TL;DR
GPT Image 2 là một công cụ tạo hình ảnh bằng trí tuệ nhân tạo (AI) ra mắt vào năm 2026, dựa trên hai mô hình gpt-image-2-text-to-image và gpt-image-2-image-to-image của nền tảng KIE, có khả năng biến các mô tả văn bản hoặc hình ảnh tham chiếu thành những tác phẩm có chất lượng như ảnh chụp chuyên nghiệp. Công cụ này áp dụng mức giá thống nhất là 12 điểm cho mỗi hình ảnh, với độ dài tối đa của lời nhắc là 20.000 ký tự, được thiết kế dành riêng cho những người sáng tạo mong muốn có chất lượng hình ảnh chuyên nghiệp, nhưng không muốn mất thời gian với ComfyUI và cũng không muốn bị mô hình đăng ký làm cạn kiệt ngân sách. Dùng thử miễn phí GPT Image 2 →
GPT Image 2 thực sự là gì?
GPT Image 2 là một sản phẩm tạo hình ảnh bằng trí tuệ nhân tạo, có khả năng chuyển đổi mô tả bằng ngôn ngữ tự nhiên, ảnh tham khảo hoặc sự kết hợp của cả hai thành hình ảnh hoàn chỉnh. Đằng sau sản phẩm là hai mô hình do KIE quản lý: gpt-image-2-text-to-image chịu trách nhiệm chuyển đổi văn bản thuần túy thành hình ảnh, trong khi gpt-image-2-image-to-image được sử dụng trong các tình huống cần sửa đổi dựa trên một hình ảnh hiện có. Cả hai chế độ này đều được cung cấp thông qua cùng một giao diện web, đáp ứng hai nhu cầu phổ biến nhất của các nhà thiết kế, chuyên gia tiếp thị và người làm nội dung tự do: biến ý tưởng thành hình ảnh hoặc thực hiện các chỉnh sửa có kiểm soát trên hình ảnh hiện có.
Bạn có thể coi đây là thế hệ kế thừa trực tiếp của "quy trình xử lý hình ảnh kiểu GPT" do DALL-E 3 và GPT-4o mở ra trong kỷ nguyên tạo hình ảnh, nhưng nó nhắm đến một vấn đề rất cụ thể vào năm 2026: các nhóm nhỏ cần những bức ảnh trông như được chụp tại studio chuyên nghiệp, phải có được trong vài giây và phải phù hợp với ngân sách cuối tháng. GPT Image 2 đã giải quyết đồng thời cả ba vấn đề này. Dù là độ phân giải hay tỷ lệ khung hình, mức giá thống nhất 12 điểm/ảnh giúp việc tính toán chi phí trở nên cực kỳ đơn giản; dung lượng lời nhắc 20.000 ký tự có nghĩa là ngay cả bản brief sáng tạo dài và có cấu trúc phức tạp nhất cũng có thể được đưa vào nguyên vẹn, không cần phải cắt bỏ các hướng sáng tạo quan trọng chỉ để đạt đủ số lượng ký tự.
Chính cái tên này cũng phản ánh quá trình trưởng thành của toàn bộ thể loại. Các công cụ "hình ảnh kiểu GPT" thế hệ đầu tiên mang tính chất thử nghiệm, với chất lượng đầu ra dao động từ kỳ quái đến tuyệt vời. GPT Image 2 đại diện cho mức chuẩn của năm 2026: chất lượng hình ảnh ổn định ở mức chuyên nghiệp, hiển thị văn bản trong hình ảnh đẹp mắt, cùng trải nghiệm nhập lời nhắc theo kiểu đối thoại "như đang giao tiếp với cộng sự" thay vì "như đang quay máy đánh bạc". Đây không phải là phiên bản xem trước, mà là một công cụ tạo hình ảnh có thể đưa vào sản xuất ngay lập tức. Cùng với toàn bộ dòng công cụ hình ảnh AI của chúng tôi — Trình tạo gợi ý hình ảnh, Trang tạo hình ảnh từ văn bản độc lập, Trình chỉnh sửa hình ảnh từ hình ảnh — nó tạo thành một vòng tròn khép kín hoàn chỉnh, cho phép bạn chọn lối vào phù hợp nhất tùy theo tính chất nhiệm vụ.
