Tạo ảnh, video và giọng nói bằng API AI: hướng dẫn thực chiến

Hướng dẫn dùng API tạo ảnh, tạo video và text-to-speech tiếng Việt: lệnh curl chạy ngay, cách viết prompt năm lớp cho ảnh, mô tả chuyển động cho video, mẹo lồng tiếng và cách không đốt tiền vào các lần thử hỏng.

Phần lớn hướng dẫn về API AI dừng lại ở chat. Nhưng với một đội làm nội dung, thứ tạo ra giá trị hằng ngày lại là ba nhóm khác: tạo ảnh, tạo video và chuyển văn bản thành giọng nói. Bài này đi qua cả ba, bằng những lệnh chạy được ngay, kèm phần quan trọng nhất mà tài liệu kỹ thuật thường bỏ qua — cách viết prompt và cách không đốt tiền vào các lần thử hỏng.

1. Media khác chat ở chỗ nào

Ba điểm khác biệt quyết định cách bạn viết code.

Thứ nhất, cách tính tiền. Chat tính theo token. Ảnh tính theo mỗi lần tạo và theo độ phân giải. Video tính theo độ dài. Giọng nói tính theo số ký tự văn bản. Nghĩa là bạn không thể ước lượng chi phí bằng độ dài prompt.

Thứ hai, thời gian chạy. Một câu trả lời chat mất vài giây. Một ảnh mất mươi giây đến một phút. Một video mất vài phút. Vì vậy video và giọng nói chạy theo cơ chế job: bạn gửi yêu cầu, nhận về một mã công việc, rồi hỏi trạng thái cho tới khi xong. Đừng thiết kế giao diện bắt người dùng ngồi chờ một request treo.

Thứ ba, khả năng tái lập. Cùng một prompt chat cho ra kết quả khá giống nhau. Cùng một prompt ảnh có thể cho ra hai bức hoàn toàn khác. Hãy dự tính việc phải tạo vài phương án rồi chọn.

2. Tạo ảnh

Lệnh tối thiểu:

curl https://taikhoangiare.vn/v1/images/generations \
  -H "Authorization: Bearer $TKGR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "...",
    "prompt": "quán cà phê vỉa hè Hà Nội buổi sáng sớm, ánh nắng xiên, phong cách ảnh phim",
    "size": "1k"
  }'

Hai tham số hay gây lỗi cho người mới:

• size là bắt buộc với nhiều model. Nếu thiếu, API trả về 400 kèm danh sách kích thước hợp lệ, thường là 1k và 2k. Hãy đọc thông báo lỗi thay vì đoán.
• Độ phân giải cao tốn nhiều credit hơn và chậm hơn nhiều. Quy trình hợp lý: dò prompt ở 1k, chỉ dựng lại ở 2k khi đã ưng bố cục.

Danh sách model ảnh khả dụng cùng giá từng model xem tại /v1/models?kind=image hoặc trên trang Model & giá.

3. Viết prompt ảnh cho ra kết quả dùng được

Đây là phần tạo ra khác biệt lớn nhất, lớn hơn cả việc chọn model. Một prompt tốt thường có năm lớp thông tin, xếp theo thứ tự từ quan trọng nhất.

1. Chủ thể. Cái gì, đang làm gì. "Một người phụ nữ bán hoa đang xếp hoa vào giỏ xe đạp."
2. Bối cảnh. Ở đâu, khi nào. "Phố cổ Hà Nội, sáng sớm mùa thu."
3. Ánh sáng. Thứ quyết định ảnh trông "thật" hay không. "Ánh nắng xiên thấp, sương mờ, tương phản dịu."
4. Phong cách và ống kính. "Ảnh phim 35mm, hạt nhẹ, độ sâu trường ảnh nông."
5. Bố cục. "Toàn thân, chủ thể lệch trái theo quy tắc một phần ba."

Ba lỗi lặp lại nhiều nhất:

• Prompt quá ngắn. "Một cái xe đạp đẹp" để model tự quyết định mọi thứ, và kết quả sẽ khác nhau mỗi lần.
• Prompt chồng chất tính từ. Mười lăm từ như "tuyệt đẹp, siêu thực, điện ảnh, 8K, đoạt giải" không cộng dồn chất lượng; chúng làm loãng tín hiệu.
• Mô tả bằng phủ định. "Không có chữ trong ảnh" thường không hiệu quả bằng việc mô tả rõ cái bạn muốn thấy.

Mẹo thực dụng: dùng chính model ngôn ngữ để viết prompt ảnh. Đưa cho nó ý tưởng thô và yêu cầu trả về ba biến thể prompt theo năm lớp ở trên. Chi phí gần như bằng không và chất lượng ảnh tăng rõ.

4. Đưa ảnh của bạn vào quy trình

Nhiều tác vụ cần ảnh đầu vào: dựng video từ ảnh tĩnh, chỉnh sửa, hoặc giữ nguyên nhân vật giữa nhiều khung hình. Tải ảnh lên trước, lấy về đường dẫn, rồi tham chiếu nó trong yêu cầu tạo:

curl https://taikhoangiare.vn/v1/upload/media \
  -H "Authorization: Bearer $TKGR_KEY" \
  --data-binary @anh-goc.jpg

Endpoint nhận ảnh JPG, PNG, WebP, GIF cũng như video và âm thanh. Trên Bảng điều khiển, phần tạo ảnh và tạo video có sẵn vùng kéo thả, nên bạn kéo file từ máy vào là xong, không cần gõ lệnh.

