Tạo video hội thoại bằng Veo 3: 2 nhân vật nói chuyện trong một cảnh (2026)

Hầu hết công cụ video AI đều có thể làm cho một người mấp máy môi. Gần như không công cụ nào làm được cảnh hai người trò chuyện thật sự: đối đáp qua lại, phản ứng với nhau, mỗi người một giọng riêng và khẩu hình khớp đúng từng từ. Chính tính năng này khiến Veo 3 bớt giống một công cụ tạo video và giống một đoàn làm phim thu nhỏ hơn. Đây cũng là tính năng nhiều người làm sai nhất, vì hội thoại hai nhân vật không phải là "khó gấp đôi một nhân vật" mà là một kỷ luật viết prompt hoàn toàn khác.

Bài viết này là cẩm nang thực hành để tạo video hội thoại hai nhân vật trong Veo 3: cách cấu trúc prompt để mô hình biết ai nói lúc nào, cách giữ cho mỗi giọng nói khác biệt, cách để khẩu hình (lip-sync) luôn khớp, và cách ghép một đoạn trao đổi dài hơn khi một clip 8 giây là chưa đủ. Mọi nội dung bên dưới đều có thể sao chép dùng ngay, kèm một ví dụ hoàn chỉnh bạn có thể chạy ngay hôm nay.

Nếu bạn mới chỉ từng viết prompt cho một người nói, hãy bắt đầu với hướng dẫn viết prompt âm thanh gốc cho Veo 3 để nắm kiến thức nền về âm thanh, rồi quay lại đây học phần dành cho hai nhân vật.

Vì sao hội thoại hai nhân vật là một kỹ năng riêng

Khi bạn yêu cầu một nhân vật nói, Veo 3 làm việc rất nhẹ nhàng: một khuôn mặt, một giọng nói, một câu thoại. Khẩu hình khớp vì không có gì mơ hồ về việc ai đang nói. Thêm người nói thứ hai vào, 3 vấn đề mới xuất hiện cùng lúc:

1. Gán lời thoại — mô hình phải quyết định âm thanh thuộc về khuôn mặt nào ở từng khung hình. Nếu hai nhân vật trông hoặc nghe giống nhau, Veo 3 sẽ dàn trải lời thoại lên cả hai cái miệng hoặc gắn nhầm giọng của người này cho người kia.
2. Luân phiên lượt nói — một cuộc trò chuyện thật có nhịp điệu: A nói, B phản ứng, B đáp lại, A ngắt lời. Veo 3 không tự có sẵn điều này. Nếu bạn ném hai câu thoại vào prompt mà không dàn cảnh, mô hình thường cho hai nhân vật nói chồng lên nhau hoặc để một người đứng đơ trong khi người kia nói.
3. Tách biệt giọng nói — hai giọng nghe giống nhau sẽ giống như một người tự nói cả hai vế của cuộc trò chuyện. Bản sắc giọng nói riêng biệt mới khiến người xem tin đây là cảnh của hai người.

Cách xử lý cả 3 vấn đề đều chung một ý tưởng: loại bỏ sự mơ hồ. Bạn nói với Veo 3 chính xác mỗi nhân vật là ai, ai nói câu nào, và người còn lại làm gì trong lúc lắng nghe. Phần còn lại của bài sẽ hướng dẫn cách làm điều đó thật bài bản.

Cấu trúc prompt cốt lõi cho hai người nói

Một prompt hội thoại hai nhân vật đáng tin cậy gồm 5 khối, theo thứ tự sau:

1. Cảnh + bối cảnh — họ ở đâu, không khí và ánh sáng ra sao.
2. Định nghĩa nhân vật A — ngoại hình, trang phục, mô tả giọng nói.
3. Định nghĩa nhân vật B — ngoại hình, trang phục, mô tả giọng nói (cố ý làm khác với A).
4. Đoạn trao đổi — mỗi câu thoại gắn với tên hoặc một dấu hiệu nhận dạng hình ảnh riêng, kèm một nhịp phản ứng (reaction beat) giữa các câu.
5. Chỉ đạo máy quay + âm thanh — loại cảnh quay, ai xuất hiện trên màn hình, âm thanh môi trường.

Đây là khung sườn:

Bối cảnh: [location], [time of day], [mood/lighting].

