Một clip AI có thể cho hình rất bắt mắt, rồi tự tay phá nó bằng tiếng nhạc vô duyên, tiếng động chẳng liên quan và một câu thoại chen vào đúng lúc người xem cần nhìn sản phẩm. Lỗi này không chữa bằng cách viết prompt dài hơn. Nó được chữa bằng cách phân vai cho âm thanh trước khi render.
Mục lục
- Bắt đầu từ “người xem phải nghe gì?”, không phải “Veo 3 có tạo tiếng được không?”
- Bốn lớp âm thanh: dùng lớp nào, bỏ lớp nào?
- Viết audio brief trước, rồi mới nhét vào prompt
- Khung prompt Veo 3 cho một cảnh có âm thanh
- Prompt mẫu 1: cảnh sản phẩm, ưu tiên tiếng thao tác
- Prompt mẫu 2: cảnh không gian, ưu tiên ambience
- Prompt mẫu 3: cảnh dẫn chuyện, ưu tiên lời thoại
- Khi nào dùng voice native, khi nào làm voice over ngoài?
- Ba lỗi nghe là biết prompt chưa có người đạo diễn
- Cảnh nào cũng có nhạc
- SFX không bám hành động
- Để voice, nhạc và ambience cùng ở foreground
- Quy trình duyệt 5 phút cho một cảnh trước khi chạy hàng loạt
- Checklist trước khi xuất video
- Nguồn và ngày kiểm tra
Với mỗi cảnh Veo 3, hãy quyết định rõ bốn thứ: hành động nào cần được nghe thấy, không gian đang có tiếng gì, nhạc làm nhiệm vụ gì và có thật sự cần lời thoại hay không. Khi bốn lớp này không đánh nhau, cảnh ngắn cũng có cảm giác có chủ ý. Khi chúng cùng cố gây chú ý, video giống một quán cà phê bật ba playlist một lúc.
Nắm nhanh trước khi làm
- Một cảnh chỉ nên có một âm thanh chính để người xem bám vào: tiếng thao tác, một câu thoại, hoặc nhịp nhạc.
- Viết âm thanh theo bốn lớp:
SFX,ambience,music,voice; không phải cảnh nào cũng cần đủ bốn lớp. - Cảnh có câu chữ, giá, ưu đãi hoặc voice cần tuyệt đối chính xác nên để phần chữ/voice đã duyệt cho hậu kỳ.
- Render một cảnh thử trước. Nếu âm thanh sai, sửa đúng một lớp; đừng thay cả prompt như thay toàn bộ dây điện khi chỉ hỏng một công tắc.
Bắt đầu từ “người xem phải nghe gì?”, không phải “Veo 3 có tạo tiếng được không?”
Trong bài này, câu hỏi quan trọng không phải là model có thể sinh bao nhiêu loại tiếng. Câu hỏi là: nếu tắt hình đi, âm thanh có còn giúp người xem hiểu cảnh đang xảy ra không?
Một cảnh cận chai nước hoa có thể cần tiếng nắp bật khẽ. Một cảnh quán cà phê cần nền ồn rất nhẹ để không biến người pha cà phê thành diễn viên câm. Còn một packshot cuối có thể không cần âm thanh phức tạp nào ngoài nhạc đã được editor kiểm soát. Đó là lựa chọn đạo diễn, không phải cuộc thi nhét từ khóa vào prompt.
Bộ tài liệu học Veo 3.1 bạn cung cấp chia âm thanh native thành bốn thành phần: tiếng động, nhạc nền, không khí môi trường và lời thoại. Đây là một khung làm việc rất dùng được vì nó buộc người viết prompt biết tiếng nào đang làm nghề gì. Trong giao diện Google Flow hiện tại, Google hướng dẫn mô tả cụ thể chủ thể, hành động, môi trường, ánh sáng và phong cách; Flow cũng có các luồng chọn voice reference trong những chế độ/generation được hỗ trợ. Tên model, lựa chọn và điều kiện trên giao diện có thể đổi theo khu vực hoặc tài khoản, nên đừng biến một ảnh chụp màn hình cũ thành luật bất biến.
