Tại sao AI tạo ảnh vẫn 'bó tay' với những yêu cầu bố cục phức tạp?

Tạo một bức ảnh phong cách sống nhiệt đới đơn giản với một người và một quả dừa thì thành công ngay lập tức. Nhưng nếu yêu cầu một poster phong cách anime với đầy đủ dàn diễn viên của 13 Reasons Why — với trang phục đúng nguyên bản, bố cục nhiều lớp, kiểu chữ tích hợp, và hiệu ứng nền trừu tượng — thì lại thất bại. Sự thất bại đó, được ghi lại từ một phiên làm việc thực tế với một mô hình AI tạo ảnh tiên tiến, đã phơi bày ranh giới khó khăn nhất của chất lượng hình ảnh do AI tạo ra hiện nay: các yêu cầu bố cục phức tạp vẫn là bài toán khó nhất.

Prompt đã yêu cầu những gì?

Người dùng đã đưa ra một prompt cực kỳ chi tiết, mang tính chuyên nghiệp để tạo một poster anime biên tập cho series Netflix. Yêu cầu bao gồm:

• Độ chính xác tuyệt đối: Mỗi nhân vật mặc đúng trang phục như trong phim, không được thiết kế lại
• Bố cục: Nhân vật chính ở chính giữa, nửa người, kích thước lớn; các nhân vật phụ xếp phía sau với độ sâu và tỷ lệ khác nhau
• Phong cách: Nét vẽ anime sạch sẽ, tô bóng bán phẳng, độ tương phản cao, độ phân giải 4K
• Thương hiệu: Kiểu chữ tiêu đề phim đúng font gốc, một câu trích dẫn mang tính biểu tượng như một yếu tố đồ họa
• Tâm trạng: Các nét cọ, đường chéo năng lượng, lớp phủ sần sùi phù hợp với tông màu của phim — tất cả được tích hợp trên nền trắng với các hình khối trừu tượng đại diện cho bối cảnh phim

Đây không phải là một yêu cầu đơn giản. Nó đòi hỏi khả năng nhận diện nhân vật nhất quán trên nhiều hình tượng, kiểm soát bố cục chính xác và hiển thị văn bản trong cùng một hình ảnh — ba điểm yếu đã được biết đến của các mô hình tạo sinh.

Tại sao mô hình từ chối yêu cầu?

Mô hình đã trả về lỗi: "The AI model could not complete this request. Please try again or choose another model." Sự từ chối thẳng thừng này — thay vì tạo ra một kết quả chất lượng thấp — cho thấy prompt đã vượt quá ngưỡng an toàn hoặc khả năng của mô hình.

Một số yếu tố có khả năng đã gây ra sự thất bại:

1. Nhạy cảm về bản quyền và thương hiệu. 13 Reasons Why là một tài sản có bản quyền của Netflix. Các mô hình ngày càng chặn các prompt đề cập trực tiếp đến các thương hiệu giải trí thực tế, tên diễn viên hoặc tên phim để tránh tạo ra nội dung vi phạm bản quyền. Một prompt đề cập đến trang phục cụ thể của nhân vật và kiểu chữ của phim gần như chắc chắn sẽ kích hoạt bộ lọc an toàn.

2. Độ phức tạp của bố cục nhiều nhân vật. Các mô hình AI tạo ảnh hiện tại mạnh nhất với các cảnh có một chủ thể hoặc hai chủ thể đơn giản. Một yêu cầu có năm nhân vật trở lên trong một bố cục chiều sâu có kiểm soát, mỗi nhân vật trong trang phục nguyên bản, với phong cách nghệ thuật nhất quán xuyên suốt, vượt quá phạm vi đáng tin cậy của hầu hết các kiến trúc dựa trên diffusion.