Nhân vật A — [name]: [distinct appearance + wardrobe]. Giọng: [pitch, accent, pace, tone].
Nhân vật B — [name]: [clearly different appearance + wardrobe]. Giọng: [a contrasting pitch, accent, pace, tone].

Đoạn trao đổi:
[Name A] nói, "[short line]." [Name A] [physical reaction/gesture].
[Name B] [reaction while listening], rồi đáp, "[short line]."
[Name A] [final beat], "[short line]."

Máy quay: [shot type — two-shot / over-the-shoulder / shot-reverse-shot]. Khẩu hình khớp tự nhiên, giọng nói khác biệt, luân phiên lượt nói rõ ràng. Âm thanh môi trường: [room tone / background sound].

Hai quy tắc quyết định thành bại của mẫu này:

• Gắn thẻ cho mọi câu thoại. Đừng bao giờ viết lời thoại "lơ lửng". Luôn viết [Name] nói, "...". Lỗi phổ biến nhất là câu thoại không gắn người nói: lúc đó Veo 3 phải đoán, và thường đoán sai.
• Giữ câu thoại ngắn. Hai nhân vật trong 8 giây nghĩa là tổng cộng khoảng 2–4 câu thoại ngắn, không phải mỗi người một đoạn độc thoại. Câu ngắn gọn là thứ giữ cho khẩu hình khớp chặt. Nếu cần nhiều thoại hơn, hãy chia ra nhiều clip (sẽ nói ở phần sau).

Để hiểu sâu hơn các nguyên tắc viết prompt đằng sau mẫu này, hướng dẫn các prompt Veo 3 tốt nhất và hướng dẫn tạo prompt JSON có cấu trúc cho Veo 3 đều bổ trợ tốt cho phần hội thoại này.

Làm cho hai giọng nói khác biệt

Nếu hai nhân vật nghe giống nhau, cả cảnh sẽ sụp đổ. Hãy tạo sự tương phản ở ít nhất 2 trong các tiêu chí sau:

Bạn không mô tả dạng sóng âm mà mô tả con người. "Một cô y tá trực đêm mệt mỏi ở độ tuổi 50, giọng trầm và đều" và "một thực tập sinh ngoài 20 tuổi hay lo lắng, nói nhanh rồi bỏ lửng câu" sẽ hiện lên là hai con người khác hẳn nhau, ngay cả trước khi bạn viết câu thoại đầu tiên. Giọng nói đi theo mô tả nhân vật, nên hai nhân vật càng khác nhau ở những điểm cụ thể thì giọng của họ càng tách bạch.

Một mẹo rút ra từ thực tế làm việc với Veo 3: khi hai nhân vật buộc phải trông giống nhau (anh chị em, cặp song sinh, đồng nghiệp mặc cùng đồng phục), hãy dựa nhiều hơn nữa vào thẻ nhận dạng về trang phục và giọng nói, như "người quàng khăn đỏ" / "người đeo kính", và nhắc đến các thẻ này ngay trong phần dàn dựng thoại để việc gán lời thoại không bao giờ chỉ phụ thuộc vào khuôn mặt.

Dàn dựng lượt nói luân phiên cho tự nhiên

Một cuộc trò chuyện là những phản ứng chứ không chỉ là các câu thoại. Mẹo giúp phân biệt một clip cứng đờ kiểu "hai con robot đọc kịch bản" với một cảnh đáng tin là nhịp phản ứng: một cụm từ ngắn mô tả người nghe làm gì trong lúc người kia nói.

Yếu (không có phản ứng):

Anna nói, "Chúng ta hết thời gian rồi." Ben nói, "Tôi biết."

Mạnh (có dàn dựng phản ứng):

Anna nghiêng người qua bàn, gấp gáp: "Chúng ta hết thời gian rồi."
Ben không ngẩng lên, quai hàm siết chặt, rồi thở ra: "Tôi biết."

Phiên bản thứ hai cho Veo 3 một diễn xuất cơ thể để gắn âm thanh vào. Người nghe đang làm gì đó: nhìn đi chỗ khác, siết quai hàm, thở ra. Điều đó cho thấy họ đang lắng nghe, và khiến việc đổi lượt nói nghe có lý. Hãy dàn dựng một phản ứng cho mỗi câu thoại, cảnh quay sẽ lập tức hết giống một bản demo chuyển văn bản thành giọng nói.