Bốn lớp âm thanh: dùng lớp nào, bỏ lớp nào?
Không có huy chương cho prompt đủ cả bốn lớp. Cảnh càng ngắn, càng cần tiết kiệm tai người xem.
| Lớp | Nó trả lời câu gì? | Khi nên dùng | Khi nên bỏ hoặc làm ở hậu kỳ |
|---|---|---|---|
| SFX | Hành động vật lý nghe ra sao? | Bấm pump, mở nắp, bước chân, rót nước, lật trang | Khi tiếng đó không giúp hiểu hành động hoặc cần khớp hình tuyệt đối |
| Ambience | Cảnh đang sống trong không gian nào? | Quán cà phê, phố mưa, xưởng, biển, phòng yên tĩnh | Khi nền âm có thể làm đục thoại hoặc packshot |
| Music | Cảnh cần nhịp và cảm xúc gì? | Montage, chuyển cảnh, end frame, clip không có lời | Khi nhạc có nguy cơ lấn tiếng hành động hoặc bản quyền/chấp thuận chưa rõ |
| Voice | Người xem cần được nói thẳng điều gì? | Một câu dẫn chuyện ngắn, chỉ dẫn, lời nhân vật | Khi thông điệp thương mại, giá, claim hoặc phát âm phải chính xác |
Nói nôm na: SFX là bàn tay chạm vào đồ vật; ambience là căn phòng; music là nhịp tim; voice là người đang nói. Nếu cả bốn cùng giành micro, khán giả chỉ nhận được một mớ âm thanh bận rộn.
Viết audio brief trước, rồi mới nhét vào prompt
Trước khi viết tiếng Anh hay tiếng Việt cho model, điền bốn dòng này. Đây là chỗ làm bài toán trở nên dễ sửa hơn hẳn.
MỤC TIÊU CẢNH: Người xem phải thấy/nghe được điều gì?
ÂM THANH CHÍNH: Chỉ một âm thanh cần nổi bật.
ÂM THANH PHỤ: Không gian hoặc nhạc nền rất nhẹ, nếu cần.
ÂM THANH CẤM: Tiếng nào sẽ phá cảnh, che lời hoặc làm sai thương hiệu?
HẬU KỲ: Chữ, claim, giọng hoặc nhạc đã duyệt nào phải được thêm sau?
Ví dụ giả định: bạn làm cảnh chai serum được bấm pump.
MỤC TIÊU CẢNH: Thấy gel ra sạch từ đầu pump, nhãn chai còn nhìn rõ.
ÂM THANH CHÍNH: Một tiếng pump nhỏ, gọn, gần máy quay.
ÂM THANH PHỤ: Phòng studio yên, gần như không có nền.
ÂM THANH CẤM: Nhạc dồn dập, tiếng nói, tiếng xịt kéo dài, hiệu ứng lấp lánh.
HẬU KỲ: Tên sản phẩm và claim đã duyệt được chèn sau.
Chỉ riêng dòng “âm thanh cấm” đã cứu được nhiều cảnh. Nó cho bạn biết thứ gì không được xuất hiện, thay vì chỉ cầu mong model tự hiểu gu của mình.
Khung prompt Veo 3 cho một cảnh có âm thanh
Khóa học dùng một công thức prompt nền: chủ thể + hành động + bối cảnh + phong cách/kỹ thuật. Với audio, đừng biến nó thành bốn đoạn văn tách rời. Gắn phần âm thanh vào đúng hành động và thứ bậc của cảnh.
[SUBJECT / OBJECT]
[ONE CLEAR ACTION]
[ENVIRONMENT + CAMERA]
Audio direction:
- Primary SFX: [one physical sound, tied to the action]
- Ambience: [quiet / light environmental bed]
- Music: [mood and role, or none]
- Voice: [one short approved line, or none]
Avoid: [sounds that would conflict with the scene]
Prompt mẫu 1: cảnh sản phẩm, ưu tiên tiếng thao tác
A close, steady product shot of a clear skincare serum bottle on a clean stone surface.
