D-ID là công ty công nghệ có trụ sở tại Tel Aviv, Israel, chuyên phát triển nền tảng AI biến ảnh tĩnh, văn bản hoặc audio thành video digital human biết nói, biết biểu cảm và đồng bộ khẩu hình như người thật. Thành lập năm 2017, D-ID hiện phục vụ hơn 250 triệu video được tạo ra qua Creative Reality™ Studio và có hơn 280.000 developer đang xây dựng giải pháp trên API của công ty, với khách hàng tiêu biểu như MyHeritage, Warner Bros và Mondelēz. Bài viết dưới đây giới thiệu D-ID, các sản phẩm chính của công ty và hướng dẫn từng bước để tạo một video digital human đầu tiên trên Creative Reality Studio.
>> Tham khảo: HoloHuman – AI Digital Human
Mục lục
Giới thiệu về D-ID
D-ID (viết tắt của “De-Identification”) khởi nguồn từ công nghệ ẩn danh hóa hình ảnh phục vụ mục đích bảo vệ quyền riêng tư, trước khi chuyển hướng sang phát triển công nghệ tạo video AI. Công ty xây dựng nền tảng dựa trên sự kết hợp giữa ba công nghệ cốt lõi: face animation (hoạt hình khuôn mặt bằng deep learning và GAN), text-to-speech chuyển văn bản thành giọng nói tự nhiên trên hơn 100 ngôn ngữ, và mô hình ngôn ngữ lớn (LLM) hỗ trợ soạn kịch bản cũng như vận hành hội thoại thời gian thực.
D-ID theo đuổi tầm nhìn thay thế giao diện đồ họa truyền thống (GUI) bằng giao diện người dùng tự nhiên (Natural User Interface – NUI), nơi con người tương tác với công nghệ qua hội thoại trực diện với một digital human, thay vì gõ lệnh hay bấm nút. Công nghệ của D-ID được ứng dụng rộng trong marketing, chăm sóc khách hàng, đào tạo nhân sự (L&D) và cả các giải pháp hỗ trợ khả năng tiếp cận, như dịch sang ngôn ngữ ký hiệu theo thời gian thực hoặc phục hồi khả năng giao tiếp cho người mắc bệnh ALS. D-ID hiện có khoảng 90 nhân sự trên toàn cầu, hợp tác chiến lược với Microsoft Azure để mở rộng hạ tầng AI và bảo mật cấp doanh nghiệp cho nền tảng của mình.
Các sản phẩm của D-ID
D-ID cung cấp một hệ sinh thái sản phẩm xoay quanh việc tạo, cá nhân hóa và triển khai digital human ở cả dạng video dựng sẵn và tương tác thời gian thực. Các sản phẩm chính gồm:
Creative Reality™ Studio
Creative Reality™ Studio là nền tảng tự phục vụ (self-service), cho phép người dùng chuyển văn bản, ảnh hoặc audio thành video có nhân vật digital human nói chuyện, khả dụng trên cả desktop và mobile. Nền tảng cung cấp thư viện hơn 100 AI Presenter có sẵn, cho phép tải ảnh cá nhân lên để tạo avatar riêng (Photo Avatar), hoặc dùng công nghệ Stable Diffusion để tạo gương mặt hoàn toàn mới từ mô tả văn bản. Studio hỗ trợ tùy chỉnh biểu cảm khuôn mặt (vui, nghiêm túc, ngạc nhiên, trung tính), bố cục canvas, lớp (layers), độ trong suốt và các mẫu (template) dựng sẵn cho từng mục đích như video giải thích sản phẩm, nội dung mạng xã hội hay video onboarding nhân sự.
AI Avatars (Photo Avatar và Video Avatar)
Đây là các nhân vật digital human làm nền cho mọi sản phẩm của D-ID. Người dùng có thể chọn avatar có sẵn trong thư viện, tạo Photo Avatar từ một tấm ảnh tĩnh, hoặc dựng Video Avatar (từ gói Pro) bằng cách tải lên một đoạn video ngắn để nhân bản chuyển động và giọng nói thành “bản sao số” (digital twin) của chính mình. Mỗi avatar hỗ trợ điều khiển cảm xúc, chọn phong cách giọng nói và tải lên audio tùy chỉnh, giúp thương hiệu duy trì hình ảnh nhất quán qua nhiều nội dung khác nhau.
D-ID Agents (Visual AI Agents)
D-ID Agents là digital human tương tác thời gian thực, có thể nhúng trực tiếp vào website, ứng dụng hoặc bài trình chiếu để trò chuyện trực diện với người dùng thay cho chatbot dạng văn bản truyền thống. Agent được vận hành bằng LLM kết hợp công nghệ RAG (Retrieval-Augmented Generation), giúp nhân vật trả lời dựa trên dữ liệu riêng của doanh nghiệp mà không cần huấn luyện lại toàn bộ mô hình. Số lượng Agent được nhúng tùy theo gói dịch vụ, dùng phổ biến trong chăm sóc khách hàng, bán hàng, đào tạo nhân sự và trợ lý học tập cá nhân hóa.