Ai đã tạo ra nó, mô hình được đặt ở đâu
Mô hình tạo hình ảnh được cung cấp bởi KIE, một nền tảng lưu trữ mô hình, thông qua việc cung cấp API để chia sẻ loạt mô hình gpt-image-2 với bên ngoài. Chúng tôi đã tích hợp thêm một lớp giao diện web, ví điểm, lịch sử lời nhắc và hệ thống tài khoản trên các API này. Sự phân công này rất quan trọng: chất lượng hình ảnh và dấu vân tay phong cách mà bạn thấy được xác định bởi nền tảng của KIE, trong khi tốc độ tạo hình, tỷ lệ trực tuyến và trải nghiệm sản phẩm là cam kết từ phía chúng tôi. Vì vậy, khi ai đó hỏi "GPT Image 2 là gì", câu trả lời ngắn gọn nhất là: KIE cung cấp mô hình, chúng tôi cung cấp sản phẩm.
Tính đến tháng 4 năm 2026, hai tính năng được đề cập ở trên là hai chế độ tạo hình duy nhất được mở cho người dùng trong giao diện người dùng. Chúng tôi không có nút "Nâng cấp độ phân giải" riêng biệt, không có tab "Biến thể hàng loạt", cũng như không có công cụ "Vẽ lại cục bộ" độc lập — tính năng sau thực tế đã được thay thế bằng lệnh "Tạo hình ảnh từ hình ảnh và thêm văn bản". Việc duy trì giao diện sản phẩm tối giản như vậy là có chủ đích. Nhiều công cụ xử lý hình ảnh chất đầy từ tám đến mười nút chức năng, phần lớn trong số đó hầu như không ai sử dụng; việc loại bỏ chúng lại giúp những điểm mạnh thực sự của mô hình — khả năng hiểu lời nhắc và độ chân thực như ảnh chụp — trở thành nền tảng cho toàn bộ trải nghiệm sản phẩm.
Tại sao chỉ cần hai chế độ "chuyển văn bản thành hình ảnh" và "chuyển hình ảnh thành hình ảnh" là đủ
Bất kỳ nhiệm vụ sáng tạo nào cuối cùng cũng có thể được tóm gọn thành một trong hai yêu cầu: hoặc là "Hãy tạo cho tôi một bức ảnh về X", hoặc là "Hãy chỉnh sửa bức ảnh này theo hướng Y". Công nghệ tạo hình ảnh từ văn bản giải quyết yêu cầu đầu tiên: bạn mô tả những gì mình muốn, nhấn nút tạo, và nhận được một bức ảnh vốn không tồn tại trước đó. Chức năng "hình sinh hình" giải quyết vấn đề thứ hai: bạn tải lên một hình ảnh, dùng văn bản để yêu cầu mô hình thay đổi nền, điều chỉnh ánh sáng, thêm sản phẩm lên bàn làm việc, hoặc biến bản phác thảo thành tranh sơn dầu, và nó sẽ trả về một biến thể tôn trọng cấu trúc của hình ảnh gốc. Hai chế độ này kết hợp với không gian gợi ý 20.000 ký tự, đủ để bao quát hầu hết các tình huống trong chỉnh sửa minh họa, sáng tạo tiếp thị, hình ảnh sản phẩm, bìa video và thiết kế ý tưởng; phần còn lại chỉ là vấn đề luyện tập để thành thạo.
Cơ chế hoạt động của GPT Image 2
Từ góc nhìn của người dùng, việc tạo ra một hình ảnh chỉ đơn giản là nhập lời nhắc và nhấn nút. Nhưng từ góc nhìn của kỹ sư, trong vài giây từ lúc nhấn nút đến khi hình ảnh xuất hiện, hệ thống thực tế đã thực hiện rất nhiều công việc. GPT Image 2 sử dụng mô hình hình ảnh lan tỏa hiện đại — cùng dòng với Midjourney, Stable Diffusion 3, DALL-E 3 — nhưng bộ mã hóa văn bản và chiến lược huấn luyện của nó được tối ưu hóa đặc biệt cho các lời nhắc dài và cụ thể. Sự khác biệt dễ nhận thấy nhất trên hình ảnh chính là mức độ "tuân thủ" các chỉ dẫn. Các mô hình trước đây khi gặp lời nhắc dài 500 từ sẽ làm mờ đi các chi tiết, trong khi gpt-image-2 coi lời nhắc như một bản mô tả kỹ thuật bắt buộc phải thực hiện.
