ý thưa (sparse attention): hàng chục đội ngũ đang đồng thời tăng tốc và hậu huấn luyện trên cùng một nền tảng cơ sở.

Đơn vị hành động nhanh nhất là fal — một công ty cơ sở hạ tầng và thị trường suy luận hàng đầu. Họ đã hậu huấn luyện H3 trước, sau đó đưa nó vào công cụ suy luận của riêng mình, tạo ra H3 Max: các đoạn clip 768p dài 5 giây kèm âm thanh, được tạo trong 3 giây với chi phí thấp hơn đáng kể.

Cộng đồng thậm chí còn nhanh hơn cả fal. Trong vòng vài ngày, các nhà phát triển đã xây dựng các nguồn cấp dữ liệu video ngắn cuộn vô tận, kênh tin tức AI 24 giờ được cung cấp bởi RSS và các thảo luận cộng đồng, trò chơi Pictionary thời gian thực, trình mô phỏng hẹn hò và các cuộc phiêu lưu văn bản phân nhánh. Hầu hết đều còn thô sơ, nhưng chúng đã chứng minh một điều: khi thời gian tạo ngắn hơn thời gian phát, "video" không còn là thứ được sản xuất rồi mới xem — nó có thể được quyết định ngay tại chỗ.

Tao Zhang, đồng sáng lập của Manus, cũng đã đăng trên Jike và WeChat Moments: "Cơ hội tiếp theo cho sự bùng nổ ứng dụng: khi một Seedance với độ trễ dưới một giây xuất hiện. Đã đăng chính xác hai tháng trước — nhấn mạnh lại lần nữa."

Nhận định đó vẫn đúng. Ngoài các nhà phát triển cộng đồng, một số công ty đã âm thầm định vị bản thân. Công ty nội dung tương tác AI Yoroll vừa phát hành mô hình hậu huấn luyện của riêng mình, Yoroll H3 Superfast, có khả năng suy luận 10 giây video trong 4 giây, và ra mắt YoLive, một sản phẩm tường thuật thời gian thực được vận hành bởi mô hình này.

Và công ty đứng sau nó tình cờ lại là một trong những đơn vị xây dựng sớm nhất và hiệu quả nhất trong lĩnh vực trò chơi tương tác AI và video tương tác.

Trước đó, công ty này và các nhà sáng tạo trên nền tảng của họ đã đạt được một vài con số ấn tượng:

Zombie Scavenger và Republican-Era Mysteries mỗi trò chơi đều vượt mốc 50.000 lượt thêm vào danh sách mong ước (wishlist) trên Steam; Legend of Huajun: Flip, Your Majesty đạt 2 triệu người chơi trong vòng một tháng kể từ khi ra mắt trên các trò chơi nhỏ (mini-games) của Douyin; và AI Odyssey, được xây dựng bởi một nhà sáng tạo độc lập trong hai ngày, từng đứng đầu bảng xếp hạng xu hướng trên X tại Hoa Kỳ.

2. Video nhanh hơn thời gian thực đã tồn tại — nhưng liệu nó có thể chơi được không?

Theo mô tả chính thức, Yoroll H3 Superfast là phiên bản hậu huấn luyện và tăng tốc suy luận của MiniMax H3 mã nguồn mở. Định vị chính thức chỉ gói gọn trong một câu: "Được xây dựng cho trò chơi, không chỉ cho phim." Các con số: 10 giây, 768p, 24fps, với âm thanh gốc, được tạo trong 4 giây trên 8 card B200 — nhanh gấp 2,5 lần thời gian thực — chạy trên ngăn xếp suy luận của riêng Yoroll, được hậu huấn luyện trên khối lượng lớn dữ liệu ghi lại từ trò chơi. Để so sánh, H3 Max của fal tạo ra các đoạn clip 5 giây trong chưa đầy 3 giây, khoảng 1,7 lần thời gian thực. Superfast hiện đã hoạt động trên nền tảng sáng tạo Yoroll.

