Google Veo 3 và Hình ảnh 4: Những tiến bộ thực sự trong AI cho Video và Hình ảnh

Veo 3 cho phép bạn tạo video có âm thanh và hội thoại chân thực từ văn bản đơn giản.
Image 4 tạo ra hình ảnh có độ chi tiết, văn bản và chất lượng chưa từng có trong AI, lên đến 2K và nhiều định dạng.
Cả hai mô hình đều đã được tích hợp vào các ứng dụng như Gemini, Flow và công cụ Google Workspace.

Trí tuệ nhân tạo tiếp tục có những bước tiến vượt bậc. Nếu có một công ty tiếp tục dẫn đầu trong lĩnh vực này, thì đó chắc chắn là Google. Trong sự mong đợi từ lâu của mình Sự kiện thường niên Google I/O 2025công ty đã một lần nữa cách mạng hóa việc tạo nội dung bằng cách trình bày hai tiến bộ hứa hẹn sẽ thay đổi cách chúng ta tạo ra hình ảnh và video: mô hình tạo ra Tôi thấy 3 và Hình ảnh 4. Cả hai đều mang đến một loạt các cải tiến đột phá và bất ngờ khiến cả chuyên gia và người dùng AI tạo ra đều phải kinh ngạc.

Desde tạo ra các video có âm thanh xung quanh và các cuộc đối thoại hoàn toàn hiện thực, đi qua hình ảnh có chi tiết gần như không thể phân biệt được với ảnh chụp thông thường, cho đến sự tích hợp liền mạch vào các công cụ văn phòng và nền tảng sáng tạo, các mô hình này đánh dấu sự trước và sau về những gì chúng ta có thể mong đợi từ trí tuệ nhân tạo được áp dụng vào hình ảnh và âm thanh. Hãy cùng xem Veo 3 và Imagen 4 thực sự có thể làm được gì nhé.

Veo 3 là gì: Kỷ nguyên mới của video do AI tạo ra với âm thanh chân thực

Phiên bản 3 Đây không chỉ là một bản cập nhật khác; đại diện cho sự ra đời của AI tạo ra đầu tiên của Google video có âm thanh gốc được tạo tự động. Cho đến nay, các mô hình cạnh tranh khác như Sora của OpenAI vẫn tụt hậu về mặt này vì không thể thêm âm thanh đồng bộ vào chính quá trình tạo ra âm thanh. Google đưa ra một đề xuất thực sự khác biệt: video với âm thanh xung quanh, hội thoại và thậm chí cả hiệu ứng âm thanh hoàn toàn tổng hợp nhưng thực tế, tất cả đều dựa trên mô tả do người dùng cung cấp. Ví dụ, bạn có thể yêu cầu "một cảnh đô thị với giao thông và mọi người đang nói chuyện" và bạn sẽ nhận được chính xác như vậy, với âm thanh và nhân vật hát nhép thông thường.

Điều này đặt Veo 3 là AI hiểu rõ hơn những lời nhắc phức tạp và chuyển chúng thành hành động nghe nhìn. Bạn có thể nêu chi tiết các nhân vật bạn muốn, họ nên nói gì và thậm chí cả âm thanh của môi trường nên như thế nào để tạo ra bầu không khí cụ thể. Khả năng tạo video 4K, dài tới hai phút (thừa hưởng từ mẫu Veo 2), hiện được tăng cường thêm một lớp hiện thực giúp đưa tác phẩm hư cấu do AI tạo ra gần hơn với tiêu chuẩn điện ảnh.

Bên cạnh đó, Veo 3 cho phép bạn sửa đổi kết quả ngay lập tức: thêm hoặc xóa đối tượng, thay đổi khung hình (từ dọc sang ngang và ngược lại) và thậm chí mở rộng trường nhìn bằng các kỹ thuật vẽ ngoài. Kết hợp với khả năng điều khiển camera chính xác hơn nhiều (xoay, thu phóng, theo dõi), kết quả là mức độ kiểm soát đối với nội dung nghe nhìn chưa từng thấy ở AI dành cho người tiêu dùng.

Để tạo điều kiện thuận lợi cho việc truy cập, Google đã tích hợp mô hình này vào ứng dụng Gemini (trước đây là Bard), cũng như trên nền tảng mới Dòng chảy (chúng ta sẽ nói về điều này sau) và trong các công cụ chuyên nghiệp như Đỉnh AI.