Nguyên lý của mô hình lan truyền là học "quá trình ngược lại của quá trình thêm nhiễu". Trong quá trình huấn luyện, hình ảnh thực tế được thêm nhiễu ngẫu nhiên lặp đi lặp lại cho đến khi không thể phân biệt được với hình ảnh tĩnh thuần túy; mạng học cách loại bỏ nhiễu từng bước một, dựa trên mô tả văn bản làm điều kiện. Khi tạo ra hình ảnh, quy trình diễn ra ngược lại: bắt đầu từ nhiễu thuần túy, để các từ gợi ý dẫn dắt quá trình loại bỏ nhiễu hội tụ thành một hình ảnh hợp lý phù hợp với văn bản. Nếu muốn tìm hiểu chi tiết về mặt toán học, bạn có thể tham khảo bài viết về mô hình khuếch tán trên Wikipedia, nếu muốn tìm hiểu về cách tiếp cận kỹ thuật trong việc căn chỉnh văn bản, bạn có thể đọc báo cáo kỹ thuật chính thức về DALL-E 3 của OpenAI, cả hai tài liệu này đều là nguồn lý thuyết mà thế hệ mô hình hình ảnh hiện tại kế thừa.
Sự khác biệt lớn nhất giữa gpt-image-2 và các mô hình khuếch tán thông thường nằm ở bộ mã hóa lời nhắc của nó. Hệ thống cũ sử dụng bộ mã hóa văn bản CLIP đơn giản, có thể nắm bắt ý chính một cách dễ dàng, nhưng thường gặp khó khăn trong việc xử lý các chi tiết như thứ tự, số lượng và mối quan hệ không gian. gpt-image-2 sử dụng bộ mã hóa quy mô mô hình ngôn ngữ, có thể hiểu được các câu có ràng buộc không gian như "ba tách cà phê ở bên trái khung hình, một cuốn sổ tay màu đỏ ở bên phải, ánh sáng buổi sáng ấm áp chiếu qua cửa sổ phía sau". Kết quả đầu ra thực tế cũng chứng minh điều này: độ chính xác về bố cục không gian, số lượng vật thể và văn bản nhúng trong hình (ví dụ: "biển hiệu ghi 'OPEN'") cao hơn rất nhiều so với hai năm trước.
Tushengtu đi theo một con đường khác
Tạo hình ảnh từ văn bản bắt đầu từ tiếng ồn thuần túy, còn tạo hình ảnh từ hình ảnh bắt đầu từ bức ảnh bạn tải lên. Mô hình sẽ thêm một phần nhiễu vào ảnh gốc — thường ở mức độ phá hủy từ 30% đến 70% — rồi loại bỏ nhiễu theo hướng dẫn của từ khóa. Hai núm điều chỉnh sẽ kiểm soát kết quả đầu ra: khi mức nhiễu thấp, ảnh gốc gần như được giữ nguyên, phù hợp để chỉnh sửa chân dung hoặc tinh chỉnh tông màu; khi mức nhiễu cao, ảnh gốc bị xói mòn đáng kể, từ khóa sẽ chi phối cấu trúc mới, phù hợp để chuyển đổi phong cách hoặc "biến bản phác thảo thành tranh sơn dầu".
GPT Image 2 đã ẩn hai nút điều chỉnh này trong ngôn ngữ của lời nhắc. Nếu bạn nói "Giữ nguyên khuôn mặt, chỉ thay đổi nền thành con phố Tokyo trong đêm mưa", mô hình sẽ chọn chế độ nhiễu thấp; còn nếu bạn nói "Vẽ lại thành bức tranh sơn dầu theo phong cách ấn tượng", mô hình sẽ chuyển sang chế độ nhiễu cao. Khả năng hiểu ý định của người dùng chính là yếu tố then chốt giúp giao diện người dùng (UI) duy trì sự gọn gàng như vậy — cùng một giao diện API nhưng có thể thực hiện những tác vụ hoàn toàn khác nhau tùy theo lời nhắc của bạn.