Developer API và Streaming API
D-ID cung cấp bộ API cho developer để tích hợp công nghệ digital human vào sản phẩm riêng, gồm Talking Head API để tạo video từ ảnh và script, cùng Streaming API với độ trễ (latency) cực thấp cho các trải nghiệm hội thoại thời gian thực. API của D-ID đã được hơn 280.000 developer sử dụng và tích hợp sẵn với hạ tầng Microsoft Azure (Azure OpenAI, Azure Cognitive Services, Azure Kubernetes Service), giúp doanh nghiệp triển khai ở quy mô lớn với độ ổn định và bảo mật cấp doanh nghiệp.
Video Translate và Agentic Videos
Video Translate cho phép dịch một video có sẵn sang hơn 30 ngôn ngữ khác, đồng thời đồng bộ lại khẩu hình theo ngôn ngữ mới mà không cần quay lại từ đầu. Agentic Videos là công nghệ mới nhất của D-ID, biến video truyền thống – vốn chỉ mang tính một chiều – thành trải nghiệm hai chiều: người xem có thể đặt câu hỏi, yêu cầu giải thích thêm ngay trong lúc xem hoặc sau khi video kết thúc, nhờ một AI Agent được gắn kèm trong chính video đó.
Mobile App
D-ID Mobile App (khả dụng trên iOS và Android) từng đoạt giải Golden Kitty Award của Product Hunt, cho phép người dùng tạo video digital human ngay trên điện thoại – phù hợp cho nhân viên hiện trường, người quản lý mạng xã hội hoặc nhà sáng tạo nội dung cần sản xuất nhanh khi di chuyển.
Hướng dẫn sử dụng D-ID theo từng bước
Dưới đây là quy trình cơ bản để tạo video digital human đầu tiên trên Creative Reality™ Studio, tổng hợp theo hướng dẫn chính thức từ D-ID.
Bước 1: Đăng ký và đăng nhập tài khoản Truy cập website D-ID và tạo tài khoản bằng email, Google hoặc LinkedIn. D-ID cung cấp gói Trial miễn phí, không yêu cầu thẻ tín dụng, kèm một số credit video để trải nghiệm các tính năng cốt lõi.
Bước 2: Bắt đầu tạo video mới Sau khi đăng nhập, vào Creative Reality™ Studio và nhấn nút “Create Video” ở góc trên hoặc thanh menu bên trái để mở giao diện tạo video mới.
Bước 3: Chọn presenter (nhân vật digital human) Trên trang “Create Video”, chọn một trong ba cách: dùng AI Presenter có sẵn trong thư viện, nhấn “Upload your own photo” để tải ảnh cá nhân lên, hoặc dùng công cụ tạo ảnh bằng AI (Stable Diffusion) để tạo gương mặt hoàn toàn mới. Nên chọn ảnh chụp thẳng mặt, ánh sáng rõ, miệng khép và không bị vật che khuất để hoạt hình khuôn mặt cho kết quả tốt nhất.
Bước 4: Nhập script hoặc tải audio Nhập trực tiếp đoạn văn bản (script) mà nhân vật sẽ nói, hoặc nhấn “Upload audio” để dùng file ghi âm có sẵn. Studio hỗ trợ script dài tối đa khoảng 700 từ hoặc 5 phút cho mỗi video.
Bước 5: Chọn ngôn ngữ và giọng nói Chọn ngôn ngữ trong danh sách hơn 100 ngôn ngữ và giọng đọc phù hợp với script; lưu ý ngôn ngữ của script cần khớp với ngôn ngữ giọng đọc đã chọn để tránh lệch âm. Chọn giới tính giọng nói, sau đó nhấn biểu tượng nghe thử để chọn được chất giọng phù hợp nhất, có thể nghe lại nhiều lần trước khi quyết định.
Bước 6: Chọn biểu cảm cho nhân vật Chọn một trong các biểu cảm có sẵn – vui vẻ, nghiêm túc, ngạc nhiên hoặc trung tính – để nhân vật thể hiện xuyên suốt video, giúp nội dung tự nhiên và phù hợp với ngữ cảnh hơn.
Bước 7: Tùy chỉnh bố cục video Thiết lập tỷ lệ khung hình (ngang, vuông, dọc), thêm hình ảnh, văn bản hoặc logo thương hiệu bằng công cụ layer, sau đó dùng công cụ định vị và độ trong suốt để sắp xếp các thành phần cho gọn gàng, tránh chồng chéo gây rối mắt.
Bước 8: Tạo video và xuất file Kiểm tra lại toàn bộ nội dung, sau đó nhấn nút “Generate Video” ở góc trên bên phải. Hệ thống sẽ hiển thị số credit cần dùng (thường tính theo mỗi 15 giây video), xác nhận và chờ xử lý trong vài phút tùy độ dài video. D-ID sẽ gửi thông báo cả trong Studio và qua email khi video hoàn tất; sau đó chỉ cần nhấn “Download” để lưu file MP4 về máy (lưu ý video ở dạng draft sẽ không tải được, cần render hoàn chỉnh trước).
Sau khi quen với quy trình cơ bản này, người dùng có thể khai thác thêm các tính năng nâng cao như phụ đề SRT (từ gói Pro), Scenes để ghép tối đa 10 đoạn cảnh thành một video liền mạch, Video Translate để dịch nội dung sang ngôn ngữ khác, hoặc chuyển sang dùng API nếu muốn tích hợp digital human trực tiếp vào sản phẩm hay website của riêng mình.
Cập nhật: Ngày 4 Tháng 7, 2026
