Làm AI MV bằng MiniMax H3 (Hailuo 03): đưa chính bài hát vào mô hình để hình ảnh bám kịp nhịp

Hai tuần gần đây, câu được nhắc nhiều nhất trên Xiaohongshu là “MiniMax H3 đã ra mắt, hiệu ứng MV đỉnh nóc luôn”. Tính đến ngày 31/7/2026, làn sóng này chủ yếu xoay quanh ba con số: 2K gốc, mỗi đoạn 15 giây, tự kèm audio khi tạo.

Nhưng nếu bạn đã từng thực sự làm một AI music video, bạn sẽ biết ba con số đó không phải là thứ khiến bạn thức đến hai giờ sáng vẫn chưa xong. Chất lượng hình ảnh từ lâu đã đủ để đăng lên nền tảng, thứ thường làm bạn mắc kẹt là hai việc khác: đến đoạn điệp khúc, khẩu hình nhân vật hoàn toàn không khớp; và chuyển cảnh và nhịp trống mỗi bên đi một hướng, như thể gán một đoạn phim ngắn không liên quan vào bài hát.

Khả năng thực sự giải quyết được hai vấn đề này trong H3 lại chính là tính năng ít được chú ý nhất. Bài viết này không nhắc lại bảng thông số của buổi ra mắt, mà chỉ trả lời: nó thực sự giải quyết công đoạn nào trong việc làm MV, và hôm nay có thể dùng được luôn hay chưa.

1. Trước tiên hãy làm rõ các sự kiện về H3

MiniMax lần đầu công bố Hailuo 03 tại WAIC 2026 vào ngày 17/7/2026, bên ngoài cũng thường gọi là MiniMax H3. Gom các thông tin rải rác lại thành một bảng:

Khả năng	Thực tế của H3
Độ phân giải	2K gốc (2560×1440), không phải xuất 720p rồi phóng to
Thời lượng mỗi đoạn	Tối đa 15 giây (khởi điểm 5 giây)
Audio	Tạo đồng thời lời thoại, hiệu ứng âm thanh và âm thanh môi trường, không cần lồng tiếng riêng
Đầu vào tham chiếu	Văn bản, ảnh tham chiếu, video tham chiếu, audio tham chiếu có thể đưa vào cùng lúc
Khả năng sử dụng	Ban đầu chỉ mở beta cho một số ít đối tác sáng tạo, sau đó dần mở rộng trên Hailuo và các nền tảng hợp tác

Nếu muốn xem tổng hợp đầy đủ về thông số kỹ thuật, có thể tham khảo bài của bên thứ ba giải thích về mô hình Hailuo H3 và phân tích video 2K của MiniMax H3 (Hailuo 3.0). Ở đây sẽ không nhắc lại các thông số nữa.

Quy tắc thực dụng: Khi thấy một mô hình video mới, đừng nhìn độ phân giải trước - hãy hỏi “nó có thể dùng chất liệu đã có của mình làm đầu vào không”. Độ phân giải quyết định thành phẩm có thể đăng ở đâu, còn khả năng tham chiếu quyết định bạn có phải làm lại mười lần hay không.

2. Vấn đề thực sự của AI MV không phải là chất lượng hình ảnh, mà là hình ảnh không theo kịp âm nhạc

Một MV bị hỏng, thường không phải vì hình ảnh xấu, mà vì hình ảnh và âm nhạc là hai dòng thời gian độc lập.

Cụ thể có ba biểu hiện, gần như chắc chắn bạn đã từng gặp:

• Khẩu hình không khớp: Nhân vật trong khung hình đang hát, nhưng rõ ràng không phải hát bài này. Người xem thoát cảm giác trong ba giây.
• Lệch phách: Đúng nhịp bùng nổ của điệp khúc, hình ảnh vẫn dừng ở cảnh tĩnh trước đó; đến khi chuyển cảnh thì tiếng trống đã qua nửa giây.
• Đổi người: Cùng một nhân vật chính, giây thứ 4 và giây thứ 12 trông khác nhau, mạch kể chuyện của cả video bị vỡ.

Cách giải quyết truyền thống là giao hết cho hậu kỳ: xuất hình ảnh trước, rồi chỉnh tay để căn chỉnh, tự sửa khẩu hình, tự cắt theo phách. Vấn đề là một bài hát thường có vài chục cảnh quay, chi phí căn chỉnh thủ công còn cao hơn cả chi phí tạo ra hình ảnh - đây cũng là lý do vì sao rất nhiều AI MV cuối cùng thoái hóa thành “slideshow ảnh có thêm hiệu ứng chuyển cảnh”.