Đồng thời, Yoroll đã phát hành một sản phẩm mới được xây dựng trên mô hình này, YoLive (yo.live[1]), với hình thức sản phẩm rất trực tiếp: một trò chơi tường thuật tương tác mà mọi người cùng tham gia và liên tục tiến về phía trước.

Tham gia YoLive, người xem sẽ thấy một kênh tường thuật tương tác AI đang phát liên tục. Bất kỳ ai cũng có thể đề xuất điều gì sẽ xảy ra trong cảnh tiếp theo — khiến robot nhảy múa, dàn dựng một cuộc rượt đuổi trên sân thượng, thêm một tình tiết bất ngờ không ai lường trước — và những người khác sẽ bỏ phiếu cho các đề xuất đó. Hướng đi chiến thắng sẽ được kết hợp với cốt truyện đã thiết lập, mối quan hệ nhân vật, vị trí hiện tại và trạng thái nhiệm vụ, sau đó tiếp tục thành cảnh quay mới, được tạo ngay tại chỗ bởi mô hình H3 Superfast. Kênh mở đầu tiên đến từ Zombie Scavenger: robot cao bồi, người mẫu, đà điểu và vùng đất hoang atompunk đó tạo thành một dàn nhân vật và thế giới ổn định, trong đó khán giả quyết định câu chuyện sẽ đi về đâu.

Điều này mang lại cho danmu (bình luận chạy trên màn hình) một vai trò chức năng lần đầu tiên. Mọi người từng trò chuyện bên cạnh cùng một tác phẩm; giờ đây, cuộc trò chuyện đi thẳng vào chính tác phẩm đó. Một người quan tâm đến số phận nhân vật, người khác muốn tung một câu đùa, người khác nữa chuyên phá hỏng câu chuyện — những ý định khác nhau va chạm và trở thành chất liệu cho cảnh tiếp theo, đồng thời là lý do để ở lại buổi livestream. Đối với những người tham gia, khoảnh khắc hấp dẫn nhất chính là "ý tưởng vừa rồi là của tôi".

Tạo hình thời gian thực và lối chơi livestream hiện đã có trên ứng dụng Yoroll và các buổi livestream Douyin

Thậm chí hơn cả YoLive, điều chứng minh rằng "tạo hình thời gian thực là một hình thức chơi game" chính là loạt trò chơi nhỏ đang được các nhà sáng tạo trên nền tảng ấp ủ. Điểm chung của chúng: lối chơi được viết bằng Yoroll Code, hình ảnh được tạo qua API H3 Superfast và đầu vào thời gian thực làm thay đổi trực tiếp câu chuyện. Tất cả vẫn đang trong quá trình phát triển và khám phá, nhưng chủ đề của chúng đã rất rõ nét.

Trong các trò chơi nhỏ này, "thời gian thực" đã được đưa vào thiết kế tương tác cụ thể. Blind Date Warrior cho phép người chơi tùy chỉnh buổi hẹn hò theo sở thích và điều khiển buổi hẹn thông qua đối thoại và hành động tự do: một câu hỏi thăm dò, một bước đi táo bạo, có thể đẩy cảnh tiếp theo theo một hướng khác. Streamer Unboxing Simulator biến danmu livestream thành các lệnh quà tặng — người xem quyết định những gì có trong hộp, và AI tạo ra cảnh mở hộp cùng phản ứng của streamer — vui sướng hay kinh hoàng, người chơi đặt ra câu hỏi. Infinite Matchstick Adventure cho phép người chơi tự do quyết định hành động của người que trên giấy: chuyển đổi danh tính, nghĩ ra một lối thoát bất ngờ, thậm chí đưa ra câu trả lời ngoài các tùy chọn định sẵn, và AI tiếp tục những tưởng tượng đó thành hình ảnh và câu chuyện mới. Thay đổi trực tiếp nhất từ việc tạo hình thời gian thực là biến ý tưởng của người chơi thành những gì xảy ra tiếp theo trong trò chơi.

