Bài 12 — Image generation 101 — Midjourney, DALL·E, Stable Diffusion

Mở đầu — vì sao bài này quan trọng

Trong ba năm gần đây, cách chúng ta tạo ra hình ảnh đã thay đổi hoàn toàn. Trước đây, để có một tấm banner cho chiến dịch marketing, bạn phải thuê designer, chờ vài ngày, sửa qua sửa lại. Bây giờ, chỉ với một câu mô tả bằng chữ (gọi là prompt), bạn có thể tạo ra hàng chục phương án hình ảnh trong vài phút. Đây chính là sức mạnh của image generation — công nghệ AI biến văn bản thành hình ảnh (text-to-image).

Với người làm nghề tại Việt Nam — dù bạn là marketer chạy quảng cáo Facebook, PM cần mockup nhanh cho ý tưởng sản phẩm, chủ shop online cần ảnh minh hoạ, hay founder muốn dựng bộ nhận diện thương hiệu — kỹ năng này không còn là "hay thì biết" mà đã trở thành công cụ làm việc hằng ngày. Một ảnh AI chất lượng có thể thay thế chi phí thuê thiết kế vài trăm nghìn đến vài triệu đồng, và quan trọng hơn là rút ngắn thời gian từ ý tưởng đến sản phẩm.

Bài học này tập trung vào ba công cụ nền tảng đang định hình thị trường: Midjourney, DALL·E và Stable Diffusion. Đây là "101" — nền móng để bạn hiểu bản chất công nghệ, biết chọn đúng công cụ cho từng nhu cầu, và viết được prompt cho ra kết quả dùng được ngay. Chúng ta sẽ không lan man sang video AI hay voice AI (những bài sau sẽ lo phần đó), mà đào sâu đúng vào hình ảnh tĩnh.

Khái niệm cốt lõi

Text-to-image hoạt động như thế nào

Bạn không cần hiểu toán học phía sau, nhưng nên nắm một ý niệm đơn giản: các mô hình này được huấn luyện trên hàng tỷ cặp ảnh + mô tả lấy từ internet. Khi bạn gõ một prompt, mô hình sẽ "hình dung" từ một tấm ảnh nhiễu ngẫu nhiên (giống hạt bụi trắng đen), rồi từng bước "khử nhiễu" (diffusion) để tạo ra hình ảnh khớp với mô tả của bạn. Vì quá trình bắt đầu từ nhiễu ngẫu nhiên, nên cùng một prompt sẽ cho ra các ảnh khác nhau mỗi lần chạy — đây là điểm rất quan trọng cần nhớ.

Ba công cụ nền tảng

Midjourney là lựa chọn của dân sáng tạo cần ảnh "đẹp ngay từ đầu". Bạn ít phải chỉnh, ánh sáng và bố cục thường rất có gu. Điểm yếu: kém linh hoạt khi cần kiểm soát chi tiết chính xác, và render chữ trong ảnh vẫn hay sai.

DALL·E (phiên bản mới nhất tích hợp trong ChatGPT dưới tên GPT Image) mạnh ở khả năng hiểu prompt. Bạn có thể viết yêu cầu dài, phức tạp bằng tiếng Việt và nó vẫn nắm ý. Đây là công cụ dễ tiếp cận nhất cho người mới, đặc biệt khi cần ảnh có chữ (poster, infographic đơn giản).

Stable Diffusion là "sân chơi" của người muốn kiểm soát tuyệt đối. Vì mã nguồn mở, cộng đồng đã tạo ra hàng nghìn model tuỳ biến (gọi là checkpoint) và LoRA (các gói tinh chỉnh nhỏ giúp tạo phong cách hoặc nhân vật cụ thể). Bạn có thể huấn luyện AI vẽ đúng gương mặt người mẫu, đúng phong cách brand của mình. Đổi lại, nó dốc học tập cao hơn và cần máy có card đồ hoạ (GPU) khá tốt nếu chạy local.

Prompt — ngôn ngữ điều khiển

Chất lượng ảnh phụ thuộc 80% vào cách bạn viết prompt. Một prompt tốt thường có bốn thành phần: chủ thể (ai/cái gì), bối cảnh (ở đâu, làm gì), phong cách (ảnh chụp, tranh sơn dầu, 3D render...), và thông số kỹ thuật (ánh sáng, góc máy, tỷ lệ khung hình). Ví dụ: "một ly cà phê sữa đá Việt Nam đặt trên bàn gỗ, quán vỉa hè Sài Gòn buổi sáng, ảnh chụp thực tế, ánh nắng nhẹ, độ sâu trường ảnh nông, tỷ lệ 3:4".

Tình huống thực tế

Ví dụ 1 — Shop thời trang online tại TP.HCM tiết kiệm 15 triệu/tháng

Chị Lan điều hành một shop quần áo nữ trên Instagram và Shopee với khoảng 40 sản phẩm mới mỗi tháng. Trước đây chị thuê một studio chụp ảnh mẫu, chi phí trung bình 400.000đ/sản phẩm, tức khoảng 16 triệu đồng/tháng chỉ riêng phần hình ảnh lookbook.

