Đầu tháng 11/2026, phòng nghiên cứu Atmanity (Mỹ) công bố Atmee v2, một mô hình dựng avatar trực tiếp chỉ từ một tấm ảnh và một đoạn âm thanh ngắn. Đây là dịp tốt để hiểu công nghệ này hoạt động ra sao, dùng vào việc gì, người Việt có thử được không và cần cảnh giác điều gì.

Câu trả lời ngắn: Avatar AI gọi video thời gian thực là nhân vật ảo do AI vừa nghe, vừa quyết định cách phản ứng, vừa dựng hình từng khung hình ngay lúc trò chuyện. Atmee v2 tách việc này cho hai mô hình: Causeur lo hành vi (khi nào nói, khi nào im, cảm xúc gì), Atmee v2 lo dựng khuôn mặt, cơ thể và biểu cảm.

Tóm tắt nhanh

• Atmee v2 tạo nhân vật trò chuyện video trực tiếp từ 1 ảnh và khoảng 10–15 giây âm thanh; hãng cho biết mô hình chạy trên 1 GPU.
• Kiến trúc hai tầng: Causeur quyết định hành vi, Atmee v2 dựng hình toàn khung (mặt, thân, biểu cảm vi mô, bối cảnh).
• Mọi con số về tốc độ, chi phí và điểm đánh giá hiện đều do hãng tự công bố, chưa có kiểm chứng độc lập.
• Bản V1 dùng được ngay, kể cả gói miễn phí; V2 cần gói Growth trở lên hoặc mã mời.
• Công nghệ này mở ra ứng dụng chăm sóc khách hàng, gia sư, bán hàng, game, nhưng cũng làm deepfake trong cuộc gọi video dễ hơn.

Nội dung chính:

1. Atmee v2 là gì?
2. Vì sao avatar AI gọi video thời gian thực khó?
3. Hai mô hình: một bên quyết định, một bên dựng hình
4. Hội thoại song công: biết lúc nào nói, lúc nào im
5. Khẩu hình, biểu cảm và giữ đúng gương mặt
6. So sánh ba cách làm nhân vật AI biết nói
7. Ứng dụng thực tế của avatar AI trò chuyện
8. Người dùng Việt Nam có dùng được không?
9. Rủi ro: deepfake, quyền hình ảnh và dữ liệu
10. Cách nhận biết avatar AI trong cuộc gọi video
11. Thử tạo avatar AI đầu tiên an toàn trong 5 bước
12. Câu hỏi thường gặp

Atmee v2 là gì? Avatar AI gọi video từ một tấm ảnh

Atmee v2 là mô hình nền tảng dựng video thời gian thực cho avatar trực tiếp, do Atmanity phát triển. Atmanity tự giới thiệu là phòng nghiên cứu AI tác tử (agentic AI lab) thành lập năm 2024, đặt tại Santa Clara, California. Đội ngũ sáng lập từng làm công ty Phiar, được Google mua lại năm 2022.

Điểm gây chú ý là đầu vào rất ít: một tấm ảnh và một đoạn âm thanh ngắn. Trang của Atmanity ghi 15 giây âm thanh, còn bài công bố của nhà sáng lập và nhiều bản tin nhắc 10 giây. Từ đó hệ thống tạo ra một nhân vật có thể gọi video hai chiều: bạn nói, nhân vật nghe, gật đầu, cười, rồi đáp lại bằng giọng nói đã nhân bản.

Atmee v2 không chỉ cử động phần đầu và vai như thế hệ trước. Hãng mô tả mô hình dựng toàn khung hình: khuôn mặt, cơ thể, biểu cảm vi mô, cảm xúc và cả môi trường xung quanh. Nhân vật có thể là người theo phong cách ảnh thật, nhân vật hoạt hình cách điệu hoặc thậm chí sinh vật không phải người.