Chi tiết nâng cao: Từ đồng bộ hóa môi đến chỉnh sửa tức thời

Một trong những thách thức lớn đối với AI video tạo ra là có được các cuộc đối thoại có sự đồng bộ hóa môi tự nhiên và thuyết phục. Veo 3 có bước tiến vượt bậc khi kết hợp công nghệ khớp hoàn hảo chuyển động của môi với âm thanh được tạo ra, giúp cuộc trò chuyện video trở nên đáng tin và trôi chảy. Điều này không chỉ cải thiện nhận thức về chủ nghĩa hiện thực mà còn mở ra cánh cửa cho những ứng dụng mới trong giáo dục, nghe nhìn và quảng cáo.

Nội dung độc quyền - Bấm vào đây Cách ghi thu phóng Google Earth

Bên cạnh đó, AI của Google không giới hạn ở thế hệ đầu tiên: cho phép người dùng phóng to cảnh, thay đổi hướng và điều chỉnh các thành phần trực quan theo sở thích của họ, tất cả đều có mô tả bằng văn bản. Bằng cách này, bạn có thể chuyển đổi ảnh cận cảnh thành ảnh toàn cảnh, chuyển từ chế độ dọc sang chế độ ngang hoặc kết hợp các đối tượng mới mà không cần phải làm lại từ đầu. Bạn cũng có thể loại bỏ những thành phần không mong muốn, điều này cực kỳ hữu ích trong việc tạo nhanh nội dung tùy chỉnh.

Hình ảnh 4: Cuộc cách mạng trong việc tạo hình ảnh bằng AI

Song song với Veo 3, Google đã trình bày Imagen 4, mô hình mới để tạo ra hình ảnh bằng trí tuệ nhân tạo. Điểm nổi bật của phiên bản này là ấn tượng bước nhảy vọt về chất lượng chi tiết và tốc độ phản hồi. Trong khi AI trước đây còn yếu kém ở một số khía cạnh như tái tạo kết cấu tinh tế (giọt nước, lông động vật, phản chiếu phức tạp), thì Image 4 hiện có thể tạo ra những hình ảnh sánh ngang với nhiếp ảnh chuyên nghiệp trong cả bối cảnh thực tế và bố cục trừu tượng.

Một lợi thế lớn khác là tốc độ thế hệ: Hình ảnh 4 lên đến nhanh hơn 10 lần so với người tiền nhiệm của nó, Hình ảnh 3 đã được nâng cao. Điều này cho phép quy trình làm việc linh hoạt hơn nhiều, thúc đẩy sự sáng tạo ngay cả trong các dự án đòi hỏi tính cấp bách, chẳng hạn như thiết kế đồ họa khẩn cấp hoặc sản xuất các tác phẩm cho phương tiện truyền thông xã hội.

Về chất lượng kỹ thuật, Hình ảnh 4 tạo ra hình ảnh có độ phân giải lên đến 2K, khiến chúng phù hợp cho việc in ấn độ nét cao và trình bày quy mô lớn. Nó cũng hỗ trợ kết xuất ở nhiều tỷ lệ khung hình khác nhau, từ định dạng vuông đến toàn cảnh, mang lại tính linh hoạt hoàn toàn để tạo ra mọi thứ từ bưu thiếp đến áp phích.

Một chi tiết đặc biệt có liên quan là cải thiện đáng kể về chính tả và kiểu chữAI hiện có thể nhúng văn bản chính xác vào hình ảnh, cho phép bạn thiết kế thiệp, lời mời, áp phích và thậm chí cả truyện tranh với văn bản dễ đọc và được định dạng tốt. Điều này loại bỏ một trong những thách thức chính mà các mô hình tạo sinh trước đây vẫn gặp phải, đó là thường có lỗi khi viết văn bản nhúng.

Tích hợp vào hệ sinh thái và tính khả dụng của Google

Hai mô hình, Tôi thấy 3 và Hình ảnh 4, chúng không hoạt động như những công cụ riêng lẻ, mà đúng hơn là được tích hợp vào hệ sinh thái của Google. Người dùng có thể truy cập chúng trực tiếp từ ứng dụng Gemini và từ Flow, nhưng chúng cũng xuất hiện tích hợp vào các nền tảng như Docs, Slides, Vids và các công cụ Workspace khác. Tính năng này cho phép sinh viên, người sáng tạo và chuyên gia đưa nội dung hình ảnh và âm thanh trực tiếp vào các dự án hàng ngày mà không cần thoát khỏi môi trường Google.

