Cách viết Prompt Veo 3 cho video Faceless: Công thức chuẩn để không lệch cảnh, lệch nhân vật

Trước khi sửa prompt, phải hiểu cơ chế. Veo không "nhớ" clip bạn vừa dựng. Mỗi lần bấm generate là một lần mô hình đọc lại prompt từ đầu và tưởng tượng lại toàn bộ khung hình từ con số 0. Nếu prompt của cảnh 5 chỉ ghi "người đàn ông tiếp tục bước đi", mô hình không biết "người đàn ông" đó là ai — nó sẽ tự bịa ra một người mới dựa trên phần mô tả ít ỏi bạn đưa. Đó là lý do nhân vật đổi mặt, đổi tuổi, đổi màu áo giữa hai cảnh liền nhau dù bạn cảm thấy mình đã tả "y như cũ".

Ba nguyên nhân phổ biến nhất khiến prompt ra sai:

• Prompt quá ngắn, thiếu ràng buộc — mọi chi tiết bạn không nói đều bị mô hình tự quyết. Prompt càng mơ hồ, biên độ "sáng tạo" của AI càng lớn, và mỗi lần chạy lại ra một kiểu khác.
• Tả cảm xúc thay vì tả hình ảnh — viết "trông thật cô đơn và tuyệt vọng" thì mô hình không có gì để dựng. Phải tả cái máy quay nhìn thấy: "ngồi một mình ở mép giường, hai vai chùng xuống, nhìn xuống sàn". Nguyên tắc này thường được gọi là show, don't tell.
• Nhồi quá nhiều việc vào 8 giây — một clip Veo chỉ dài khoảng 8 giây. Nếu bạn viết nhân vật bước vào phòng, ngồi xuống, mở laptop rồi quay sang nói chuyện, mô hình sẽ làm ẩu cả bốn hành động hoặc bỏ bớt. Mỗi cảnh chỉ nên có một hành động chính.

Một lưu ý nữa với kênh faceless: càng nhiều nhân vật trong khung hình, xác suất lệch càng tăng theo cấp số nhân. Kinh nghiệm thực tế của nhiều người làm là giới hạn tối đa hai nhân vật xuất hiện rõ mặt trong một cảnh; đám đông thì để ở hậu cảnh, mờ nét, không mô tả chi tiết.

Google không công bố một "cú pháp chính thức" nào cho prompt Veo. Nhưng qua thực tế dựng hàng nghìn clip, cấu trúc cho kết quả ổn định nhất là chia prompt thành bảy khối, viết liền mạch thành một đoạn văn tả cảnh (hoặc tách dòng theo nhãn cũng được):

So sánh nhanh. Prompt yếu: một người đàn ông ngồi trong quán cà phê buồn bã. Prompt theo công thức: Medium close-up, người đàn ông châu Á 35 tuổi, tóc ngắn rẽ ngôi, râu quai nón tỉa gọn, áo khoác dạ xám, ngồi cạnh cửa sổ quán cà phê cũ ở Tokyo chiều muộn. Anh chậm rãi lật một trang sổ tay, dừng lại, ngẩng lên nhìn mưa ngoài kính. Máy quay dolly-in rất chậm. Ánh sáng tự nhiên hắt từ trái, tông ấm, bóng mềm. Cinematic 35mm, DOF nông, hạt phim nhẹ. Âm thanh: tiếng mưa đều, tiếng máy pha cà phê xa xa, không lời thoại.

Hai prompt này tốn credit như nhau, nhưng cái thứ hai gần như luôn ra đúng ngay lần đầu. Với video faceless, "đúng ngay lần đầu" chính là tiền.

Mẹo khi viết: bắt đầu bằng bản đơn giản để xem mô hình hiểu ý bạn thế nào, rồi thêm dần khối 4–5–6. Nếu thêm chi tiết mà kết quả xấu đi, chi tiết đó đang mâu thuẫn với chi tiết khác (ví dụ vừa "ngược sáng mạnh" vừa "thấy rõ nét mặt").

