Hướng dẫn AI đa phương thức — văn bản, hình ảnh, video và âm thanh trong một API tương thích với OpenAI

Hầu hết các trình tổng hợp LLM chỉ dừng ở văn bản. Khi sản phẩm của bạn cần tạo hình ảnh, chỉnh sửa ảnh, biến ảnh tĩnh thành video, lồng tiếng quảng cáo hoặc sáng tác nhạc — bạn lại phải quản lý thêm ba nhà cung cấp, ba hóa đơn và ba SDK. Kunavo cung cấp tất cả qua cùng API tương thích OpenAI. Hướng dẫn này trình bày khi nào nên dùng từng phương thức, danh sách mô hình cho mỗi phương thức và cách kết hợp chúng thành pipeline đa phương thức trong môi trường sản xuất.

Danh sách phương thức (và mục đích của từng phương thức)

• Tạo văn bản — Claude Opus/Sonnet/Haiku và GPT. Dùng cho suy luận, trò chuyện, đầu ra có cấu trúc. /docs/chat
• Tạo hình ảnh (text-to-image) — Nano Banana Pro, GPT-Image-2, Nano Banana 2. Lựa chọn tùy trường hợp sử dụng (xem phần so sánh bên dưới)
• Chỉnh sửa hình ảnh (image-to-image) — Nano Banana Edit, GPT-Image-2 Edit. Thay văn bản trên bao bì, đổi nền, chuyển phong cách
• Tạo video — Veo 3 Lite/Fast/Quality, Seedance 2 và Seedance 2 Fast, Wan 2.7. Hỗ trợ cả text-to-video và image-to-video
• Âm thanh — Nhạc — Suno V5 / V5.5. Tạo bài hát hoàn chỉnh từ prompt

Duyệt toàn bộ danh mục tại /models.

Chọn mô hình hình ảnh — quy tắc 30 giây

• Cần văn bản rõ ràng trên hình ảnh (mockup UI, áp phích, biển hiệu)? → Nano Banana Pro. Không có đối thủ
• Prompt cụ thể, giàu chi tiết? → GPT-Image-2. Hiểu prompt tốt; giá cố định ở mọi độ phân giải
• Khối lượng lớn, chi phí quan trọng? → Nano Banana 2. Rẻ nhất ở 1K, độ trung thực vẫn tốt
• Phong cách điện ảnh có chiều sâu? → Nano Banana Pro. Hiệu ứng bokeh thực sự mang tính điện ảnh

Xem phân tích chuyên sâu trong so sánh các mô hình hình ảnh — bảng so sánh mô hình hình ảnh trực tiếp của chúng tôi.

Chọn mô hình video

Có ba nhóm đang hoạt động và chúng tính phí theo các đơn vị khác nhau — Veo 3 tính theo video, Seedance và Wan tính theo giây đầu ra. Giá bên dưới là giá trong danh mục:

Vì endpoint không phụ thuộc mô hình, chuyển đổi giữa các nhóm chỉ cần thay đổi trường model và không cần làm gì khác. Hướng dẫn nhanh về video trong hướng dẫn nhanh Veo 3 video của chúng tôi; chi tiết theo từng mô hình trong hướng dẫn Seedance API và Wan API.

Tạo hình ảnh — kiến thức cơ bản

# Text-to-image: same OpenAI SDK, different model slug
img = client.images.generate(
    model="nano-banana-pro",          # Google's flagship — best text rendering
    prompt="a marketing hero for a fintech app, isometric, soft blue palette",
    size="1024x1024",
)
print(img.data[0].url)  # permanent: https://files.kunavo.com/...

URL kết quả là vĩnh viễn, với hình ảnh cũng như video: Kunavo lưu trữ mọi kết quả trên CDN files.kunavo.com của mình và trả về URL của tệp đã lưu trữ.

Image-to-video — biến tài sản hiện có thành chuyển động

Bạn đã có ảnh sản phẩm trên website. Veo 3 có thể biến bất kỳ ảnh nào thành clip sản phẩm dài 8 giây:

# Image-to-video: upload a hero image, animate into an 8-second product clip
# (every Veo clip is 8 seconds; the Veo models ignore "duration").
# The OpenAI SDK has no method for the video route, so post to it with the
# same client.
video = client.post(
    "/video/generations",
    body={
        "model": "veo-3",
        "prompt": "camera slowly orbits, soft cinematic light, product hero shot",
        "image_url": hero_image_url,
        "aspect_ratio": "9:16",   # vertical for Reels / TikTok / IG short
        "resolution": "1080p",
    },
    cast_to=object,
    options={"timeout": 600.0},   # a clip takes minutes
)
print(video["data"][0]["url"])

Các đội marketing trước đây chi $500-1500 cho mỗi buổi quay video có thể rút gọn thành một clip từ $0,18+ (Veo 3.1 Lite) đến $1,60+ (Veo 3.1 Quality) cộng thêm khoảng 30 giây xử lý. Đặc biệt hiệu quả cho animation hero thương mại điện tử, ảnh chụp màn hình App Store / Play Store và nội dung giới thiệu sản phẩm trên mạng xã hội.