Nhịp độ quan trọng không kém các phản ứng. Cuộc trò chuyện thật có nhịp thở: có một khoảng lặng trước câu nói nặng nề, có chỗ nói gối đầu nhanh khi ai đó hào hứng, có quãng ngập ngừng khi ai đó bị tổn thương. Bạn có thể viết thẳng những điều này vào prompt, như "một khoảng lặng dài, rồi" hoặc "chen vào thật nhanh", và Veo 3 sẽ canh thời điểm thoại cho khớp. Một cảnh mà cả hai nhân vật bắn thoại đều đều theo tốc độ của máy đếm nhịp (metronome) luôn tạo cảm giác giả tạo, dù khẩu hình khớp tốt đến đâu. Hãy thay đổi nhịp điệu, và để ít nhất một nhân vật lấy hơi trước khi trả lời; chính khoảnh khắc lặng ngắn đó thường là thứ khiến cuộc trao đổi giống hai con người thật chứ không phải hai câu prompt.

Một clip hay nhiều clip: chọn cách làm phù hợp

Có hai cách dựng một cảnh hội thoại, và chọn đúng cách ngay từ đầu sẽ giúp bạn đỡ phải tạo lại nhiều lần.

Cách 1 — Một cảnh hai người (two-shot) dài 8 giây. Cả hai nhân vật cùng xuất hiện trên màn hình, 2–4 câu thoại ngắn, chỉ một khung hình rộng hoặc two-shot. Phù hợp nhất với: những đoạn trao đổi nhanh, màn hài ngắn, các cuộc tranh cãi mà bạn muốn thấy cả hai khuôn mặt. Dễ viết prompt nhất, nhưng độ chính xác của khẩu hình giảm khi cả hai nói liên tiếp rất nhanh.

Cách 2 — Shot-reverse-shot qua nhiều clip. Bạn tạo câu thoại của người nói A bằng cảnh cận hoặc góc qua vai (over-the-shoulder), rồi tạo câu đáp của người nói B ở góc ngược tương ứng, sau đó ghép chúng lại trong phần mềm dựng. Phù hợp nhất với: những cuộc trò chuyện dài hơn, cảnh giàu cảm xúc, và mọi trường hợp cần khẩu hình thật chặt. Đây là cách phim thật quay hội thoại, và cũng là con đường đáng tin nhất để có khẩu hình khớp sạch vì mỗi clip chỉ có đúng một người nói.

Với Cách 2, nhân vật phải giữ nguyên giữa các clip. Đó là bài toán nhất quán nhân vật, nên hãy dùng bài này cùng với hướng dẫn giữ nhân vật đồng nhất trong Veo 3. Còn nếu một câu thoại cần dài hơn 8 giây, hướng dẫn kéo dài video Veo 3 vượt quá 8 giây sẽ chỉ cách kéo dài một nhịp. Để chốt chính xác khung hình của từng góc ngược, prompt điều khiển máy quay Veo 3 là bài đi kèm phù hợp.

Ví dụ hoàn chỉnh: cuộc đối đầu trong quán ăn ven đường

Hãy cùng dựng một cảnh hoàn chỉnh từ đầu để bạn thấy từng phần nằm đúng vị trí. Mục tiêu: hai nhân vật, một cuộc trao đổi căng thẳng, gán lời thoại rõ ràng, giọng nói khác biệt.

Bước 1 — Định nghĩa hai nhân vật có sự tương phản

Nhân vật A — MARA: cuối độ tuổi 40, tóc đen điểm bạc, áo khoác da sờn cũ,
  đang ngồi. Giọng: trầm, đều, hơi kéo dài kiểu miền Nam nước Mỹ, nói chậm.
Nhân vật B — DEV: giữa độ tuổi 20, đầu cạo sát, áo hoodie vàng sáng, đang đứng, bồn chồn.
  Giọng: cao hơn, nhanh, giọng Mỹ vùng đô thị, hơi hụt hơi.

