Google Veo 3 Tạo Video: Đạo Diễn AI Tích Hợp Sẵn Hội Thoại và Hiệu Ứng Âm Thanh
Veo 3 của Google là mô hình AI đầu tiên trên thế giới đồng thời tạo ra giọng nói hội thoại, hiệu ứng âm thanh môi trường và nhạc nền ngay trong giai đ...
Veo 3 của Google là mô hình AI đầu tiên trên thế giới đồng thời tạo ra giọng nói hội thoại, hiệu ứng âm thanh môi trường và nhạc nền ngay trong giai đoạn tạo video. Trước đây tất cả công cụ tạo video AI chỉ có thể xuất ra hình ảnh không có tiếng, việc lồng tiếng và phối nhạc cần sử dụng công cụ tạo âm thanh bổ sung và một lượng lớn chỉnh sửa thủ công. Veo 3 hợp nhất việc tạo hình ảnh và âm thanh trong cùng một mô hình đa phương thức, tự động khớp âm thanh đồng bộ theo nội dung hình ảnh, thay đổi quy trình sản xuất video AI từ gốc rễ. Kiến Trúc Kỹ Thuật Tạo Âm Thanh Tích Hợp Veo 3 sử dụng kiến trúc Transformer đa phương thức được phát triển bởi Google DeepMind, xử lý đồng thời tín hiệu hình ảnh và tín hiệu âm thanh trong một mô hình duy nhất. Theo trang kỹ thuật chính thức của DeepMind , mô hình học được mối quan hệ tương ứng chính xác giữa các yếu tố hình ảnh và yếu tố âm thanh trong giai đoạn huấn luyện: tiếng bước chân của người đi bộ đồng bộ với nhịp bước, chuyển động miệng của giọng hội thoại khớp với dạng sóng âm thanh, âm thanh môi trường (tiếng mưa rơi, tiếng ồn giao thông, tiếng nói chuyện nền trong quán cà phê) khớp với các yếu tố hình ảnh của cảnh. Trong thử nghiệm thực tế, khi tạo video "hai người trò chuyện tại ghế cạnh cửa sổ quán cà phê ngày mưa", các lớp âm thanh bao gồm: tiếng mưa rơi trên cửa kính (điều chỉnh âm lượng theo cường độ mưa), tiếng nói thì thầm nền bên trong quán cà phê và tiếng máy pha cà phê hoạt động, giọng hội thoại của hai nhân vật (có thể chỉ định ngôn ngữ là tiếng Trung hoặc tiếng Anh), tiếng đồ sứ va chạm khi nhân vật nâng cốc cà phê lên rồi đặt xuống bàn. Độ chính xác đồng bộ giữa tất cả hiệu ứng âm thanh và chuyển động hình ảnh nằm trong 50 mili giây, tai người gần như không thể nhận ra độ trễ. Đánh Giá Chất Lượng Video Đa Chiều Chất Lượng Hình Ảnh và Biểu Hiện Thị Giác Veo 3 hỗ trợ đầu ra tối đa 1080p, độ dài video tối đa mỗi lần tạo là 8 giây. Về độ tự nhiên của chuyển động nhân vật, hiệu suất của Veo 3 gần bằng Kling 3.0, cá
相關工具書
Đã được xem xét và xác minh bởi FeiYueh · Lần xác minh gần nhất 2026-07-23. Independently maintained — not AI-generated boilerplate.
← Back to Blog