Chị chuyển sang quy trình lai: vẫn chụp sản phẩm thật trên nền đơn giản, sau đó dùng Stable Diffusion với kỹ thuật inpainting (vẽ lại một vùng của ảnh) để thay nền thành các bối cảnh sang trọng — quán cà phê, đường phố châu Âu, studio ánh sáng đẹp. Với những post quảng bá không cần đúng 100% sản phẩm, chị dùng Midjourney tạo ảnh mood board và concept.

Kết quả sau ba tháng: chi phí hình ảnh giảm còn khoảng 3 triệu đồng/tháng (chủ yếu là phí thuê người vận hành công cụ và gói trả phí), tiết kiệm hơn 15 triệu. Bài học: AI không thay thế hoàn toàn ảnh sản phẩm thật (khách vẫn cần thấy đúng món hàng), nhưng thay thế xuất sắc phần bối cảnh và ảnh concept — nơi chi phí thuê chụp cao mà giá trị chủ yếu là "cảm xúc thương hiệu".

Ví dụ 2 — Startup fintech dựng bộ minh hoạ cho landing page

Một startup fintech tại Hà Nội (gọi là công ty M) cần khoảng 20 hình minh hoạ (illustration) đồng bộ phong cách cho website và app onboarding. Báo giá từ freelancer designer là 8–12 triệu đồng và mất 2–3 tuần.

Đội ngũ dùng DALL·E qua ChatGPT để thử nghiệm nhanh phong cách, rồi khi chốt được một style ưng ý, họ chuyển sang Stable Diffusion huấn luyện một LoRA riêng để đảm bảo toàn bộ 20 hình đồng nhất về màu sắc và nét vẽ — điều mà nếu chỉ dùng prompt thường rất khó đạt được. Trong 4 ngày, họ có đủ bộ hình.

Bài học: điểm khó nhất khi làm việc theo bộ (series) không phải là tạo một ảnh đẹp, mà là tính nhất quán. Đây chính là lý do Stable Diffusion với LoRA vượt trội cho nhu cầu chuyên nghiệp, trong khi Midjourney/DALL·E phù hợp hơn cho ảnh đơn lẻ.

Ví dụ 3 — Agency marketing pitch ý tưởng cho khách trong 30 phút

Một agency ở Đà Nẵng thường phải pitch concept quảng cáo cho khách hàng. Trước đây, để trình bày một ý tưởng, họ phải chờ mockup từ team design mất 1–2 ngày, khiến quá trình duyệt ý tưởng chậm.

Giờ trong buổi họp brainstorm, họ mở Midjourney và tạo ngay 4–6 phương án hình ảnh minh hoạ concept ngay tại chỗ. Khách hàng nhìn thấy ý tưởng "thành hình" trong vài phút, phản hồi ngay, và họ điều chỉnh liền. Tỷ lệ chốt concept ở buổi họp đầu tăng rõ rệt.

Bài học: giá trị lớn nhất của image generation không phải lúc nào cũng là "ảnh cuối cùng để xuất bản", mà thường là tốc độ biến ý tưởng thành hình để giao tiếp và ra quyết định. Đây là lợi ích dễ bị bỏ qua nhất.

Hướng dẫn từng bước

Dưới đây là quy trình thực tế để bạn tạo một ảnh dùng được, áp dụng cho cả ba công cụ:

Bước 1 — Xác định rõ mục đích và tỷ lệ. Ảnh này để làm gì? Post Facebook (1:1 hoặc 4:5), banner web (16:9), story (9:16)? Xác định trước tỷ lệ khung hình để không phải làm lại.

Bước 2 — Viết prompt theo cấu trúc 4 phần. Chủ thể + bối cảnh + phong cách + kỹ thuật. Bắt đầu bằng tiếng Anh với Midjourney/Stable Diffusion (chúng hiểu tiếng Anh tốt hơn), còn DALL·E qua ChatGPT thì tiếng Việt vẫn ổn. Ví dụ với Midjourney: young Vietnamese woman drinking iced coffee, Saigon street cafe, morning light, photorealistic, shallow depth of field --ar 4:5.

Bước 3 — Chạy và tạo nhiều biến thể. Đừng dừng ở ảnh đầu tiên. Tạo 4 phương án, chọn cái gần nhất với ý bạn, rồi dùng chức năng variation (tạo biến thể) hoặc upscale (tăng độ phân giải) để tinh chỉnh.

Bước 4 — Lặp lại prompt (iterate). Thêm/bớt từ khoá. Nếu ảnh quá tối, thêm "bright, soft lighting". Nếu sai bố cục, mô tả cụ thể hơn vị trí chủ thể. Đây là quá trình đối thoại, không phải một phát ăn ngay.

Bước 5 — Hậu kỳ nhẹ. Chỉnh màu, cắt cúp, thêm chữ bằng Canva hoặc Photoshop. AI hiếm khi cho ra sản phẩm hoàn hảo 100% — coi ảnh AI là "nguyên liệu 90%", bạn hoàn thiện 10% cuối.