Nội dung độc quyền - Bấm vào đây Cách thay đổi trục trong Google Sheets

Tuy nhiên, tính khả dụng bị hạn chế trong giai đoạn đầu tiên này. Veo 3 hiện có bản beta trong Gemini chỉ dành cho người dùng Hoa Kỳ có đăng ký Google AI Ultra, trong khi Image 4 đã được triển khai cho Gemini và các công cụ Google khác cho tất cả các vùng lãnh thổ được hỗ trợ. Chúng cũng xuất hiện trong các ứng dụng chuyên biệt như Whisk và Đỉnh AI, được thiết kế cho mục đích kinh doanh và phát triển các sản phẩm tùy chỉnh.

Tất cả nội dung được tạo ra với Imagen 4 đều mang một hình mờ kỹ thuật số được gọi là SynthID. Dấu hiệu này giúp dễ dàng xác định xem hình ảnh có được tạo bằng AI hay không bằng công cụ SynthID Detector, tăng thêm tính minh bạch và độ tin cậy trong môi trường mà tính xác thực của nội dung là rất quan trọng.

Flow: công cụ điện ảnh kết hợp những gì tốt nhất của Veo, Imagen và Gemini

Cùng với các mô hình tạo video dựa trên lời nhắc, Google đã ra mắt Flow, một công cụ tạo và chỉnh sửa video được thiết kế để tận dụng tối đa Veo 3, Image 4 và Gemini. Flow được xây dựng dựa trên kinh nghiệm trước đây của VideoFX (một thử nghiệm của Google Labs) và đưa nó tiến xa hơn nữa, cho phép người dùng sản xuất các đoạn video clip, chỉnh sửa cảnh, kiểm soát chuyển động của máy quay và quản lý tài sản theo cách đơn giản và mạnh mẽ.

Trong số các tính năng tiên tiến của nó, Flow cho phép bạn kiểm soát chuyển động và góc nhìn của máy ảnh, mở rộng các cảnh hiện có, thêm cảnh quay mới bằng hệ thống Scenebuilder và quản lý các tài nguyên đồ họa và âm thanh từ một giao diện duy nhất. Toàn bộ quá trình được hướng dẫn bởi AI, giúp giảm thiểu thời gian học tập ngay cả với những người không phải là chuyên gia biên tập.

Bên cạnh đó, Flow có thành phần xã hội mời bạn chia sẻ và khám phá nội dung được tạo bằng AI.. Ví dụ, với Flow TV, người dùng có thể khám phá các video do những người sáng tạo khác tạo ra, tìm cảm hứng và tham gia vào một cộng đồng năng động, nơi công nghệ và sự sáng tạo đan xen.

Làm thế nào để truy cập Veo 3 và Imagen 4? Hiện tại, chỉ có ở Hoa Kỳ

Việc tiếp cận các công nghệ tiên tiến này đã được tổ chức theo từng giai đoạn. Google AI siêu cấp Đây là gói đăng ký độc quyền nhất, dành cho những người muốn là người đầu tiên truy cập vào tin tức mới nhất và mô hình tiên tiến nhất của Gemini, cũng như Veo 3, Flow, Whisk, Máy tính xách tayLM, Gemini được tích hợp vào hệ sinh thái Google, Gemini trong Chrome, YouTube Premium và 30 TB dung lượng lưu trữ đám mây.

Chi phí, bây giờ, Giá là 249,99 đô la một tháng, mặc dù có giảm giá khi giới thiệu. Hiện tại chỉ có người dùng ở Hoa Kỳ mới có thể đăng ký, nhưng Việc mở rộng quốc tế sẽ sớm được lên kế hoạch.

Các công ty và chuyên gia có thể tận dụng Veo 3 thông qua Đỉnh AI, điều này cho phép họ Tích hợp việc tạo video và âm thanh vào quy trình làm việc của công ty bạn, phát triển sản phẩm hoặc các chiến dịch tiếp thị nâng cao. Người dùng sáng tạo và đam mê có thể truy cập Imagen 4 và một số tính năng của Flow trong gói Pro và Basic của hệ sinh thái AI của Google.