Quy tắc thực dụng: Để đánh giá một AI MV có chuyên nghiệp hay không, đừng nhìn chất lượng từng khung hình, hãy xem 8 giây điệp khúc đó cắt bao nhiêu nhát, mỗi nhát có rơi đúng phách hay không.

3. Tính năng bị đánh giá thấp nhất của H3: chính bài hát có thể làm đầu vào

Trong các đầu vào tham chiếu của H3 có một mục gọi là audio tham chiếu - bạn có thể đưa thẳng một đoạn audio vào mô hình, để nó tạo hình ảnh dựa theo đó. Trên SunoMV, giới hạn của mục này là tối đa 3 đoạn audio tham chiếu.

Đối với người làm MV, ý nghĩa của tính năng này rất trực tiếp: bài hát bạn cần làm nhạc nền, bản thân nó có thể trở thành đầu vào.

• Khẩu hình nhân vật có thể chuyển động theo đúng đoạn giọng hát bạn cung cấp, thay vì mô hình tự bịa ra một đoạn khẩu hình;
• Nhịp điệu của hình ảnh có một mốc thời gian tham chiếu cụ thể, thay vì chỉ dựa vào câu mô tả bằng văn bản kiểu “chuyển cảnh theo nhịp” rồi phó mặc may rủi;
• Với các cảnh cover, live cần giữ lại cảm giác biểu diễn giọng gốc, không cần giao khẩu hình cho hậu kỳ sửa từng khung hình.

Đây cũng chính là ranh giới thực tế nhất so với vài mô hình video nổi bật cùng thời kỳ. Kể chuyện đa cảnh, thời lượng dài hơn, xuất bản nhanh hơn, những năm gần đây có nhiều người đã làm; nhưng khả năng biến “bài hát” thành đầu vào hạng nhất, trong số các mô hình video có thể lựa chọn hiện nay vẫn là số ít.

Quy tắc thực dụng: Muốn khẩu hình và cảm xúc bám theo bài hát, hãy đưa audio vào ngay ở giai đoạn tạo; để đến hậu kỳ mới sửa khẩu hình, chi phí sẽ tăng gấp nhiều lần.

4. Khóa gương mặt bằng 9 ảnh tham chiếu: giữ nhân vật chính là cùng một người trong 15 giây

Một tính năng khác của H3 là ảnh tham chiếu, giới hạn trên SunoMV là tối đa 9 ảnh. Con số này tạo ra sự khác biệt không phải ở chỗ “giống hơn một chút”, mà là có giữ vững được một nhân vật hay không.

Một ảnh tham chiếu chỉ khóa được một góc độ. Chín ảnh có thể bao phủ chính diện, nghiêng mặt, bán thân, các điều kiện ánh sáng và trang phục khác nhau - mô hình có trong tay đủ thông tin nhiều mặt về người này, nên khi xoay người, di chuyển, thay đổi ánh sáng sẽ không đột nhiên đổi mặt. Kết hợp thêm tối đa 3 video tham chiếu để làm mẫu cho động tác và chuyển động máy quay, một cảnh 15 giây có cơ hội giữ nguyên một người diễn xuất từ đầu đến cuối.

Tính nhất quán của nhân vật là công đoạn tốn kém nhất trong AI MV, phương pháp luận chúng tôi đã phân tích chi tiết hơn trong bài Phương pháp giữ tính nhất quán nhân vật trong AI music video. H3 hạ thấp ngưỡng của việc này xuống chỉ còn “chuẩn bị thêm vài ảnh”.

5. Khi nào nên dùng H3, khi nào không nên

H3 là gói flagship cao cấp nhất, chất lượng hình ảnh cao, chi phí cũng cao, dùng H3 cho toàn bộ video phần lớn trường hợp là lãng phí. Coi nó là “chuyên dùng cho cảnh quay then chốt” sẽ hiệu quả hơn:

Tình huống	Gợi ý
Cao trào điệp khúc, cận cảnh nhân vật, đoạn có khẩu hình	Dùng H3, kết hợp ảnh tham chiếu + audio tham chiếu
Cảnh tĩnh, chuyển cảnh, tạo không khí	Dùng gói nhanh hơn và tiết kiệm hơn, để dành hạn mức cho cảnh then chốt
Giai đoạn nháp thử toàn bộ, tìm cảm giác	Chạy trước với gói chi phí thấp, khi cấu trúc đã ổn định mới dùng H3
Cảnh cắt vụn ngắn hơn 5 giây	H3 khởi điểm đã là 5 giây, loại cảnh này nên giao cho mô hình khác

Trộn nhiều mô hình khác nhau trong cùng một MV là thao tác thông thường, không phải sự thỏa hiệp. Đợt cập nhật Seedance của ByteDance gần đây cũng theo logic tương tự, chúng tôi đã phân tích cách cân nhắc y hệt trong bài Seedance 4K gốc có ý nghĩa gì với AI music video.