A hand presses the pump once; transparent gel comes out while the bottle label stays visible.
Soft studio lighting, shallow depth of field, no text on screen.
Audio direction:
- Primary SFX: one small, clean pump click close to the camera.
- Ambience: nearly silent studio room tone.
- Music: none.
- Voice: none.
Avoid: extra spray sounds, spoken words, loud music, sparkling sound effects.
Điểm đáng chú ý ở đây là “one small, clean pump click”. Nó gắn tiếng với hành động duy nhất. Đừng yêu cầu vừa tiếng pump, vừa tiếng nước, vừa tiếng gió, vừa nhạc cinematic trong một cảnh 2 giây. Chai serum không cần diễn ở sân khấu Olympic.
Prompt mẫu 2: cảnh không gian, ưu tiên ambience
Wide shot of a small coffee shop at early morning. A barista slowly places a cup on the counter.
Warm window light, calm camera, natural documentary feel.
Audio direction:
- Primary SFX: a ceramic cup gently touching the counter.
- Ambience: distant low conversation and soft coffee-machine room tone.
- Music: a very subtle acoustic bed, low in the mix.
- Voice: none.
Avoid: loud crowd noise, loud espresso steam, dramatic music, dialogue in the foreground.
Ở cảnh này, ambience tồn tại để làm chiếc cốc có địa chỉ. Nó không được phép tranh vai với chiếc cốc.
Prompt mẫu 3: cảnh dẫn chuyện, ưu tiên lời thoại
Medium shot of a presenter holding a plain product box in a bright, quiet room.
The presenter looks at the camera and says one short line, then pauses.
Audio direction:
- Primary sound: one clear Vietnamese voice line: "Mở hộp gọn, dùng hằng ngày."
- Ambience: quiet room tone.
- Music: none under the spoken line.
- SFX: none.
Avoid: a second speaker, background chatter, music over the voice, extra words.
Với thông điệp bán hàng thật, hãy coi prompt này là cảnh thử nhịp và hình. Giá, điều kiện ưu đãi, thông số sản phẩm và câu claim cần chính xác nên được dùng từ asset đã duyệt trong hậu kỳ. Cái gì sai một chữ là có thể thành việc của cả đội; đừng giao nó cho phần ngẫu hứng.
Khi nào dùng voice native, khi nào làm voice over ngoài?
Nếu một cảnh có một câu rất ngắn và bạn cần kiểm tra cảm xúc, nhịp hình hoặc hướng nhìn, voice trong generation có thể là cách thử nhanh. Tài liệu khóa học cũng đưa ra lựa chọn voice over ngoài khi làm nhiều cảnh và cần giọng đọc ổn định hơn xuyên suốt bản dựng.
Tôi chốt cách làm thực tế thế này:
- Một cảnh ngắn, một câu ngắn: dùng voice trong luồng mà tài khoản hiện tại của bạn hỗ trợ để thử diễn xuất và timing.
- Nhiều cảnh hoặc lời dẫn dài: khóa script, tạo voice từ nguồn đã được phép dùng, rồi dựng ngoài. Đừng hy vọng mỗi lần render tự ra cùng một chất giọng chỉ vì prompt không đổi.
- Nội dung thương mại/nhạy cảm: để thông tin chính xác, tên riêng, giá, điều kiện, cảnh báo và pháp lý ở hậu kỳ. Model không phải bộ phận duyệt nội dung.
Google Flow hiện hướng dẫn thêm voice reference thông qua Video Ingredients cho các video generations dùng ingredients và nêu rõ rằng nếu không thuộc loại generation này, bạn sẽ gặp lỗi. Đó là chi tiết kỹ thuật nên kiểm tra lại trong đúng tài khoản trước khi lập workflow. Nhưng quyết định sản xuất thì không đổi: giọng cần lặp lại qua nhiều cảnh phải có một nguồn/phiên bản được kiểm soát, chứ không chỉ là một câu mô tả hay.