Bước 6 — Kiểm tra bản quyền và điều khoản. Với dùng thương mại, hãy đọc kỹ điều khoản của từng công cụ (phần Lỗi thường gặp bên dưới).

Lỗi thường gặp & mẹo

Lỗi 1 — Prompt quá chung chung. "Một cô gái đẹp" sẽ cho ra ảnh nhạt nhoà, thiếu đặc trưng. Mẹo: càng cụ thể càng tốt về bối cảnh, ánh sáng, cảm xúc.

Lỗi 2 — Kỳ vọng chữ trong ảnh chính xác. Cả ba công cụ đều hay viết sai chính tả trong ảnh (DALL·E khá nhất nhưng vẫn không đảm bảo). Mẹo: đừng để AI render text quan trọng như tên thương hiệu — hãy thêm chữ ở khâu hậu kỳ bằng Canva.

Lỗi 3 — Tay, ngón tay và khuôn mặt bị lỗi. AI thỉnh thoảng vẽ thừa ngón tay hoặc mặt méo. Mẹo: dùng negative prompt (với Stable Diffusion) như "deformed hands, extra fingers", hoặc chỉ đơn giản tạo lại vài lần và chọn ảnh ổn.

Lỗi 4 — Bỏ qua vấn đề bản quyền và đạo đức. Với Midjourney, các gói trả phí cho phép dùng thương mại; gói miễn phí thì không. Không nên tạo ảnh mạo danh người thật hoặc bắt chước phong cách một nghệ sĩ đang sống để bán — vừa rủi ro pháp lý vừa không đúng đạo đức nghề. (Bài về AI Ethics và Compliance sẽ đào sâu phần này.)

Lỗi 5 — Đầu tư sai công cụ ngay từ đầu. Người mới thường lao vào cài Stable Diffusion local rồi nản vì phức tạp. Mẹo: bắt đầu với DALL·E (qua ChatGPT bạn có sẵn) hoặc Midjourney để làm quen tư duy prompt, chỉ chuyển sang Stable Diffusion khi bạn thực sự cần tuỳ biến sâu và làm việc theo bộ.

Mẹo vàng — Xây "thư viện prompt" riêng. Mỗi khi có prompt cho ra ảnh đẹp, hãy lưu lại. Theo thời gian bạn sẽ có bộ công thức riêng, tạo ảnh nhanh gấp nhiều lần. (Bài 55 sẽ hướng dẫn tổ chức prompt library bài bản.)

Bài tập thực hành

• Làm quen với ba công cụ: Dùng cùng một prompt — "một tô phở bò Việt Nam nóng hổi, khói bốc lên, quán ăn ấm cúng, ảnh chụp thực tế, tỷ lệ 4:5" — chạy trên DALL·E (qua ChatGPT) và ít nhất một công cụ khác (Midjourney hoặc một nền tảng Stable Diffusion online như Leonardo). So sánh sự khác biệt về thẩm mỹ và độ bám prompt.

• Luyện cấu trúc prompt 4 phần: Viết 3 prompt hoàn chỉnh cho ba nhu cầu công việc thật của bạn (ví dụ: banner khuyến mãi, ảnh minh hoạ blog, avatar thương hiệu). Mỗi prompt phải có đủ chủ thể + bối cảnh + phong cách + kỹ thuật.

• Iterate có chủ đích: Chọn một prompt, tạo ảnh, rồi tinh chỉnh ít nhất 3 lần bằng cách thay đổi từng yếu tố (ánh sáng → góc máy → phong cách). Ghi lại prompt nào cho kết quả tốt nhất vào thư viện prompt cá nhân.

• Bài tập ứng dụng thực: Chọn một sản phẩm/dịch vụ bạn đang làm, tạo trọn bộ 3 hình đồng bộ phong cách để dùng cho một post mạng xã hội. Chú ý tính nhất quán giữa ba hình.

Tóm tắt

Image generation đã trở thành kỹ năng nền tảng cho người làm nghề hiện đại. Midjourney thắng về thẩm mỹ và tốc độ ra ảnh đẹp, phù hợp concept và ảnh nghệ thuật. DALL·E (trong ChatGPT) dễ dùng nhất, bám prompt tốt, hợp người mới và nhu cầu có chữ. Stable Diffusion mã nguồn mở, linh hoạt vô hạn, là lựa chọn cho công việc chuyên nghiệp cần tuỳ biến và tính nhất quán theo bộ.

Ba nguyên tắc cốt lõi cần nhớ: (1) chất lượng ảnh phụ thuộc phần lớn vào prompt — hãy viết theo cấu trúc 4 phần và cụ thể; (2) coi ảnh AI là nguyên liệu 90%, luôn hậu kỳ 10% cuối; (3) chọn công cụ theo nhu cầu thật, bắt đầu từ đơn giản. Giá trị lớn nhất của công nghệ này không chỉ là tiết kiệm chi phí, mà là tốc độ biến ý tưởng thành hình — giúp bạn giao tiếp, thử nghiệm và ra quyết định nhanh hơn hẳn. Hãy bắt đầu ngay với công cụ bạn đang có trong tay.