Tại sao thời gian xử lý lại kéo dài đến mức này?
Thông thường, một hình ảnh sẽ được trả về trong vòng 4 đến 15 giây. Quá trình suy luận của mô hình lan truyền cần thực hiện từ 20 đến 50 bước khử nhiễu, mỗi bước đều phải truyền qua mạng có hàng tỷ tham số theo hướng tiến. Mỗi bước chỉ mất vài mili giây trên các bộ gia tốc hiện đại, nhưng tổng thời gian thực tế chủ yếu bị chiếm dụng bởi thời gian chờ trong hàng đợi, thời gian truyền đi-về qua mạng và quá trình truyền lần đầu của bộ mã hóa văn bản. Ở cấp độ sản phẩm, chúng tôi không thể tối ưu hóa phần này, nhưng điều này giải thích tại sao đôi khi quá trình tạo ra kết quả lại chậm hơn bình thường — điều đó hầu như luôn trùng với thời điểm cao điểm về lưu lượng của cụm suy luận KIE, và không liên quan đến phía bạn.
Năng lực cốt lõi và điểm khác biệt thực sự
Trong vài tháng qua, tôi đã sử dụng gpt-image-2 để tạo ra hàng nghìn hình ảnh, bao gồm các tài liệu trình bày, ảnh bìa blog, mô hình sản phẩm và ảnh thu nhỏ trên mạng xã hội. Có ba tính năng giúp công cụ này tạo ra sự khác biệt rõ rệt nhất so với các công cụ thế hệ 2024 mà mọi người thường sử dụng.
Điểm đầu tiên là khả năng thực thi brief dài. Chỉ cần dán một bản brief sáng tạo dài 600 từ vào — bối cảnh, chủ thể, trang phục, ánh sáng, góc quay, cảm xúc — thì ngay từ lần tạo đầu tiên, phần lớn các điểm chính đã được tái hiện. 18 tháng trước, điều này vẫn chưa thể thực hiện được. Với bản brief dài như vậy, DALL-E 3 sẽ không nắm bắt được trọng tâm, còn Stable Diffusion 1.5 sẽ bắt đầu bịa đặt. GPT Image 2 thực thi bản brief như một bản thông số kỹ thuật; ngay cả khi thỉnh thoảng bỏ sót một chi tiết nào đó, cách sửa chữa thông thường chỉ là viết lại chi tiết đó ở vị trí gần đầu hơn hoặc in đậm để nhấn mạnh, cơ bản là không cần phải viết lại toàn bộ.
Điểm thứ hai là độ chân thực đạt chuẩn nhiếp ảnh cùng những điểm sáng tinh khiết. Đặc điểm dễ bộc lộ nhất của các hình ảnh AI thế hệ năm 2022 chính là làn da trông giả tạo và những điểm sáng phản chiếu lệch lạc. gpt-image-2 có thể xử lý chính xác hiện tượng tán xạ dưới bề mặt da, sự suy giảm ánh sáng mềm mại từ hộp đèn, cũng như hiện tượng tán sắc của ống kính khẩu độ lớn — kết quả tạo ra khiến người xem không chuyên khó có thể nhận ra ngay đó là sản phẩm của AI. Tuy nhiên, nó vẫn chưa hoàn hảo. Trong 15 bức ảnh, có khoảng 1 bức sẽ gặp vấn đề với bàn tay, và các cảnh cận cảnh cực gần của đồng hồ cơ cũng có thể xuất hiện tình trạng sắp xếp bánh răng kỳ lạ. Tuy nhiên, tổng thể đã mang lại cảm giác như "sản phẩm từ studio".