Theo Atmanity, mô hình chạy dựng hình trực tiếp trên một GPU đơn, nhanh hơn tới khoảng 50 lần và rẻ hơn từ 10 đến 100 lần khi vận hành so với các mô hình tạo video đa năng. Hãng không công bố loại GPU, độ phân giải, số khung hình mỗi giây hay độ trễ cụ thể, nên bạn nên xem các con số này như lời giới thiệu sản phẩm hơn là kết quả đo kiểm.

Vì sao avatar AI gọi video thời gian thực khó hơn tạo video AI?

Bạn có thể đã thấy các công cụ tạo video AI cho ra đoạn clip vài giây rất đẹp. Nhưng clip đó thường mất từ vài chục giây đến vài phút mới xong. Trong cuộc gọi video, không ai chịu đợi vài phút cho mỗi câu trả lời.

Hãy hình dung sự khác nhau giống quay phim và diễn kịch trực tiếp. Quay phim thì quay lại bao nhiêu lần cũng được, cắt ghép thoải mái rồi mới chiếu. Diễn kịch trực tiếp thì diễn viên phải phản ứng ngay với khán giả, sai là khán giả thấy liền.

Bài toán thời gian của từng khung hình

Một video mượt cho cuộc gọi thường cần khoảng 24–30 khung hình mỗi giây. Chia ra, mỗi khung hình chỉ có khoảng 33–42 mili giây để được dựng xong. Trong quỹ thời gian rất ngắn đó, hệ thống còn phải nghe người dùng, hiểu câu nói, quyết định trả lời gì và tạo giọng nói khớp miệng.

Ba yêu cầu cùng lúc

• Nhanh: phản hồi đủ nhanh để cuộc trò chuyện không bị ngắt quãng.
• Ổn định: gương mặt không bị trôi, biến dạng sau vài phút gọi.
• Có hồn: không chỉ mấp máy môi mà còn gật đầu, nhíu mày, mỉm cười đúng lúc.

Các mô hình video đa năng giỏi yêu cầu thứ ba nhưng chậm. Các avatar đời cũ nhanh nhưng cứng. Cách Atmanity chọn để cân bằng là chia việc cho hai mô hình chuyên biệt.

Hai mô hình: Causeur quyết định, Atmee v2 dựng hình

Atmanity tóm gọn kiến trúc bằng một câu: Causeur quyết định, Atmee v2 dựng hình. Cách chia này giống một đoàn làm phim nhỏ: đạo diễn quyết định diễn viên phản ứng thế nào, còn diễn viên thể hiện bằng nét mặt và cử chỉ.

Causeur: mô hình hành vi

Causeur điều khiển tính cách, cảm xúc, thời điểm phản hồi và việc lắng nghe chủ động (active listening) theo từng khoảnh khắc. Khi bạn đang nói, nhân vật không đứng yên như tượng mà có thể gật gù, nhướng mày, tỏ ra ngạc nhiên. Khi bạn ngừng, Causeur quyết định đã đến lượt nhân vật nói hay bạn chỉ đang suy nghĩ.

Atmee v2: mô hình dựng hình

Atmee v2 nhận tín hiệu từ Causeur cùng giọng nói rồi tạo từng khung hình: khẩu hình khớp âm, biểu cảm vi mô, chuyển động cơ thể và môi trường. Vì chỉ chuyên một việc là dựng hình theo chỉ đạo, mô hình có thể gọn hơn và chạy nhanh hơn một mô hình video đa năng phải tự nghĩ cả kịch bản.

Phần “nói gì” có thể đến từ một mô hình ngôn ngữ lớn khác. Tài liệu của Atmee cho phép hai cách: dùng trọn gói có Causeur điều khiển hành vi, hoặc chỉ dùng phần avatar, còn tác tử của nhà phát triển (ví dụ chạy trên nền tảng LiveKit) quyết định nội dung câu trả lời và Atmee chỉ việc dựng hình nhân vật nói câu đó.

Atmanity cũng cho biết dữ liệu huấn luyện được bổ sung từ ứng dụng tiêu dùng atmee.ai, nơi người dùng tạo ra hàng nghìn giờ hội thoại thật mỗi tháng. Đây là kiểu “động cơ dữ liệu” quen thuộc: sản phẩm càng nhiều người dùng, mô hình càng có thêm dữ liệu để học cách phản ứng tự nhiên.