Quy tắc thực dụng: Ngân sách của một MV nên chi theo hình kim tự tháp - 80% số cảnh dùng gói giá rẻ để chạy thông cấu trúc, 20% cảnh then chốt dùng mô hình flagship cao cấp nhất để quyết định thành bại.

6. Dùng H3 làm MV ngay trên SunoMV

Không cần chờ mở beta công khai. Trong danh sách mô hình video của SunoMV, Hailuo 03 đã là lựa chọn khả dụng, ảnh tham chiếu khóa gương mặt, audio tham chiếu khớp khẩu hình, xuất 2K gốc đều có thể dùng ngay.

Bốn bước để chạy thông:

1. Chọn bài hát trước: Dùng AI để tạo một bài, hoặc tải lên trực tiếp audio bạn đã có - âm nhạc là bộ khung thời gian của cả video.
2. Chuẩn bị chất liệu nhân vật chính: Chuẩn bị vài ảnh đa góc độ cho cùng một nhân vật, chính diện, nghiêng mặt, các điều kiện ánh sáng khác nhau.
3. Chọn Hailuo 03 cho cảnh then chốt: Đưa ảnh tham chiếu cùng đoạn giọng hát của câu đó vào, các cảnh còn lại dùng gói tiết kiệm hơn.
4. Căn chỉnh ba trục rồi xuất: Xếp lời bài hát theo timestamp cấp từ lên timeline, hình ảnh, phụ đề, nhịp trống khớp nhau rồi xuất.

Cách căn lời bài hát khớp chính xác đến từng chữ với hình ảnh, có thể xem Hướng dẫn làm video lời bài hát đồng bộ từng chữ. Nếu muốn xem cách người khác thao tác tổng thể trước, video hướng dẫn biến bài hát AI thành MV hoàn chỉnh này có thể dùng làm khởi đầu.

Câu hỏi thường gặp

Hỏi: H3 và Hailuo 03 có phải cùng một thứ không? Đáp: Đúng vậy. Mô hình video này được MiniMax công bố tại WAIC 2026, tên chính thức là Hailuo 03, còn trong truyền thông bên ngoài thường được viết là MiniMax H3.

Hỏi: Tôi có bắt buộc phải có giọng hát gốc mới dùng được audio tham chiếu không? Đáp: Không cần. Bài hát do AI tạo ra cũng có thể đưa vào làm audio tham chiếu như bình thường - điều quan trọng là có một đoạn audio xác định, chứ không phải nó đến từ đâu.

Hỏi: 15 giây có đủ làm một MV không? Đáp: Mỗi đoạn thì đủ dùng. Một MV dài 3 phút vốn đã được ghép từ vài chục cảnh quay, 15 giây cho một cảnh đơn là đã khá dài rồi - phần lớn các cảnh âm nhạc chỉ nên kéo dài 3 đến 8 giây là nên cắt.

Hỏi: Chỉ dùng H3 làm trọn video có đáng không? Đáp: Không đáng. Đây là gói flagship cao cấp nhất, chi phí rõ ràng cao hơn gói nhanh nhiều. Để dành nó cho điệp khúc và cận cảnh, phần còn lại dùng gói rẻ hơn, là cách có tỷ lệ hiệu quả-chi phí cao nhất.

Hỏi: Vì sao khẩu hình của tôi vẫn không khớp? Đáp: Trước tiên hãy kiểm tra xem đã thực sự đưa audio của câu đó vào làm tham chiếu chưa. Chỉ viết “hát theo” trong prompt văn bản là vô ích - mô hình cần nhận được chính đoạn audio đó. Về cách làm chung cho việc đồng bộ khẩu hình, Hướng dẫn đồng bộ khẩu hình của Hailuo có tổng hợp chi tiết hơn.

7. Bước tiếp theo

Sức nóng của buổi ra mắt sẽ qua đi trong một tuần, nhưng ngưỡng để “biến một bài hát yêu thích thành một MV ra hồn” đang thực sự thấp dần xuống. Giá trị của H3 không nằm ở những con số đó, mà ở việc nó biến “audio” và “nhân vật” từ rắc rối của hậu kỳ, thành đầu vào ngay ở giai đoạn tạo sinh.

Hãy đến ngay công cụ tạo video từ audio SunoMV, chọn Hailuo 03, ném bài hát bạn đang mê nhất vào, xem tám giây điệp khúc đó có thể được quay thành như thế nào.

—— Đội ngũ SunoMV