Bảy khối thông tin bắt buộc trong một prompt Veo 3.

Đây là phần quyết định video của bạn có bị lộ "mùi AI" hay không. Cách làm: trước khi viết cảnh nào, bạn soạn sẵn một đoạn mô tả nhân vật cố định — gọi là character bible — rồi copy nguyên xi đoạn đó vào đầu mỗi prompt, không sửa một chữ. Chỉ thay phần hành động, bối cảnh và camera.

Checklist tối thiểu cho một nhân vật:

• Nhân dạng cơ bản — giới tính, độ tuổi cụ thể (ghi "34 tuổi" thay vì "trung niên"), sắc tộc, dáng người, chiều cao tương đối.
• Khuôn mặt — kiểu tóc và màu tóc, râu, màu mắt, đặc điểm nhận dạng riêng (nốt ruồi, sẹo, kính gọng tròn đen).
• Trang phục — từng món, kèm màu và chất liệu: "áo sơ mi lanh trắng xắn tay, quần kaki nâu, giày da bò cũ". Không ghi "ăn mặc lịch sự".
• Phụ kiện cố định — đồng hồ, ba lô, chiếc khăn quàng... Đây là những thứ khán giả nhớ và cũng là thứ AI hay quên nhất.
• Thần thái mặc định — "ánh mắt điềm tĩnh, ít biểu cảm" giúp giảm việc AI vẽ ra những biểu cảm quá đà không khớp giọng đọc.

Viết xong, gom lại thành một câu duy nhất và đặt tên biến trong đầu, ví dụ [HOST]. Mọi prompt sau đó đều bắt đầu bằng đoạn [HOST] đầy đủ. Đừng bao giờ viết tắt kiểu "vẫn người đàn ông ở cảnh trước" — Veo không có bộ nhớ giữa các lần chạy.

Ngoài mô tả bằng chữ, bạn nên tận dụng thêm hai tính năng có sẵn ngay cả trên tài khoản Flow miễn phí: Ingredients-to-Video (đưa ảnh tham chiếu nhân vật vào làm nguyên liệu) và Frames-to-Video (lấy khung hình cuối của cảnh trước làm khung đầu của cảnh sau). Kết hợp ảnh tham chiếu + character bible bằng chữ cho tỷ lệ trùng khớp cao hơn hẳn so với chỉ dùng một trong hai. Chi tiết quy trình này có trong bài cách giữ nhân vật đồng nhất khi làm video AI.

Một video faceless dài 5–8 phút cần khoảng 40–60 clip 8 giây. Viết một prompt đẹp thì dễ; viết 50 prompt mà nhân vật, tông màu, ống kính, chất phim không đổi mới là việc khó. Đây cũng là chỗ gần như không tài liệu nào nói tới, vì đa số chỉ hướng dẫn cho một clip đơn lẻ.

Cách tổ chức hiệu quả là tách prompt thành hai tầng:

• Tầng cố định (global) — character bible, bảng màu, phong cách phim, loại ống kính, tông ánh sáng chung, ngôn ngữ âm thanh. Tầng này viết một lần, dán vào mọi cảnh.
• Tầng thay đổi (per-scene) — hành động, bối cảnh cụ thể, cỡ cảnh và chuyển động camera, tiếng động riêng của cảnh đó.

Nhiều người tổ chức hai tầng này bằng cấu trúc giống JSON cho dễ nhìn — kiểu {"style": "...", "character": "...", "scenes": [{"id": 1, "action": "...", "camera": "..."}]} kèm một trường continuity ghi rõ "giữ nguyên trang phục và ánh sáng của scene trước". Cần nói rõ: đây không phải định dạng chính thức của Google, Veo vẫn đọc nó như văn bản thường. Nó chỉ là mẹo giúp bạn không quên trường nào và dễ nhân bản hàng loạt. Bạn không cần biết lập trình để dùng.

