Kling 4.0 và tính năng Multiple Keyframes: giải bài toán kiểm soát Video AI 30 giây

Kling 4.0 vừa công bố tính năng Multiple Keyframes, giải quyết một trong những rào cản lớn nhất của video AI hiện nay là việc duy trì kịch bản trên một mốc thời gian dài. Mô hình này hỗ trợ tạo video gốc kéo dài từ 3 đến 30 giây, mang lại không gian đủ rộng cho các kịch bản quảng cáo, hội thoại hay giới thiệu sản phẩm. Theo kế hoạch, phiên bản Kling 4.0 Flash đã được mở truy cập sớm cho một nhóm người dùng hạn chế từ ngày 28 tháng 9, trước khi toàn bộ hệ sinh thái Kling 4.0 chính thức ra mắt trong tháng 10. Tôi cho rằng đây là bước dịch chuyển quan trọng, đưa việc sáng tạo video AI từ chỗ dựa vào may rủi sang quy trình điều khiển có tính kỹ thuật cao.

Thiết lập mốc thị giác với tối đa 10 keyframe

Tạo một đoạn phim quảng cáo 30 giây yêu cầu diễn biến hình ảnh phải xuất hiện đúng thời điểm, chẳng hạn như mở đầu thiết lập bối cảnh, giữa video xuất hiện sản phẩm và kết thúc bằng một góc máy chốt thương hiệu. Khi không có sự định hướng rõ ràng, mô hình sinh video rất dễ làm các sự kiện bị đảo lộn hoặc diễn ra sai mốc thời gian. Kling 4.0 xử lý vấn đề này bằng cách cho phép người dùng đặt tối đa 10 hình ảnh keyframe trong một lần khởi tạo để làm các mốc thị giác cố định dọc theo trục thời gian.

Mô hình sẽ tự động tính toán để tạo ra chuyển động, sự chuyển cảnh và tiến trình hình ảnh mượt mà giữa các mốc này. Tuy nhiên, việc lạm dụng cả 10 keyframe cho những thay đổi không cần thiết có thể khiến việc điều khiển trở nên phức tạp. Cách tiếp cận hiệu quả là chỉ đặt keyframe tại những thời điểm thực sự có sự thay đổi về trạng thái nhân vật, bối cảnh hoặc sản phẩm.

Kết hợp Omni Reference để giữ tính nhất quán

Khả năng kiểm soát tiến trình thời gian của keyframe đạt hiệu quả cao nhất khi được vận hành cùng tính năng Omni Reference của Kling 4.0. Mô hình này cho phép đưa vào tối đa 15 tài nguyên tham chiếu kết hợp trong một tác vụ, bao gồm hình ảnh, video, đối tượng và giọng nói. Việc phân tách chức năng giúp người tạo nội dung dễ quản lý hơn: Omni Reference chịu trách nhiệm giữ nguyên diện mạo nhân vật, màu sắc sản phẩm hay phong cách hình ảnh, trong khi keyframe điều khiển thời điểm các yếu tố đó xuất hiện hoặc chuyển giao.

Sự xung đột dữ liệu giữa các đầu vào là điều cần tránh tuyệt đối khi thiết lập dự án. Nếu nhân vật trong ảnh tham chiếu mặc một bộ trang phục nhưng ảnh keyframe lại thể hiện một trang phục hoàn toàn khác mà không có sự giải thích trong câu lệnh, mô hình sẽ bị nhầm lẫn về thứ tự ưu tiên. Việc kiểm tra tính đồng bộ về diện mạo, sản phẩm và ánh sáng giữa các ảnh tham chiếu trước khi khởi tạo là yếu tố quyết định độ ổn định của sản phẩm đầu ra.

Tối ưu câu lệnh 8000 token theo lộ trình thời gian

Để kết nối các mốc thị giác, Kling 4.0 hỗ trợ độ dài câu lệnh lên tới 8.000 token. Phương pháp viết prompt tối ưu nhất cho video 30 giây là chia nhỏ theo từng khoảng thời gian cụ thể, ví dụ như mô tả bối cảnh từ 0 đến 5 giây, hành động tương tác sản phẩm từ 5 đến 12 giây và góc máy chốt từ 27 đến 30 giây. Keyframe sẽ đóng vai trò hiển thị trạng thái tại mốc cố định, còn prompt đảm nhận việc giải thích góc quay, nhịp điệu, chuyển động của nhân vật, lời thoại và âm thanh diễn ra ở giữa các mốc đó.

Tôi nhận thấy việc Kling 4.0 kết hợp đồng thời thời lượng 30 giây, 10 keyframe và 15 tài nguyên tham chiếu đang đặt ra một tiêu chuẩn mới cho các công cụ tạo video AI chuyên nghiệp. Khi máy tính giải quyết được bài toán giữ đúng kịch bản và tính nhất quán của nhân vật hay sản phẩm, rào cản ứng dụng AI vào quy trình sản xuất truyền thông thực tế của doanh nghiệp sẽ giảm đi đáng kể.