Điểm thứ ba là hiển thị văn bản trong hình ảnh. Trong các mô hình lan truyền thế hệ đầu tiên, việc mong muốn có một đoạn văn bản dễ đọc trong hình ảnh gần như là điều không thể. GPT Image 2 thể hiện khá đáng tin cậy với các đoạn văn bản ngắn: biển báo đường phố, nhãn mác, bìa sách, tên thương hiệu, ngày tháng, khẩu hiệu ngắn, nhãn số đều được hiển thị ổn định. Các đoạn văn bản dài vẫn sẽ bị biến dạng thành ký tự lộn xộn giống như chữ La-tinh, vì vậy đừng dùng nó để tạo ra toàn bộ nội dung trang, nhưng tiêu đề gồm ba đến bốn từ trên áp phích thì không còn là vấn đề nữa.
Phạm vi phong cách như thế nào?
Phạm vi phong cách là điều mà hầu hết các bài so sánh đều lười kiểm tra, nhưng đó lại chính là điểm mà GPT Image 2 thực sự tạo ra sự khác biệt. Quay phim điện ảnh, minh họa biên tập, đồ họa vector phẳng, kết xuất sản phẩm 3D, tranh sơn dầu, tranh màu nước, phong cách anime, nghệ thuật pixel, sơ đồ kỹ thuật — mô hình này đều có thể hoàn thành tất cả mà không cần chồng chất các token phong cách. Chỉ cần mô tả hiệu ứng thẩm mỹ bằng ngôn ngữ thông thường, ví dụ như "tranh màu nước trên giấy ép lạnh, có đường phác thảo bút chì rõ ràng", nó sẽ tạo ra hình ảnh tương ứng. So với Midjourney, nơi hình thành cả một hệ sinh thái văn hóa phụ dựa trên việc ghi nhớ mã tham chiếu, trải nghiệm ở đây lại đơn giản một cách tương phản: muốn gì thì nói ra đó.
Tỷ lệ chiều rộng trên chiều cao, độ phân giải và lợi ích của việc áp dụng mức giá thống nhất
Sản phẩm này đã đưa ra một quyết định táo bạo: GPT Image 2 sẽ không tính thêm phí nếu bạn chọn độ phân giải 4K, cũng như không tăng giá nếu bạn chọn định dạng dọc. Mỗi hình ảnh đều có giá 12 điểm, không có ngoại lệ. Điều này nghe có vẻ như một chiêu thức tiếp thị, nhưng thực tế nó sẽ thay đổi cách làm việc của bạn. Bạn sẽ ngừng việc liên tục nén lời nhắc để tiết kiệm điểm, bạn sẽ thoải mái tạo ra nhiều phiên bản, loại bỏ 80% và giữ lại 20% phiên bản thực sự gây ấn tượng với bạn. Trong cả tháng, sự gia tăng năng suất do sự khác biệt về tâm lý này mang lại là điều mà những công cụ tính phí theo biến số không thể mang lại cho bạn.
Nó không làm gì cả
GPT Image 2 chỉ tạo ra hình ảnh tĩnh, không phải là công cụ tạo hoạt hình. Để tạo hiệu ứng chuyển động cho hình ảnh, cần kết hợp với các mô hình tạo video từ văn bản hoặc tạo video từ hình ảnh. Nó cũng không phải là công cụ tạo hình vectơ, mà chỉ xuất ra định dạng raster WebP/PNG; để thiết kế logo, bạn vẫn cần sử dụng Illustrator. Nó cũng không phải là trình chỉnh sửa dựa trên proxy, không thể khoanh vùng một phần để tái tạo riêng lẻ như tính năng Generative Fill của Photoshop — giải pháp thay thế gần nhất là sử dụng lời nhắc mô tả để tạo hình ảnh từ hình ảnh, và điều này đủ dùng trong hầu hết các trường hợp.
Những đối tượng nào phù hợp nhất để sử dụng GPT Image 2
Cách nhanh nhất để xác định một công cụ có phù hợp với bạn hay không là xem mình thuộc nhóm nào. Trong quý vừa qua, tôi đã nhiều lần nhận thấy năm nhóm người sau đây qua dữ liệu người dùng và các cuộc phỏng vấn.