Hãy để ý sự tương phản dồn vào mọi tiêu chí: tuổi tác, mái tóc, màu trang phục, tư thế, cao độ giọng, tốc độ nói, giọng vùng miền. Ngay cả khi Veo 3 chao đảo ở một đặc điểm, những đặc điểm còn lại vẫn gánh việc tách biệt hai nhân vật.

Bước 2 — Viết phiên bản một clip (two-shot)

Bối cảnh: một quán ăn ven đường gần như vắng khách vào ban đêm, ánh đèn huỳnh quang ấm,
mưa chảy thành vệt trên ô cửa kính phía sau hai người.

Nhân vật A — MARA: cuối độ tuổi 40, tóc đen điểm bạc, áo khoác da sờn cũ, đang ngồi.
  Giọng: trầm, đều, hơi kéo dài kiểu miền Nam nước Mỹ, chậm.
Nhân vật B — DEV: giữa độ tuổi 20, đầu cạo sát, áo hoodie vàng sáng, đứng cạnh bàn ngồi kiểu booth, bồn chồn.
  Giọng: cao hơn, nhanh, giọng Mỹ vùng đô thị, hụt hơi.

Đoạn trao đổi:
Mara khuấy cà phê mà không ngẩng lên, điềm tĩnh: "Ngồi xuống đi, Dev."
Dev vẫn đứng, liếc ra cửa, rồi gắt lên: "Chúng ta không có thời gian uống cà phê."
Mara cuối cùng cũng nhìn thẳng vào mắt anh, không vội vã: "Chúng ta có đúng vừa đủ thời gian."

Máy quay: two-shot cỡ trung, thấy rõ cả hai khuôn mặt, độ sâu trường ảnh nông.
Khẩu hình khớp tự nhiên, giọng nói khác biệt, luân phiên lượt nói rõ ràng. Âm thanh môi trường: tiếng quán ăn ù ù khe khẽ, mưa rơi trên kính.

Đây là một prompt hoàn chỉnh, chạy được ngay: 3 câu thoại, câu nào cũng gắn người nói, mỗi câu một nhịp phản ứng, giọng nói tương phản, có chỉ định âm thanh môi trường.

Bước 3 — Chuyển sang shot-reverse-shot để khẩu hình khớp chặt hơn

Nếu two-shot cho khẩu hình khớp lỏng lẻo, hãy tách nó ra. Tạo 3 clip, mỗi clip một câu thoại, rồi ghép lại:

CLIP 1 (cận cảnh Mara):
[same character + setting block]
Mara khuấy cà phê, không ngẩng lên, giọng trầm và điềm tĩnh: "Ngồi xuống đi, Dev."
Máy quay: cận cảnh Mara, qua vai Dev. Khẩu hình khớp chặt. Âm thanh môi trường: tiếng quán ăn ù ù, mưa.

CLIP 2 (góc ngược về Dev):
[same character + setting block]
Dev liếc ra cửa, bồn chồn, rồi gắt lên thật nhanh: "Chúng ta không có thời gian uống cà phê."
Máy quay: cận cảnh góc ngược về Dev, qua vai Mara. Khẩu hình khớp chặt. Âm thanh môi trường: tiếng quán ăn ù ù, mưa.

CLIP 3 (quay lại Mara):
[same character + setting block]
Mara ngước mắt nhìn anh, không vội vã: "Chúng ta có đúng vừa đủ thời gian."
Máy quay: cận cảnh Mara. Khẩu hình khớp chặt. Âm thanh môi trường: tiếng quán ăn ù ù, mưa.

Đặt 3 clip lên timeline theo đúng thứ tự đó là bạn có một cảnh hội thoại dựng bằng các điểm cắt, gọn gàng và khẩu hình khớp cực chắc, vì mỗi clip chỉ có đúng một cái miệng cần khớp. Hãy giữ các khối nhân vật và bối cảnh giống hệt từng ký tự ở cả 3 prompt để Mara và Dev không bị lệch diện mạo giữa các lần cắt.

Bước 4 — Khóa giọng nói giữa các clip (tinh chỉnh thêm, không bắt buộc)

Nếu giọng nói lệch nhẹ giữa các clip (lỗi thường gặp khi làm nhiều clip), có một cách xử lý quen thuộc trong sản xuất: xuất track giọng nói, đưa qua một công cụ xử lý giọng (bộ đổi giọng của ElevenLabs là lựa chọn quen thuộc) với một giọng cố định cho từng nhân vật, rồi đồng bộ lại. Cách này đảm bảo Mara nghe giống hệt Mara ở mọi đoạn cắt. Đây là bước ở khâu dựng chứ không phải prompt Veo 3, nhưng rất đáng biết khi làm việc cho khách hàng.