5. Tạo video

Video chạy theo hai bước. Gửi yêu cầu:

curl https://taikhoangiare.vn/v1/video/generate \
  -H "Authorization: Bearer $TKGR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "...",
    "prompt": "máy quay lia chậm dọc bờ biển lúc hoàng hôn, sóng nhẹ",
    "image": "https://.../anh-goc.jpg"
  }'

Phản hồi trả về một mã công việc. Hỏi trạng thái cho tới khi xong:

curl https://taikhoangiare.vn/v1/jobs/JOB_ID \
  -H "Authorization: Bearer $TKGR_KEY"

Trạng thái đi qua queued → running → succeeded hoặc failed. Hãy hỏi mỗi năm đến mười giây, đừng hỏi mỗi giây — việc đó không làm video xong nhanh hơn.

Về nội dung prompt video, khác biệt lớn nhất so với ảnh là bạn phải mô tả chuyển động. Một prompt video tốt trả lời ba câu hỏi: máy quay di chuyển thế nào (lia ngang, đẩy vào, giữ nguyên), chủ thể di chuyển thế nào, và điều gì thay đổi từ đầu đến cuối cảnh. Prompt không có chuyển động thường cho ra một ảnh tĩnh rung nhẹ.

Lưu ý thực tế: các model video hiện nay làm rất tốt cảnh vài giây với một hành động đơn giản, và làm rất tệ cảnh có nhiều nhân vật tương tác hoặc có chữ. Hãy dựng video dài bằng cách ghép nhiều cảnh ngắn thay vì yêu cầu một cảnh phức tạp.

6. Chuyển văn bản thành giọng nói

curl https://taikhoangiare.vn/v1/text-to-speech \
  -H "Authorization: Bearer $TKGR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "voice_id": 9008,
    "text": "Xin chào, đây là bản thử giọng đọc tiếng Việt."
  }'

Thư viện có hơn một trăm giọng, gồm giọng nam và nữ tiếng Việt, giọng tiếng Anh và một số ngôn ngữ khác. Danh sách đầy đủ nằm ở /v1/voice-library, và trên web bạn nghe thử trực tiếp từng giọng trước khi tốn credit — đây là bước nên làm, vì cảm nhận về giọng đọc rất chủ quan và khó đoán từ tên gọi.

Giá tính theo số ký tự, nên chi phí ước lượng được chính xác trước khi gửi. Vài điểm thực tế khi làm lồng tiếng tiếng Việt:

• Viết số bằng chữ. "2026" có thể đọc thành "hai nghìn không trăm hai mươi sáu" hoặc "hai không hai sáu" tuỳ ngữ cảnh. Viết rõ cách bạn muốn.
• Chấm câu quyết định nhịp. Dấu phẩy tạo ngắt ngắn, dấu chấm tạo ngắt dài. Một đoạn văn không dấu câu sẽ được đọc liền mạch đến mức khó nghe.
• Tên riêng nước ngoài nên phiên âm nếu bạn muốn chắc chắn về cách phát âm.
• Chia văn bản dài thành đoạn. Vừa dễ sửa lại một đoạn hỏng, vừa tránh phải tạo lại toàn bộ khi chỉ sai một câu.

Endpoint cũng nhận phụ đề dạng SRT, hữu ích khi bạn cần giọng đọc khớp đúng mốc thời gian của video có sẵn.

7. Ghép thành một quy trình hoàn chỉnh

Một ví dụ sát thực tế: dựng video ngắn giới thiệu sản phẩm, toàn bộ bằng API và một khoá duy nhất.

1. Kịch bản. Gọi model ngôn ngữ, yêu cầu viết lời thoại 90 giây chia thành sáu cảnh, mỗi cảnh kèm một câu mô tả hình ảnh.
2. Ảnh khung. Với mỗi cảnh, gọi API tạo ảnh ở 1k để duyệt bố cục, chọn phương án ưng ý rồi dựng lại ở 2k.
3. Chuyển động. Đưa từng ảnh đã chọn vào API video kèm prompt mô tả chuyển động máy quay.
4. Lồng tiếng. Gửi lời thoại từng cảnh sang text-to-speech với cùng một giọng để giữ sự nhất quán.
5. Ghép. Dùng ffmpeg nối video và âm thanh theo thứ tự cảnh.

Điểm đáng nói không phải là từng bước — mà là cả năm bước dùng chung một API key, một số dư và một bảng theo dõi chi phí. Bạn nhìn được tổng chi phí của một video trước khi quyết định làm mười video tiếp theo.

8. Không đốt tiền vào các lần thử

• Dò ở độ phân giải thấp. Ảnh 1k đủ để đánh giá bố cục, ánh sáng và bố trí nhân vật.
• Dò prompt video bằng ảnh trước. Nếu khung hình tĩnh đã sai, video chắc chắn sai, và video đắt hơn nhiều lần.
• Nghe thử giọng trước khi tạo cả bài. Đừng tạo mười phút lồng tiếng rồi mới phát hiện giọng không hợp.
• Lưu lại prompt đã cho kết quả tốt. Một thư mục prompt mẫu theo phong cách là tài sản, và nó rút ngắn thời gian mỗi dự án sau.
• Theo dõi bảng chi phí. Mỗi job hiện rõ credit đã trừ; sau vài dự án bạn sẽ có định mức khá chính xác cho từng loại nội dung.

9. Tóm lại

Ảnh, video và giọng nói không khó hơn chat về mặt kỹ thuật — chỉ khác ở chỗ chúng chạy bất đồng bộ và tính tiền theo đơn vị khác. Thứ thực sự quyết định chất lượng đầu ra là prompt: năm lớp thông tin cho ảnh, mô tả chuyển động cho video, và chấm câu cùng cách viết số cho giọng nói. Với một tài khoản duy nhất bao trọn cả ba, cộng 50 credit tặng khi đăng ký, bạn chạy thử được toàn bộ quy trình trước khi cam kết ngân sách.

← Về trang Blog