Blind Date Warrior, một trò chơi thời gian thực UGC được xây dựng trên mô hình H3 Superfast

Những trò chơi này đều có quy mô nhỏ, nhưng chúng là loạt tác phẩm đầu tiên chúng ta thấy coi "cảnh tiếp theo được quyết định bởi đầu vào của người chơi" là vòng lặp cốt lõi thay vì một chiêu trò tiếp thị.

Các công cụ phát triển cấp độ và lối chơi của Yoroll Code hiện hỗ trợ GPT-6 Astra và H3 Superfast

3. Tại sao bất kỳ ai lại muốn chơi nội dung do AI tạo ra?

Yoroll không tham gia vào không gian này vì việc tạo hình thời gian thực đã xuất hiện. Ngược lại, họ đã tham gia sớm và xây dựng rất nhiều: các trò chơi nhỏ được xác thực bởi dữ liệu người chơi, các trò chơi quy mô lớn đạt chất lượng cao cấp và các nhà sáng tạo hàng đầu đã tham gia. Dù là thời gian thực hay được tạo sẵn, điều mà người dùng và người chơi quan tâm nhất vẫn là những câu chuyện hay, lối chơi thú vị và sự tương tác hấp dẫn.

Legend of Huajun: Flip, Your Majesty, được thực hiện bởi một trong những nhà sáng tạo đầu tiên của nền tảng, là nội dung tương tác dành cho phái nữ. Sau khi ra mắt trên các trò chơi nhỏ của Douyin vào tháng 8, nó đã đạt 2 triệu người chơi trong chưa đầy một tháng, khiến nó trở thành — theo những gì chúng tôi biết — một trong những trò chơi phim tương tác AI được chơi nhiều nhất ở bất cứ đâu.

Giới thiệu về Legend of Huajun và 2 triệu người chơi của nó

Ở nước ngoài, một nhà sáng tạo Bắc Mỹ đã dành hai ngày và khoảng 250 đô la trên Yoroll để thực hiện AI Odyssey — một trò chơi phim tương tác màn hình dọc với hơn 140 phân đoạn video và 11 kết thúc, ra mắt trên nền tảng Yoroll và TikTok Minis. Ăn theo làn sóng phát hành bộ phim The Odyssey của Nolan, trò chơi tương tác AI Odyssey này từng đứng số 1 trên bảng xếp hạng xu hướng X tại Hoa Kỳ.

Và đối với các trò chơi quy mô lớn, Yoroll đang đưa một số tựa game AI chủ lực vào lãnh địa vốn thuộc về các studio game lớn.

Tuần trước tại Cologne, Đức, tại gian hàng của Yoroll ở gamescom — triển lãm trò chơi lớn nhất thế giới — hầu hết những người chơi ngồi vào máy tính đều mong đợi xem một bộ phim ngắn AI. Suy cho cùng, Zombie Scavenger vốn là một bộ phim ngắn AI được lan truyền rộng rãi.

Nhưng cấu trúc của bản demo phức tạp hơn nhiều so với những gì trang Steam đã tiết lộ trước đó. Ngoài các lựa chọn và QTE điển hình của các trò chơi phim tương tác, còn có khám phá cảnh quan, bắn súng góc nhìn thứ ba và thủ thành (tower defense) nhàn rỗi. Người chơi điều khiển nhân vật robot tiêu diệt zombie trên bãi biển; khi vào ga tàu điện ngầm, tầm nhìn thu hẹp lại và lũ quái vật ùa đến. Khi phân đoạn hành động kết thúc, trò chơi quay trở lại tường thuật điện ảnh, với kho đồ, vũ khí và chỉ số được mang theo sang các phân đoạn tiếp theo.

Trong bản demo có thể chơi được dài 90 phút hiện tại, dữ liệu chơi thử tại gamescom cho thấy thời gian trung bình của người chơi vượt quá nửa giờ. Phản ứng đầu tiên từ người chơi nước ngoài: một trò chơi trông giống như phim AI thực sự có thể cho phép bạn di chuyển trong không gian, khám phá và bắn súng. Điều này cho thấy nội dung AI cũng có thể chinh phục được cả những người chơi khó tính nhất.