Tiếp thị một mình trong mô hình SaaS từ 5 đến 50 nhân viên. Người này viết blog, gửi bản tin, chọn ảnh gốc và thiết kế từng tấm ảnh cho mạng xã hội. Công ty không có nhà thiết kế nội bộ, cũng không có thời gian để thuê ngoài chỉ vì một bài blog. Anh ấy cần 20 tấm ảnh có phong cách thống nhất mỗi tuần, mỗi tấm phải hoàn thành trong vòng 10 phút, và trông như được tạo ra từ cùng một thế giới biên tập. GPT Image 2 gần như hoàn hảo cho mô tả này: mức giá cố định cho phép anh ta tạo ra 200 hình ảnh mỗi tháng, chỉ giữ lại 50 hình ảnh chất lượng cao, trong khi bộ phận tài chính hoàn toàn không nhíu mày khi xem hóa đơn.
Nhà phát triển game độc lập hoặc nhà sản xuất ứng dụng. Trong giai đoạn tiền sản xuất, người này cần các bản phác thảo nhân vật chính, hình ảnh thẻ bài, bản nháp biểu tượng và tài liệu tham khảo. Thông thường, họ sẽ không đưa trực tiếp hình ảnh do AI tạo ra vào game, mà sử dụng chúng làm tiêu chuẩn hình ảnh, sau đó giao cho họa sĩ thực hiện việc hoàn thiện chi tiết. Một lời nhắc 20.000 ký tự là một ân huệ đối với họ, bởi vì bản tóm tắt thiết kế trò chơi vốn đã rất dài — thế giới quan, cảm xúc, bảng màu đều được dán vào, tạo ra, và lặp lại.
Các nhà sáng tạo nội dung trên YouTube, TikTok và Substack. Họ cần hình thu nhỏ, cần những hình ảnh đủ thu hút và cần cập nhật nhanh chóng, bởi vì dữ liệu hậu trường của nền tảng chính là vòng phản hồi. Một "xưởng sản xuất bìa" có thể cung cấp cho họ 30 biến thể hình thu nhỏ trong vòng nửa giờ để họ chọn ra ba hình phù hợp nhất, chính là công việc mà công nghệ tạo hình từ văn bản phù hợp nhất để thực hiện.
Những người làm công tác giáo dục hoặc tác giả tài liệu kỹ thuật. Sự xuất hiện của nhóm này có phần bất ngờ. Giáo viên, người thiết kế khóa học và tác giả tài liệu đang chiếm một phần ngày càng lớn trong số người dùng; họ cần các sơ đồ, hình ảnh hóa các khái niệm trừu tượng, cũng như những hình ảnh minh họa đầu trang thỉnh thoảng trong các bản trình chiếu. Khả năng kiểm soát văn bản trong hình và bố cục có cấu trúc của mô hình đặc biệt hữu ích ở đây — một sơ đồ chu trình nước được chú thích rõ ràng, một hình minh họa theo phong cách mạng thần kinh, hoặc một hình nền vui tươi cho tuần thứ ba của khóa học Python. Vì các từ khóa có thể rất dài, họ có thể nhúng nội dung giảng dạy trực tiếp vào từ khóa, giúp kết quả thu được gần với thực tế hơn, thay vì chỉ là cảm giác "công nghệ" chung chung.
Dành cho các nhà thiết kế tự do hoặc bộ phận sáng tạo của công ty quảng cáo. Các chuyên gia coi đây là công cụ hỗ trợ tạo bảng cảm hứng: Thay vì dành cả buổi chiều lướt Pinterest để tìm cảm hứng, bạn có thể tạo ra 40 ý tưởng trong cùng khoảng thời gian đó, chọn ra ba ý tưởng mạnh nhất làm điểm khởi đầu, rồi hoàn thiện thủ công để bàn giao sản phẩm cuối cùng. Với mức giá 12 điểm cho mỗi bản thiết kế, chi phí cho giai đoạn nghiên cứu dự án còn rẻ hơn cả một bữa ăn mời khách hàng.