Rủi ro lớn nhất khi làm tay: mỗi cảnh là một lần AI dựng lại nhân vật từ đầu, nên chỉ cần bạn gõ nhầm "áo khoác dạ xám" thành "áo khoác xám" ở cảnh 23 là khán giả thấy nhân vật thay đồ. Với 50 cảnh, xác suất sai gần như chắc chắn.

Phần này có thể làm nhanh hơn nếu bạn có một quy trình chia cảnh rõ ràng ngay từ đầu: xác định trước các mốc lời kể, ghi chú nhân vật/bối cảnh cần giữ nguyên cho từng đoạn, rồi mới bắt tay viết prompt hoặc đi tìm ảnh, thay vì vừa viết vừa đoán xem cảnh nào sẽ bị lệch. Cách chia cảnh thủ công, nếu bạn muốn tự làm trước, có trong bài chia kịch bản video AI thành cảnh 8 giây.

Credit là ràng buộc thật sự của người làm faceless, không phải ý tưởng. Theo thông tin cộng đồng ghi nhận (con số có thể thay đổi theo chính sách của Google, bạn nên kiểm tra lại trong tài khoản của mình):

Tài khoản miễn phí thường được cấp khoảng 50 credit mỗi ngày, reset sau 24 giờ — tức chỉ đủ vài clip Fast và chưa đủ cho một clip Quality. Mỗi clip cũng mất trung bình vài phút xử lý. Vì vậy chiến lược tiết kiệm nằm ở quy trình, không nằm ở việc "cầu may":

• Test prompt ở chế độ rẻ nhất trước — duyệt bố cục, góc máy, ánh sáng bằng Lite; chỉ khi ưng mới chạy lại đúng prompt đó ở Quality.
• Phân bổ chất lượng theo tầm quan trọng — 5 giây đầu video và các cảnh cận mặt để Quality, phần còn lại Fast. Khán giả không phân biệt được ở cảnh toàn.
• Sửa một biến mỗi lần chạy lại — nếu đổi cùng lúc camera, ánh sáng và trang phục, bạn sẽ không bao giờ biết cái gì làm hỏng cảnh, và cứ thế đốt credit.
• Chuyển sang slide ảnh khi hết quota — với các đoạn kể chuyện, dùng ảnh tĩnh có chuyển động nhẹ (ken burns) ghép theo nhịp lời đọc vẫn giữ được mạch video, chi phí gần như bằng không. Nhiều kênh faceless dạng kể chuyện chạy 60–70% thời lượng bằng cách này.
• Ghi nhật ký prompt — lưu lại prompt nào cho kết quả tốt kèm ảnh chụp màn hình. Sau 2–3 video bạn sẽ có một thư viện prompt dùng lại được, không phải mò từ đầu.

• Nhân vật đổi mặt giữa hai cảnh liền nhau — kiểm tra xem hai prompt có giống nhau tuyệt đối ở phần mô tả nhân vật không. Chỉ cần đổi thứ tự tính từ hoặc bỏ sót một phụ kiện là đủ để AI vẽ lại người khác. Thêm ảnh tham chiếu nếu vẫn lệch.
• Video nối bị mất tiếng — lỗi này hay xảy ra khi thao tác extend rơi vào model đời cũ không hỗ trợ âm thanh. Kiểm tra model đang chọn trước khi extend; nếu clip đã mất tiếng, dựng lại thay vì cố sửa hậu kỳ.
• Khẩu hình tiếng Việt không khớp — Veo đồng bộ khẩu hình tiếng Anh tốt hơn tiếng Việt. Nếu bắt buộc có thoại tiếng Việt, giữ câu thật ngắn (khoảng 5–7 từ) và ưu tiên cảnh không cận mặt. Với kênh view ngoại thì vấn đề này gần như biến mất.
• Không truy cập được / lỗi vùng — Veo mới mở chính thức ở một số quốc gia, người dùng tại Việt Nam thường phải đổi vùng tài khoản hoặc dùng IP nước ngoài. Đây là vấn đề hạ tầng, không phải lỗi prompt.
• Cảnh ra đúng nhưng nhịp phim rời rạc — thường do các cảnh liên tiếp dùng cùng một cỡ cảnh. Xen kẽ toàn – trung – cận theo nhịp lời đọc, và tránh hai cảnh liền nhau cùng hướng chuyển động camera.
• Chữ trong khung hình bị méo — mọi mô hình video hiện nay đều yếu khoản render chữ. Đừng bắt Veo viết chữ; thêm chữ ở khâu hậu kỳ.