Hội thoại song công: avatar AI biết lúc nào nói, lúc nào im

Trò chuyện với trợ lý giọng nói đời đầu giống dùng bộ đàm: bạn nói xong, bấm nút, chờ máy nói, rồi mới đến lượt bạn. Người thật không nói chuyện như vậy. Chúng ta chen ngang, ngập ngừng, “ừ ừ” khi người kia đang nói.

Hội thoại song công (full-duplex) nghĩa là cả hai bên có thể nghe và nói cùng lúc, như cuộc gọi điện thoại bình thường. Cái khó nằm ở ba tình huống: người dùng nói xong thật, người dùng chỉ tạm dừng để nghĩ, và người dùng chen ngang khi AI đang nói.

Ba tình huống khiến AI dễ “hớ”

• Kết thúc câu: AI phải nhận ra bạn đã nói xong để đáp lại, không để khoảng lặng kéo dài.
• Tạm dừng: bạn “ờ…” để nghĩ tiếp, AI không được cướp lời.
• Chen ngang: bạn nói “khoan đã”, AI phải dừng ngay, không nói tiếp như cái máy.

Trong bảng đánh giá do Atmanity tự công bố, Causeur đạt 0,92 ở tình huống kết thúc câu, 0,92 ở tình huống tạm dừng và 0,87 ở tình huống bị chen ngang. Mô hình mã nguồn mở Moshi đạt lần lượt 0,88, 0,87 và 0,67. Một số khung xây dựng tác tử giọng nói phổ biến chỉ đạt khoảng 0,02 ở tình huống chen ngang trong bảng này.

Cần đọc các con số này cẩn trọng. Hãng tự chọn bài kiểm tra, tự chấm và chưa công bố đầy đủ phương pháp. Dù vậy, chúng cho thấy hướng ưu tiên: điểm yếu lớn nhất của trợ lý giọng nói hiện nay không phải là trả lời sai kiến thức mà là sai nhịp, nói chen hoặc im quá lâu.

Khẩu hình, biểu cảm và giữ đúng gương mặt

Ba thứ khiến người xem thấy avatar “giả” nhanh nhất là miệng không khớp tiếng, mặt đơ như tượng sáp và gương mặt biến dạng dần sau một lúc. Atmanity đánh giá Atmee v2 theo bốn tiêu chí tương ứng.

Bốn tiêu chí đánh giá avatar

• Độ sinh động (liveliness): nhân vật có chuyển động tự nhiên hay đứng yên.
• Đồng bộ khẩu hình (lip-sync): môi có khớp với âm thanh phát ra không.
• Giữ danh tính (preserve ID): nhân vật có còn giống ảnh gốc sau nhiều khung hình.
• Độ tự nhiên (naturalness): tổng thể có giống người thật đang nói chuyện.

Theo bảng của hãng, Atmee v2 đứng đầu cả bốn tiêu chí khi so với bốn mô hình avatar khác. Khoảng cách rõ nhất nằm ở độ tự nhiên (0,741 so với 0,629 của mô hình đứng thứ hai) và giữ danh tính (0,881 so với 0,821).

Lip-sync hoạt động ra sao?

Mỗi âm khi phát ra gắn với một dáng môi nhất định: âm “b”, “m” khép môi, âm “a” mở rộng miệng, âm “u” chu môi. Mô hình lip-sync học mối liên hệ giữa đặc trưng âm thanh và hình dạng miệng từ rất nhiều video người nói. Khi nhận âm thanh mới, mô hình dự đoán dáng miệng cho từng khoảnh khắc rồi dựng khung hình tương ứng, đồng thời giữ phần còn lại của gương mặt ổn định.

Với tiếng Việt, bài toán thêm một lớp: thanh điệu không làm đổi nhiều dáng môi nhưng ảnh hưởng nhịp và độ dài âm. Hãng chưa công bố kết quả riêng cho tiếng Việt, nên chất lượng khẩu hình khi nói tiếng Việt là điều bạn cần tự thử.