Ba lỗi nghe là biết prompt chưa có người đạo diễn
Cảnh nào cũng có nhạc
Nhạc không phải bột nêm. Có cảnh cần nó để nối nhịp; có cảnh cần bỏ nó để người xem nghe thao tác hoặc câu nói. Nếu nhạc có trong mọi shot, nó sẽ không còn làm nổi điều gì cả.
SFX không bám hành động
Một tiếng “whoosh” có thể nghe rất đã, nhưng nếu hình chỉ là mở nắp chai thì nó đang kể một câu chuyện khác. Trong prompt, gọi tiếng theo hành động vật lý: *cap clicks open*, *cup touches counter*, *fabric rustles as the jacket moves*. Cụ thể không phải để khoe kỹ thuật; cụ thể để khi sai bạn biết sửa cái gì.
Để voice, nhạc và ambience cùng ở foreground
Đây là lỗi khiến người xem nghe mà mệt dù không biết vì sao. Chọn một lớp chính. Nếu là voice, hạ nhạc và nền. Nếu là SFX, đừng bắt nhân vật nói cả đoạn. Phần nghe cũng cần khoảng thở, giống phần hình cần khoảng trống cho logo.
Quy trình duyệt 5 phút cho một cảnh trước khi chạy hàng loạt
1. Đọc audio brief thành tiếng. Nếu bạn không diễn đạt được âm thanh chính trong một câu, cảnh đang ôm quá nhiều việc.
2. Render một version. Chỉ kiểm hành động, âm thanh chính và độ sạch của nền.
3. Nếu sai, khoanh đúng lớp sai: SFX, ambience, music hay voice.
4. Đổi một biến. Ví dụ bỏ nhạc trước khi đổi camera; giảm tiếng nền trước khi viết lại thoại.
5. Lưu version đã đạt cùng prompt, asset, ngày render và ghi chú hậu kỳ.
Quy trình này không hứa clip đầu tiên sẽ hoàn hảo. Nó làm một việc hữu ích hơn: biến lỗi thành thứ có tên, có vị trí và có cách sửa. Khi đó bạn không còn ném lại prompt vào máy như ném đồng xu xuống giếng.
Nếu cảnh của bạn còn trôi nhân vật hoặc sản phẩm, hãy xử lý phần hình trước bằng ảnh tham chiếu trong Google Flow. Còn nếu đang viết prompt chung cho một shot, hướng dẫn prompt Veo 3 cho người mới sẽ giúp bạn dựng cấu trúc cảnh. Bài này chỉ giữ một việc: làm cho cảnh đó nghe đúng việc nó đang làm.
Checklist trước khi xuất video
- Âm thanh chính có bám vào một hành động nhìn thấy được không?
- Nhạc có đang che một thông tin quan trọng không?
- Có lớp nào thừa chỉ vì “nghe cho hoành tráng” không?
- Voice, tên sản phẩm và claim đã được duyệt bằng nguồn đúng chưa?
- Bạn có thể chỉ ra cần sửa gì nếu bản render nghe sai không?
Nếu trả lời được năm câu này, bạn có một cảnh đáng render. Âm thanh tốt không cần cố làm người xem chú ý đến nó. Nó chỉ khiến hình ảnh có lý do để tồn tại.
Nguồn và ngày kiểm tra
Cập nhật lần cuối: 02/10/2026.
- Create videos in Google Flow – Google Flow Help, kiểm tra ngày 02/10/2026: prompt chi tiết, ingredients, frames và điều kiện voice references.
- Veo 3.1 – Google DeepMind, kiểm tra ngày 02/10/2026.
- Bộ học liệu do owner cung cấp qua NotebookLM: *Học làm video VEO3.1 từ A-Z*, đặc biệt Bài 1.4-1.8 (prompt, góc máy, chuyển động, ánh sáng, ống kính), Bài 2.1 (âm thanh native), Bài 2.2 (voice over ngoài). Các workflow của khóa học được dùng như tài liệu thực hành; không dùng để khẳng định giá, quyền truy cập, giới hạn hoặc kết quả của phiên bản/giao diện hiện tại.