Nội dung độc quyền - Bấm vào đây Cách điều chỉnh độ trong suốt của hình dạng trong Google Slides

Google cũng đã thiết kế một hệ sinh thái hợp tác, nơi các cải tiến về mô hình nhanh chóng được mở rộng sang tất cả các công cụ sáng tạo và năng suất, đảm bảo bạn luôn có quyền truy cập vào những phát triển mới nhất mà không cần nỗ lực thêm.

Tại sao Veo 3 lại là bước tiến vượt bậc so với các đối thủ cạnh tranh?

Cho đến khi Veo 3 ra đời, hầu hết các trình tạo video AI trên thị trường (như Runway, Luma AI hoặc Pika Labs) chỉ cho phép thêm âm thanh bên ngoài sau thế hệ. Họ không thể tạo ra âm thanh bản địa đồng bộ trong cùng một bản nhạc, điều này gây ra vấn đề cho những người tìm kiếm kết quả hoàn toàn tự động. Veo 3 giải quyết thách thức đó và đưa Google lên vị trí dẫn đầu trong cuộc đua AI nghe nhìn, thậm chí còn vượt xa các đề xuất như Sora của OpenAI, vốn vẫn chưa thể tích hợp âm thanh vào thế hệ video đầu tiên.

Về mặt chất lượng hình ảnh, Độ chi tiết đạt được của Image 4 về kết cấu, ánh sáng và độ chính xác trong việc tái tạo phong cách vượt xa các tiêu chuẩn AI hình ảnh hiện tại.. Khả năng tạo ra văn bản viết tốt và các thành phần đồ họa phức tạp trong chính hình ảnh làm tăng khả năng sử dụng, từ sáng tạo nghệ thuật đến thiết kế đồ họa chuyên nghiệp, bao gồm các ứng dụng giải trí và giáo dục.

Khả năng kết hợp: sự sáng tạo thực sự không có giới hạn

Yếu tố khác biệt trong cách tiếp cận của Google nằm ở cách các mô hình kết hợp với nhau. Veo 3 và Imagen 4 có thể hoạt động cùng nhau nhờ Flow và Gemini, cho phép bạn thỏa sức sáng tạo, nơi bạn có thể bắt đầu bằng một hình ảnh tĩnh, chuyển đổi nó thành một cảnh hoạt hình, thêm âm thanh và tinh chỉnh để tạo ra một video chuyên nghiệp. Sự tích hợp đa nền tảng này khiến Google trở thành đối tác lý tưởng cho sinh viên, chuyên gia sáng tạo, công ty quảng cáo hoặc bất kỳ ai muốn khám phá lãnh thổ hình ảnh mới một cách dễ dàng và hiệu quả.

Hệ sinh thái này cũng bao gồm các công nghệ khác như Lyria 2, được thiết kế cho tạo ra âm nhạc thích ứng đi kèm với sự chuyển tiếp và cảm xúc của video một cách thông minh và mạch lạc. Điều này hoàn thiện chu trình và cho phép sản xuất các bản nhạc chất lượng phòng thu mà không cần phải nhờ đến ngân hàng âm thanh hoặc vật liệu bên ngoài.

Đối với các nhà phát triển và doanh nghiệp, API và các công cụ quản lý nội dung giúp dễ dàng tích hợp các giải pháp này vào sản phẩm cuối, dịch vụ được thiết kế riêng, ứng dụng và nền tảng kỹ thuật số, thúc đẩy sự đổi mới trong các lĩnh vực đa dạng như giáo dục, truyền thông, chăm sóc sức khỏe và giải trí.

Google được định vị như một chuẩn mực trong trí tuệ nhân tạo sáng tạo, mở ra những khả năng mà trước đây có vẻ giống như khoa học viễn tưởng. Sự kết hợp của kiểm soát, tính thực tế và tùy chỉnh Trong một hệ sinh thái thống nhất, nó đặt ra một tiêu chuẩn mới cho việc tạo ra nội dung hình ảnh, âm thanh và đồ họa, với tác động tiềm năng to lớn trên nhiều lĩnh vực khác nhau và trên cách những người sáng tạo tạo ra và chia sẻ ý tưởng của họ.