So sánh ba cách làm nhân vật AI biết nói

Không phải nhân vật AI nào biết nói cũng giống nhau. Hiện có ba hướng chính, mỗi hướng hợp với một kiểu việc.

Một cách nhớ đơn giản: nếu người xem chỉ cần xem, video tạo sẵn là đủ. Nếu người xem cần hỏi lại, đó là lúc avatar thời gian thực có giá trị.

Ứng dụng thực tế của avatar AI trò chuyện

Atmanity nêu một số hướng dùng như gia sư ảo, luyện kỹ năng bán hàng và nhân vật game tương tác. Mở rộng ra, có thể hình dung nhiều tình huống quen thuộc ở Việt Nam, miễn là doanh nghiệp làm minh bạch.

Chăm sóc khách hàng có gương mặt

Thay vì khung chat chữ, khách vào trang web có thể gọi video với một nhân viên ảo hướng dẫn cách cài ứng dụng, đổi gói cước, tra đơn hàng. Gương mặt và cử chỉ giúp hướng dẫn dễ theo dõi hơn, nhất là với người lớn tuổi ngại đọc chữ.

Gia sư và luyện nói

Một học sinh luyện nói tiếng Anh có thể trò chuyện với gia sư ảo bất kỳ lúc nào, được chen ngang để hỏi lại, thay vì chỉ nghe bài giảng ghi sẵn. Khả năng song công đặc biệt quan trọng ở đây vì người học hay ngập ngừng.

Bán hàng và luyện kỹ năng bán hàng

Nhân viên mới có thể tập chốt đơn với một “khách hàng khó tính” do AI đóng vai. Người bán hàng trực tuyến có thể dùng nhân vật ảo trả lời câu hỏi thường gặp ngoài giờ.

Game, giải trí và người sáng tạo nội dung

Nhân vật trong game có thể trò chuyện tự do thay vì đọc thoại cố định. Nền tảng atmee.ai còn có cơ chế chia doanh thu cho người sáng tạo đã xác minh, tính theo số phút khán giả trò chuyện với avatar của họ.

Tác động đến việc làm vì thế là câu hỏi thật. Các vị trí trả lời câu hỏi lặp lại sẽ chịu áp lực, nhưng công việc xử lý tình huống phức tạp, thiết kế kịch bản, giám sát chất lượng AI và chăm sóc khách hàng đặc biệt vẫn cần con người.

Người dùng Việt Nam có dùng được Atmee không?

Trang atmee.ai cho phép đăng ký và tạo avatar trên trình duyệt mà không cần lập trình: chọn gương mặt (tải ảnh lên, chụp, quay, hoặc để hệ thống tự tạo), chọn giọng nói, tính cách và nạp kiến thức từ văn bản, tài liệu hay video. Sau đó chia sẻ bằng đường link hoặc nhúng vào website.

Phiên bản và chi phí

Hãng cho biết tạo và chạy avatar có thể bắt đầu miễn phí, dùng credit để trả cho việc tạo và sử dụng. Theo tài liệu, mỗi phút trò chuyện trọn gói (có Causeur điều khiển hành vi) tốn 2 credit với V2 và 1 credit với V1; nếu chỉ dùng phần avatar thì lần lượt là 1 và 0,5 credit. V1 có ở mọi gói kể cả gói miễn phí; V2 cần gói Growth trở lên hoặc mã mời. Hãng chưa công bố giá quy đổi credit công khai trên trang tài liệu.

Còn tiếng Việt thì sao?

Atmanity chưa công bố danh sách ngôn ngữ hỗ trợ trên trang chính và trang tài liệu. Vì vậy chưa thể khẳng định avatar nói tiếng Việt tự nhiên hay khẩu hình khớp tiếng Việt tốt đến đâu. Cách chắc chắn nhất là thử với bản V1 miễn phí bằng một đoạn hội thoại ngắn tiếng Việt, rồi tự đánh giá giọng, nhịp và khẩu hình.