Sản phẩm này không phù hợp với ai
Nếu bạn cần kiểm soát từng pixel ở các khu vực cụ thể trên hình ảnh — như quy trình làm việc với tính năng Generative Fill trong Photoshop, nơi bạn phải chỉnh sửa tỉ mỉ bằng cọ vẽ và mặt nạ — thì GPT Image 2 không phải là lựa chọn phù hợp nhất. Nếu bạn cần đầu ra vector ở mức độ logo, nó cũng không phù hợp. Nếu bạn cần trình tạo hoạt động ngoại tuyến hoặc trên mạng nội bộ cục bộ, tính đến tháng 4 năm 2026, chúng tôi chỉ cung cấp giải pháp API được quản lý thông qua KIE, không có tùy chọn tự quản lý. Nếu quy trình làm việc của bạn là duy trì tính nhất quán cho cùng một nhân vật trong hàng chục khung truyện tranh, các công cụ chuyên dụng để đảm bảo tính nhất quán của nhân vật vẫn sẽ vượt trội hơn so với các trình tạo đa năng.
Giá cả, cách truy cập và cách bắt đầu
Giá cả rất hợp lý: 12 điểm cho mỗi hình ảnh. Không có phí phụ thu về độ phân giải, không có chênh lệch giá giữa định dạng dọc và ngang, cũng không có nút "cao cấp" nào lén lút làm tăng gấp đôi hóa đơn. Bạn mua điểm, chi 12 điểm cho mỗi hình ảnh, số điểm còn lại trong ví luôn rõ ràng. So sánh với các thư viện hình ảnh truyền thống rất dễ thấy: phí cấp phép cho một hình ảnh chất lượng cao trên các trang web thư viện hình ảnh chính thống tương đương với chi phí tạo ra từ 15 đến 80 hình ảnh tại đây, trong khi bạn vẫn không có được bản quyền độc quyền thực sự.
Chỉ mất chưa đầy hai phút để bắt đầu. Truy cập Trang chủ để đăng ký; sau khi đăng nhập, bạn sẽ ngay lập tức truy cập vào công cụ tạo hình ảnh. Nhập từ khóa gợi ý vào ô nhập liệu, hoặc tải lên một hình ảnh tham khảo để tạo hình ảnh, sau đó nhấn "Tạo". Kết quả sẽ được hiển thị trực tiếp và tự động lưu vào lịch sử tài khoản. Tải xuống định dạng WebP mặc định, nhấp chuột phải để lấy ảnh gốc ở độ phân giải đầy đủ. Không cần cài đặt ứng dụng trên máy tính để bàn, không cần cài đặt tiện ích mở rộng, không cần tham gia nhóm Discord. Chỉ cần trình duyệt là đủ, thiết bị chỉ cần hỗ trợ tổng hợp GPU hiện đại (về cơ bản, các máy tính sản xuất từ năm 2019 trở đi đều không có vấn đề gì).
Nếu bạn muốn kết hợp nhiều kết quả tạo ra để tạo nên một ý tưởng lớn hơn — chẳng hạn như chuẩn bị một bộ tranh minh họa có phong cách thống nhất cho một chuỗi bài viết trên blog — thì cách làm an toàn nhất là trước tiên hãy viết bản tóm tắt về nhân vật hoặc phong cách trong Trình tạo lời nhắc hình ảnh, sau đó dán bản tóm tắt này vào trình tạo chính và lặp lại quy trình nhiều lần. Chúng tôi đã phân tích chi tiết quy trình làm việc này trong Hướng dẫn sử dụng GPT Image 2 và Hướng dẫn từ khóa GPT Image 2, trong đó phần sau tập trung vào các cấu trúc và từ bổ nghĩa nào có thể giúp mô hình đi đúng hướng mà bạn mong muốn.
Cách sử dụng điểm thưởng như thế nào
Điểm sẽ bị trừ ngay khi kết quả được tạo ra, chứ không phải khi bạn gửi từ khóa gợi ý. Nếu việc tạo kết quả thất bại do sự cố tạm thời ở phía máy chủ, điểm sẽ tự động được hoàn lại; nếu việc tạo kết quả thành công nhưng kết quả không như ý bạn, thì vẫn được tính là đã sử dụng một lần — vì mô hình đã thực sự hoàn thành công việc. Trong thực tế, tỷ lệ thành công ngay từ lần đầu khá cao, nên quy tắc này không khiến người dùng cảm thấy bất công. Trong các hình ảnh tiếp thị hàng ngày của tôi, "tỷ lệ hài lòng" khoảng 1/4 lời nhắc cần gửi lại, và 12 điểm cho mỗi lần sử dụng hoàn toàn không phải là con số khiến người dùng nhăn mặt vào cuối tháng.