Nguyên tắc chung: khi một cảnh chạy ba lần vẫn sai, đừng chạy lần thứ tư. Viết lại prompt theo hướng đơn giản hơn, bớt một yếu tố (bớt nhân vật, bớt chuyển động camera, bớt hành động). Gần như lúc nào cảnh cũng "khó dựng" vì bạn yêu cầu quá nhiều thứ trong 8 giây.

Nên viết prompt bằng tiếng Anh hay tiếng Việt?

Tiếng Anh cho kết quả ổn định hơn, đặc biệt với các thuật ngữ điện ảnh (medium close-up, dolly-in, golden hour, shallow depth of field). Bạn hoàn toàn có thể nghĩ bằng tiếng Việt rồi dịch phần mô tả sang tiếng Anh — không cần viết văn hay, chỉ cần dùng đúng từ khoá kỹ thuật.

JSON prompt có bắt buộc không?

Không. Veo không yêu cầu định dạng đó và Google cũng không công bố chuẩn JSON chính thức. Nó chỉ là cách sắp xếp thông tin cho dễ kiểm soát khi bạn làm nhiều cảnh. Một đoạn văn tả cảnh đủ bảy khối cho kết quả tương đương.

Một clip tối đa bao nhiêu giây?

Khoảng 8 giây mỗi lần sinh. Muốn dài hơn phải nối nhiều clip hoặc dùng tính năng extend. Lưu ý mỗi lần nối là một lần AI dựng lại nhân vật, nên rủi ro lệch tăng dần theo số lần nối — đó là lý do nên chuẩn bị sẵn bộ prompt nhất quán từ đầu thay vì nối ngẫu hứng.

Prompt cho một kịch bản dài khác gì prompt đơn lẻ?

Khác ở chỗ bạn phải quản lý tính liên tục: nhân vật, trang phục, tông màu, ống kính, thời gian trong ngày. Prompt đơn lẻ chỉ cần đẹp; prompt cho kịch bản dài cần giống nhau ở tầng cố định và chỉ khác ở tầng hành động.

Chưa biết làm video faceless thì bắt đầu từ đâu?

Chọn ngách và dựng quy trình trước, đừng học prompt trước. Prompt chỉ là một mắt xích. Bạn có thể xem bộ công cụ cần thiết cho người mới làm YouTube không lộ mặt và bài về CPM view ngoại để biết công sức dựng video sẽ quy đổi thành gì.

Tóm lại, cách viết prompt Veo 3 cho video faceless gói gọn trong ba việc: viết đủ bảy khối thông tin thay vì tả chung chung, khoá nhân vật bằng một đoạn mô tả cố định dán nguyên vào mọi cảnh, và tách prompt thành tầng cố định – tầng thay đổi để giữ nhất quán qua hàng chục cảnh. Làm được ba việc đó, tỷ lệ chạy lại giảm mạnh, credit dùng đúng chỗ và video bớt hẳn "mùi AI".

Phần khó nhất vẫn là duy trì sự khớp giữa lời kể và hình ảnh ở quy mô nhiều tập mỗi video, tuần này qua tuần khác, nhiều kênh cùng lúc. Đây là phần việc DC23 AI Studio đảm nhận: từ giọng đọc và kịch bản của bạn, app tự chia cảnh khớp lời kể, ra danh sách ảnh cần có, làm đồ hoạ số liệu và phụ đề, cho sửa lại bằng chat tiếng Việt, rồi xuất file MP4 1080p đã chuẩn âm lượng YouTube. Bạn có thể xem cách công cụ này ghép vào quy trình tại quy trình sản xuất hoặc đọc thêm ở mục Tài liệu.