3. Độ tin cậy của văn bản và kiểu chữ. Các mô hình tạo sinh vẫn gặp khó khăn trong việc hiển thị văn bản có thể đọc được — đặc biệt là các phông chữ tùy chỉnh, trích dẫn và tiêu đề nhiều từ — mà không bị lỗi, sai chính tả hoặc biến dạng chữ cái. Prompt cố tình yêu cầu kiểu chữ đậm và một câu trích dẫn tích hợp, điều này có thể đã bị đánh dấu là rủi ro cao dẫn đến thất bại.

Điều này cho chúng ta biết gì về AI tạo ảnh hiện tại?

Thật dễ dàng để cho rằng vì AI có thể tạo ra các bức chân dung photorealistic hoặc phong cảnh mơ mộng theo yêu cầu, nên nó có thể xử lý các thiết kế biên tập phức tạp. Phiên làm việc này chứng minh điều ngược lại. Các trường hợp sử dụng đáng tin cậy nhất vẫn là:

• Chân dung một chủ thể hoặc ảnh toàn thân
• Nền trừu tượng hoặc cách điệu mà không có thương hiệu
• Mô tả tâm trạng và ánh sáng (nắng nhẹ, long lanh, nhiệt đới) không ràng buộc các nhân vật cụ thể

Các bố cục nhiều nhân vật với tham chiếu nguyên bản, chiều sâu phân lớp, văn bản tích hợp và IP có thương hiệu vẫn thất bại quá thường xuyên để có thể sử dụng trong công việc sản xuất chuyên nghiệp. Người dùng thiết kế áp phích, bìa sách hoặc nghệ thuật biên tập với các yêu cầu nhân vật cụ thể nên lên kế hoạch cho một quy trình làm việc nhiều bước: tạo hình ảnh từng nhân vật riêng lẻ, ghép chúng theo cách thủ công, và thêm văn bản và hiệu ứng nền trong một công cụ thiết kế.

Giải pháp thay thế cho các yêu cầu bố cục phức tạp

Nếu bạn cần một kết quả giống như áp phích, cách tiếp cận đáng tin cậy nhất trong năm 2025 là chia nhỏ prompt thành các phần nhỏ hơn, an toàn hơn:

1. Tạo từng nhân vật riêng lẻ trên một nền nhất quán (trắng hoặc trong suốt). Giữ mỗi prompt đủ tổng quát để tránh kích hoạt bản quyền — mô tả trang phục thay vì nêu tên phim.
2. Ghép các hình ảnh trong một trình chỉnh sửa hoặc sử dụng công cụ inpainting để sắp xếp các nhân vật ở các độ sâu và tỷ lệ khác nhau.
3. Thêm văn bản, lớp phủ và hiệu ứng riêng biệt bằng phần mềm chỉnh sửa hình ảnh.
4. Kết xuất nâng cấp cuối cùng để khôi phục độ phân giải bị mất trong quá trình ghép.

Quy trình làm việc theo từng giai đoạn này sẽ giúp bạn vượt qua các giới hạn hiện tại của mô hình trong khi vẫn tạo ra kết quả chất lượng biên tập như mục tiêu ban đầu của prompt.

Kết luận

Các prompt bố cục phức tạp vẫn là bài toán khó nhất trong lĩnh vực AI tạo ảnh hiện đại. Khoảng cách giữa những gì một prompt mô tả và những gì một mô hình có thể thực hiện một cách đáng tin cậy là rộng nhất chính xác ở những nơi các nhà thiết kế chuyên nghiệp cần nó nhất: bố cục nhiều nhân vật, độ trung thực trang phục nguyên bản, kiểu chữ tích hợp và nội dung có thương hiệu.

Cho đến khi các mô hình có thể xử lý nhất quán tất cả các yêu cầu đó trong một lần, các nhóm sáng tạo cần coi AI tạo sinh như một thành phần trong một quy trình sản xuất lớn hơn — chứ không phải là một đầu ra hoàn chỉnh. Bức ảnh dừa nhiệt đới đã hoạt động. Tấm áp phích dàn diễn viên thì không. Sự khác biệt đó mới là bài học thực sự.