Các lỗi thường gặp và cách khắc phục

Cả hai nhân vật cùng mấp máy miệng trong một câu thoại. Nguyên nhân: lời thoại không gắn người nói hoặc mô tả hai nhân vật gần như giống hệt nhau. Cách sửa: gắn tên vào câu thoại và làm hai nhân vật khác nhau hơn về hình ảnh lẫn giọng nói.

Giọng của người này lại phát ra từ người kia. Nguyên nhân: hai giọng quá giống nhau nên Veo 3 hoán đổi chúng. Cách sửa: nới rộng khoảng cách về cao độ, giọng vùng miền và tốc độ nói; thêm thẻ trang phục ngay trong câu thoại ("người phụ nữ mặc đồ đỏ nói…").

Hai người nói chồng lên nhau. Nguyên nhân: chưa dàn dựng việc luân phiên lượt nói. Cách sửa: thêm các nhịp phản ứng để thấy rõ một nhân vật đang lắng nghe giữa các câu thoại.

Khẩu hình bị lệch trong two-shot đông thoại. Nguyên nhân: quá nhiều câu thoại trong một clip 8 giây. Cách sửa: giảm số câu thoại, hoặc chuyển sang shot-reverse-shot (Cách 2).

Nhân vật trông khác nhau giữa các lần cắt. Nguyên nhân: khối mô tả nhân vật bị thay đổi giữa các prompt. Cách sửa: sao chép nguyên văn phần định nghĩa nhân vật qua các clip, hoặc dùng ảnh tham chiếu để giữ nhất quán.

Âm thanh bị đục khi cả hai cùng nói nhanh. Nguyên nhân: lời nói nhanh và đồng thời là trường hợp khó nhất với Veo 3. Cách sửa: đừng bao giờ để cả hai nói cùng lúc; luôn sắp xếp các câu thoại nối tiếp nhau, có một nhịp nghỉ ở giữa.

Các trường hợp sử dụng thực tế của hội thoại hai nhân vật

• Tiểu phẩm và hài ngắn — những màn đối đáp kiểu dẫn dắt rồi chốt hài (setup/punchline) hiệu quả nhất khi dùng two-shot chặt với hai giọng nói tương phản.
• Cảnh quảng cáo và UGC — một khách hàng đặt câu hỏi và một "người bạn" trả lời là một trong những định dạng quảng cáo ngắn có tỷ lệ chuyển đổi cao nhất, và hội thoại Veo 3 làm rất tốt mà không cần diễn viên.
• Clip giải thích và giáo dục — cặp đôi "người học tò mò / chuyên gia kiên nhẫn" giúp những chủ đề khô khan trở nên đáng xem.
• Thử nghiệm phim kể chuyện — đạo diễn dùng hội thoại shot-reverse-shot để hình dung trước cảnh quay (pre-visualize) trước khi quay thật.
• Phiên bản địa phương hóa — khi cách dàn dựng đã ổn, hãy đổi giọng vùng miền để tạo cùng một cảnh cho nhiều thị trường.

Nếu hội thoại bạn cần đúng là kiểu phỏng vấn người đi đường (vox-pop) với một câu hỏi, đó là mẫu dàn dựng khác, hãy xem hướng dẫn prompt phỏng vấn đường phố Veo 3, xây dựng riêng cho kiểu vox-pop một người trả lời chứ không phải hội thoại qua lại. Về diện mạo điện ảnh quanh đoạn hội thoại, prompt điện ảnh Veo 3 và hướng dẫn phong cách hình ảnh Veo 3 rộng hơn bàn về ánh sáng và màu sắc, còn hướng dẫn tạo âm thanh trong Veo 3 nói về lớp âm thanh môi trường bên dưới các giọng nói.