Kết hợp các phương thức — siêu năng lực thực sự

Các quy trình thú vị kết hợp nhiều phương thức theo trình tự. Một dây chuyền sản xuất clip marketing:

# Pipeline: GPT-Image generates a marketing hero, Veo 3 animates it,
# Suno scores the BGM. One API, one bill.
# Here client is AsyncOpenAI(api_key=..., base_url="https://api.kunavo.com/v1").
async def make_marketing_clip(product: dict) -> dict:
    # 1. Hero image
    img = await client.images.generate(
        model="gpt-image-2",
        prompt=f"hero shot of {product['name']}, premium aesthetic",
        size="1024x1792",
    )

    # 2. Animate to 8s vertical (the length of every Veo clip). The SDK has
    #    no method for the video and music routes, so post to them directly.
    video = await client.post(
        "/video/generations",
        body={
            "model": "veo-3",
            "prompt": f"camera orbits {product['name']}, cinematic lighting",
            "image_url": img.data[0].url,
            "aspect_ratio": "9:16",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    # 3. BGM
    bgm = await client.post(
        "/audio/music",
        body={
            "model": "suno-v5",
            "prompt": "upbeat synth, 30 seconds, brand-friendly",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    return {"video": video["data"][0]["url"], "bgm": bgm["data"][0]["url"]}

Chạy quy trình này song song cho 100 SKU với asyncio.gather() là bạn có một pipeline sản xuất danh mục marketing. Tổng chi phí khoảng ~$1-2 cho mỗi SKU từ đầu đến cuối. So với $500-2000 cho mỗi tài sản từ một agency sáng tạo.

Các yếu tố thực tế cần cân nhắc

• Thời hạn URL kết quả: cả hình ảnh và video đều vĩnh viễn trên files.kunavo.com của Kunavo; URL trên máy chủ khác là URL tạm thời của nhà cung cấp thượng nguồn, được trả về khi lưu trữ thất bại (hãy tự lưu trên máy chủ của bạn)
• Thời gian tạo: hình ảnh khoảng 5-30 giây, video khoảng 30 giây-3 phút, nhạc khoảng 30 giây. Dùng force-dynamic ở phía máy chủ và hiển thị tiến trình cho người dùng
• Các lần tạo thất bại đều miễn phí — Kunavo không bao giờ tính phí 4xx/5xx, vì vậy bạn có thể tự do lặp lại prompt
• Kết xuất văn bản trong video: Veo 3 gặp khó khăn với văn bản nhiều từ trong video. Hãy kết xuất văn bản ở bước hậu kỳ (CapCut, Final Cut, canvas phía trình duyệt) thay vì yêu cầu mô hình kết xuất
• Khuôn mặt thật / IP: tất cả mô hình lớn đều từ chối tạo người nổi tiếng, nội dung chính trị và nhân vật có bản quyền. Hãy sử dụng nhân vật nguyên bản hoặc IP được cấp phép
• Tỷ lệ khung hình: 9:16 (video dọc ngắn), 16:9 (phong cảnh), 1:1 (bảng tin), 4:5 (chân dung Instagram). Truyền qua aspect_ratio trên video; với hình ảnh, dùng size="1024x1792" v.v.

Các trường hợp sử dụng đa phương thức phổ biến (kèm prompt bắt đầu)

• Animation hero sản phẩm thương mại điện tử — image-to-video, camera quỹ đạo, 8 giây, 9:16
• Dàn dựng ảo bất động sản — chỉnh sửa hình ảnh để thêm nội thất vào phòng trống
• Sản xuất carousel marketing / Reels — tạo hàng loạt hình ảnh theo phong cách thương hiệu + animation bằng Veo
• Clip giải thích giáo dục — tạo slide dưới dạng hình ảnh, tạo animation bằng Veo 3, chấm điểm bằng Suno
• Nhạc mở đầu podcast & nhận diện âm thanh — nhạc nền và đoạn nhạc ngắn bằng Suno cho chương trình của bạn, tạo từ prompt
• Tạo tài sản game / ứng dụng — chân dung nhân vật, biểu tượng vật phẩm, nền môi trường bằng Nano Banana Pro / GPT-Image-2

Khi nào KHÔNG nên dùng đa phương thức

• Tài sản thương hiệu nghiêm ngặt — đầu ra mô hình bị lệch, ngay cả khi prompt chặt chẽ. Dùng AI để tạo biến thể trên một bản gốc do con người thiết kế, không dùng để thay thế bản gốc
• Khuôn mặt người thật — tất cả mô hình lớn đều từ chối; có rủi ro pháp lý/IP nếu tìm cách vượt qua
• Video trực tiếp / tạo theo thời gian thực — các mô hình hiện tại mất 30 giây-3 phút cho mỗi clip. Chưa phù hợp với trường hợp sử dụng trực tiếp
• Độ chính xác quan trọng — hình ảnh y tế, bằng chứng pháp lý, ấn phẩm khoa học. Tạo đa phương thức mang tính sáng tạo, không phải sự kiện thực tế

Đa phương thức với một hóa đơn duy nhất là mục đích thực sự của Kunavo. Bắt đầu tại /docs/images hoặc /docs/video để xem tham chiếu endpoint, hoặc duyệt /models được lọc theo danh mục.

Để xem bảng giá theo từng mô hình đứng sau các pipeline này, hãy xem so sánh API tạo hình ảnh và so sánh API tạo video.

Câu hỏi thường gặp