Với lập trình viên, Atmee có API phiên làm việc (session API) và plugin cho LiveKit Agents. Luồng cơ bản gồm ba bước: máy chủ của bạn xin một phiên bằng khoá API, Atmee đưa avatar vào một phòng video, trang web của bạn tham gia phòng và hiển thị video. Người dùng cuối không cần tài khoản Atmee.

Rủi ro: deepfake, quyền hình ảnh và dữ liệu cá nhân

Một tấm ảnh cộng vài giây giọng nói đã đủ tạo nhân vật biết gọi video. Đó là điểm mạnh về sản phẩm, nhưng cũng là lý do giới chuyên môn lo ngại: rào cản tạo deepfake trực tiếp đang hạ thấp. Trước đây kẻ xấu chủ yếu giả giọng qua điện thoại; với avatar thời gian thực, việc giả cả gương mặt trong cuộc gọi video trở nên dễ hơn.

Những điểm chưa rõ

Theo những gì công bố, trang chính của Atmee khẳng định người dùng giữ quyền sở hữu và kiểm soát hình ảnh, giọng nói, kiến thức của avatar mình tạo. Tuy nhiên trang chưa nêu rõ cơ chế xác minh sự đồng ý khi tải ảnh người khác lên, cũng chưa nói đến thủy vân hay nhãn đánh dấu nội dung do AI tạo.

Nguyên tắc tự bảo vệ khi tạo avatar

• Chỉ dùng ảnh và giọng của chính bạn, hoặc của người đã đồng ý bằng văn bản.
• Không dùng hình ảnh người nổi tiếng, nhân vật có bản quyền khi chưa được phép.
• Không nạp tài liệu chứa thông tin cá nhân, số tài khoản, hợp đồng vào phần kiến thức của avatar.
• Ghi rõ với người xem rằng họ đang trò chuyện với nhân vật AI.

Ở Việt Nam, hình ảnh khuôn mặt và giọng nói gắn với một người cụ thể là dữ liệu cá nhân. Doanh nghiệp muốn dùng avatar dựng từ nhân viên hay người mẫu cần có sự đồng ý rõ ràng và nên hỏi ý kiến pháp lý trước khi triển khai.

Cách nhận biết avatar AI trong cuộc gọi video

Công nghệ càng tốt thì mắt thường càng khó phân biệt, nên đừng chỉ dựa vào việc “nhìn có giả không”. Dù vậy vẫn có một số dấu hiệu và cách kiểm tra đơn giản.

Dấu hiệu và phép thử

• Nhờ quay nghiêng hoặc đưa tay qua mặt: nhiều mô hình dựng từ một ảnh chính diện còn yếu khi đổi góc lớn hoặc có vật che.
• Nhìn vùng rìa: tóc, tai, răng, kính, đồ trang sức đôi khi nhòe hoặc thay đổi giữa các khung hình.
• Hỏi chuyện chỉ hai người biết: avatar có thể giống mặt nhưng không có ký ức thật của người đó.
• Cúp máy và gọi lại: gọi qua số điện thoại hoặc tài khoản bạn đã lưu từ trước, không dùng link người kia gửi.

Nguyên tắc quan trọng nhất: mọi yêu cầu chuyển tiền, cung cấp mã OTP hay mật khẩu qua cuộc gọi video đều phải được xác minh qua một kênh khác, dù gương mặt trên màn hình trông thật đến đâu.

Thử tạo avatar AI đầu tiên an toàn trong 5 bước

Nếu bạn tò mò muốn tự trải nghiệm, đây là trình tự gợi ý để thử với bản miễn phí mà không đánh đổi dữ liệu cá nhân.

1. Dùng ảnh của chính bạn hoặc nhân vật tự vẽ

Một nhân vật hoạt hình do bạn tự thiết kế là lựa chọn an toàn nhất, vì Atmee hỗ trợ cả phong cách cách điệu và không phải người.