Danh sách kiểm tra nhanh

Trước khi bấm tạo cho một cảnh hai nhân vật, hãy xác nhận:

• [ ] Đã định nghĩa cả hai nhân vật với ngoại hình và giọng nói tương phản
• [ ] Mọi câu thoại đều gắn tên hoặc một dấu hiệu nhận dạng hình ảnh riêng
• [ ] Mỗi câu thoại có một nhịp phản ứng đã dàn dựng
• [ ] Không quá 2–4 câu thoại ngắn trong một clip 8 giây
• [ ] Đã chọn loại cảnh quay (two-shot cho đoạn nhanh, shot-reverse-shot cho khẩu hình khớp chặt)
• [ ] Đã chỉ định âm thanh môi trường
• [ ] Nếu làm nhiều clip, khối nhân vật + bối cảnh giống hệt nhau giữa các clip

Thử ngay trong Veo 3

Cách nhanh nhất để thấm những điều này là chạy ví dụ quán ăn, rồi thay bằng hai nhân vật của riêng bạn và xem sự tương phản giọng nói cùng các nhịp phản ứng thay đổi kết quả thế nào. Bạn có thể dùng thử Veo 3 miễn phí trên veo3ai.io và bắt đầu với two-shot một clip trước khi chuyển sang shot-reverse-shot. Hoàn toàn mới với nền tảng này? Hướng dẫn cách dùng Google Veo 3 sẽ đưa bạn đi qua việc tạo clip đầu tiên, còn hướng dẫn prompt Veo 3 trình bày những kiến thức nền mà bạn sẽ xây phần hội thoại lên trên.

Câu hỏi thường gặp

Veo 3 có thể tạo cuộc trò chuyện thật giữa hai nhân vật không? Có. Veo 3 tạo hội thoại đồng bộ với giọng nói riêng biệt và khẩu hình khớp, đây là khả năng nổi bật nhất của nó. Điều cốt lõi là gán mỗi câu thoại cho một nhân vật có tên và dàn dựng lượt nói luân phiên bằng các nhịp phản ứng, thay vì ném lời thoại không gắn nhãn vào prompt.

Một clip Veo 3 chứa được bao nhiêu câu thoại? Với clip 8 giây có hai người nói, hãy nhắm tới tổng cộng 2–4 câu thoại ngắn. Nhiều hơn sẽ làm thời gian bị nén lại và khẩu hình kém khớp. Với cuộc trò chuyện dài hơn, hãy chia cuộc trao đổi ra nhiều clip theo shot-reverse-shot rồi ghép lại.

Vì sao cả hai nhân vật đều mấp máy miệng khi chỉ một người đang nói? Điều này xảy ra khi lời thoại không gắn rõ người nói hoặc hai nhân vật bị mô tả quá giống nhau. Hãy gắn tên vào từng câu thoại và tăng độ tương phản giữa ngoại hình và giọng nói của hai nhân vật để Veo 3 phân biệt được họ.

Làm sao giữ giọng của mỗi nhân vật giống nhau qua nhiều clip? Giữ phần mô tả giọng của nhân vật giống hệt nhau ở mọi prompt. Nếu giọng vẫn bị lệch, hãy xuất âm thanh, đưa track giọng của từng nhân vật qua một giọng cố định trong công cụ xử lý giọng, rồi đồng bộ lại trong phần mềm dựng. Kết hợp thêm việc giữ nhất quán ảnh nhân vật sẽ giữ ổn định cả khuôn mặt lẫn giọng nói.

Nên dùng một clip hay nhiều clip cho một cảnh hội thoại? Dùng một two-shot duy nhất cho những đoạn trao đổi nhanh, thân mật mà bạn muốn thấy cả hai khuôn mặt. Dùng shot-reverse-shot qua nhiều clip cho những cảnh dài hơn hoặc quan trọng về cảm xúc, vì clip chỉ có một người nói cho khẩu hình khớp chặt nhất do không còn mơ hồ về việc ai đang nói.

Điều này khác gì với một cuộc phỏng vấn đường phố? Phỏng vấn đường phố là một người trả lời câu hỏi trước ống kính (một người nói), còn hội thoại hai nhân vật là cuộc trò chuyện qua lại giữa hai nhân vật trên màn hình, có luân phiên lượt nói. Hai kiểu này dùng cách dàn dựng khác nhau, vì vậy hãy dùng cấu trúc hội thoại trong bài này cho những cuộc trò chuyện thật sự.