Phát hiện chính
- Âm thanh gốc — âm được tạo cùng lượt với video — vẫn là ngoại lệ, không phải chuẩn chung.
- Veo, Sora 2, LTX-2, WAN 2.5, PixVerse v5, Grok và các bậc Kling mới dẫn đầu về âm thanh in-pass.
- Nhiều mô hình hình ảnh mạnh mẽ lại im lặng theo thiết kế — bạn sẽ thêm lời thoại, nhạc hoặc SFX sau đó.
- Với video nói và quảng cáo, âm thanh gốc + khớp miệng thay đổi quy trình làm việc mạnh hơn là chỉ tăng độ trung thực hình ảnh.
Âm thanh gốc vs. âm thanh thêm sau
Có hai ý rất khác nhau khi nói "video trí tuệ nhân tạo có âm thanh." Phổ biến là âm thanh thêm sau — bạn tạo clip câm, rồi chồng lời thoại, nhạc nền hoặc hiệu ứng âm thanh lên. Hiếm và ấn tượng hơn là âm thanh gốc: mô hình tổng hợp âm thanh trong cùng lượt tạo hình, nên tiếng bước chân khớp nhịp, môi khớp lời, và âm trường hợp với bối cảnh.
Âm thanh gốc khó hơn, và đến 2026 vẫn là ngoại lệ. Chúng tôi đã kiểm tra mọi mô hình trên Vivideo để xem mô hình nào thực sự cho ra âm in-pass và mô hình nào im lặng theo thiết kế.
Những mô hình làm được điều đó
Một nhóm nhỏ mô hình tiên phong nay đã tạo âm thanh gốc: dòng Veo của Google, Sora 2 của OpenAI, LTX-2 của Lightricks, WAN 2.5 của Alibaba, PixVerse v5, Grok video của xAI, và các bậc Kling mới nhất. Phần còn lại — nhiều mô hình xuất sắc về chuyển động và độ chân thực — render im lặng, và bạn thêm âm trong hậu kỳ.
| Âm thanh gốc | Câm theo thiết kế (thêm âm thanh sau) |
|---|---|
| Veo 3.1 / Veo 3.1 Fast | Hailuo (hầu hết các cấp) |
| Sora 2 / Sora 2 Pro | Luma Ray 2 |
| LTX-2 / LTX-2 Pro | Pika, Vidu |
| WAN 2.5 · PixVerse v5 · Grok | Hunyuan, CogVideoX, Marey |
Danh sách mang tính tham chiếu và thay đổi nhanh khi các phòng lab tung bản mới — Vivideo cập nhật cờ năng lực trực tiếp cho từng mô hình.
Vì sao điều này quan trọng với quy trình của bạn
Với B-roll thuần, âm thanh gốc hầu như không quan trọng — bạn vẫn sẽ phối nhạc. Nơi nó thay đổi tất cả là thoại và quảng cáo: một mô hình tạo giọng nói và khớp chuyển động miệng chỉ trong một lượt sẽ rút gọn pipeline nhiều bước (tạo → lồng tiếng → khớp miệng) thành một lần render. Với creator nói trước ống kính, UGC và quảng cáo, dịch chuyển quy trình đó thường đáng giá hơn một chút tăng về hình ảnh.
Quy tắc thực tiễn trên Vivideo: nếu clip cần nói, hãy bắt đầu với mô hình có âm thanh gốc; nếu chỉ cần đẹp, chọn theo hình ảnh và thêm âm trong trình biên tập.