2. Ghi âm giọng trong phòng yên tĩnh

Đoạn âm thanh ngắn nhưng sạch giúp giọng nhân bản rõ hơn. Tránh tiếng quạt, tiếng xe.

3. Viết tính cách và giới hạn rõ ràng

Mô tả nhân vật là ai, nói giọng thế nào, được và không được trả lời chủ đề gì.

4. Nạp kiến thức không nhạy cảm

Dùng tài liệu công khai như hướng dẫn sản phẩm, câu hỏi thường gặp, không nạp dữ liệu khách hàng.

5. Thử tiếng Việt và ghi nhãn AI khi chia sẻ

Trò chuyện thử vài phút bằng tiếng Việt, kiểm tra khẩu hình và nhịp. Khi gửi link cho người khác, ghi rõ đây là nhân vật AI.

Câu hỏi thường gặp về avatar AI gọi video thời gian thực

Avatar AI gọi video thời gian thực khác chatbot giọng nói thế nào?

Chatbot giọng nói chỉ có âm thanh. Avatar AI gọi video có thêm gương mặt, biểu cảm và cử chỉ được dựng trực tiếp theo từng câu nói, đồng thời phản ứng khi bạn đang nói như gật đầu, mỉm cười. Phần “bộ não” trả lời vẫn có thể là một mô hình ngôn ngữ lớn tương tự chatbot.

Atmee v2 có miễn phí không?

Atmee cho phép bắt đầu miễn phí bằng credit. Bản V1 có trong mọi gói kể cả miễn phí. Bản V2 cần gói Growth trở lên hoặc mã mời xin tại trang của hãng. Mỗi phút dùng V2 tốn gấp đôi credit so với V1.

Atmee có nói được tiếng Việt không?

Atmanity chưa công bố danh sách ngôn ngữ hỗ trợ. Vì vậy chưa thể khẳng định chất lượng tiếng Việt. Bạn nên thử trực tiếp bằng bản V1 miễn phí với một đoạn hội thoại ngắn, kiểm tra cả giọng nói lẫn độ khớp khẩu hình trước khi dùng cho việc nghiêm túc.

Các con số “nhanh hơn 50 lần”, “rẻ hơn 10–100 lần” có đáng tin?

Đây là số liệu do hãng tự công bố khi ra mắt, chưa có bên độc lập kiểm chứng và chưa kèm phương pháp đo, loại GPU hay độ trễ cụ thể. Bạn nên coi đó là định hướng, chờ thêm đánh giá độc lập trước khi dựa vào để ra quyết định đầu tư.

Làm sao biết người trong cuộc gọi video là thật hay avatar AI?

Nhờ người kia quay nghiêng, đưa tay qua mặt, hỏi chuyện chỉ hai người biết và quan sát vùng tóc, răng, kính. Quan trọng nhất là xác minh lại qua kênh khác, như gọi vào số đã lưu, trước khi làm theo bất kỳ yêu cầu nào liên quan đến tiền hoặc mật khẩu.

Kết luận: avatar AI trò chuyện đang đến gần

Atmee v2 cho thấy hướng đi rõ ràng của AI: từ chữ sang giọng nói, và giờ là gương mặt biết phản ứng trong cuộc gọi trực tiếp. Cách chia việc giữa mô hình hành vi Causeur và mô hình dựng hình Atmee v2 giải thích vì sao nhân vật có thể vừa nhanh vừa có hồn. Dù các con số còn là số liệu hãng tự công bố, xu hướng này chắc chắn sẽ xuất hiện ngày càng nhiều trong chăm sóc khách hàng, giáo dục và giải trí.

Hãy tò mò thử nghiệm, nhưng luôn giữ thói quen xác minh khi có ai đó gọi video nhờ chuyển tiền. Bạn muốn dùng avatar AI vào việc gì nhất? Để lại bình luận và theo dõi Nhật Phúc để cập nhật thêm các bài giải thích AI dễ hiểu.

The post Avatar AI gọi video thời gian thực: Atmee v2 làm được gì? appeared first on Nhật Phúc.