Sử dụng cho mục đích thương mại và bản quyền
Tính đến tháng 4 năm 2026, các hình ảnh do người dùng phiên bản trả phí tạo ra được phép sử dụng cho mục đích thương mại. Tuy nhiên, luật bản quyền đối với hình ảnh do AI tạo ra vẫn chưa hoàn toàn được xác định rõ ràng tại một số khu vực pháp lý — theo hướng dẫn hiện hành của Cục Bản quyền Hoa Kỳ, các sản phẩm do AI tạo ra hoàn toàn được coi là thiếu yếu tố sáng tạo của con người và do đó không được bảo hộ. Điều này không quan trọng đối với phần lớn các mục đích tiếp thị và biên tập, nhưng nếu bạn muốn thiết kế logo hoặc nhãn hiệu, hãy tham khảo ý kiến luật sư và yêu cầu nhà thiết kế con người hoàn thiện sản phẩm cuối cùng. Trang chuyên đề về AI của Cục Bản quyền Hoa Kỳ theo dõi sự phát triển của chính sách hiện tại, rất đáng để thêm vào danh sách yêu thích.
Hạn chế và điểm yếu: Nó không giỏi ở điểm nào
Các bạn đọc đến đây xứng đáng được nghe một lời chia sẻ thẳng thắn. Không có mô hình hình ảnh nào là hoàn hảo cả, và việc giả vờ rằng nó hoàn hảo chẳng khác nào gài mìn cho hạn chót hai tuần sau – khi mô hình đột ngột “bỏ cuộc”, bạn sẽ phải gánh vác hậu quả. Dưới đây là một số tình huống điển hình mà tôi nhận thấy GPT Image 2 có thể gặp trục trặc.
Cấu trúc bàn tay và các bộ phận cơ thể có kích thước nhỏ. Mô hình đã tốt hơn nhiều so với thế hệ năm 2024, nhưng ở các cảnh cận cảnh bàn tay, vẫn có khoảng 10 đến 15 bức ảnh thì lại gặp vấn đề một lần. Các ngón tay dính vào nhau, xuất hiện ngón tay thứ sáu thừa, hoặc ngón cái uốn cong sai hướng. Nếu bàn tay chỉ là chi tiết nền, sẽ không ai nhận ra; nhưng nếu đó là hình ảnh chính với lòng bàn tay hướng về ống kính, bạn sẽ phải tạo lại nhiều lần. Một cách tránh lỗi rất hiệu quả là ghi trực tiếp vào lời nhắc "không có bàn tay trong khung hình" hoặc "hai tay buông thõng tự nhiên", mô hình thường sẽ khéo léo tránh được vấn đề này.
Văn bản dài trong hình. Các câu ngắn thì không vấn đề gì, các biển hiệu, nhãn mác hay bìa tạp chí chỉ gồm vài từ cũng được. Nhưng với một đoạn văn bản dài thì còn xa mới đạt yêu cầu. Nếu bạn muốn có một "bức ảnh chụp màn hình email", hãy sắp xếp đoạn văn bản đó trong công cụ thiết kế rồi ghép vào, đừng trông chờ mô hình sẽ tự động tạo ra nội dung chính cho bạn.
Dưới dạng tham chiếu một hình ảnh, nhận diện sẽ hoàn toàn trùng khớp. Tính năng "Tạo hình từ hình ảnh" có thể giữ lại các đặc điểm chung của đối tượng, nhưng nó không phải là công cụ nhân bản khuôn mặt. Nếu bạn cần "chính xác cùng một người" xuất hiện trong 20 hình ảnh, thì đến hình thứ năm hoặc thứ sáu sẽ bắt đầu xuất hiện sự sai lệch nhẹ về nhận diện. Giải pháp là quy trình làm việc dựa trên nhiều hình ảnh tham chiếu; lĩnh vực này đang phát triển rất nhanh, và chúng tôi sẽ thảo luận chi tiết trong một bài viết riêng. Đối với các chiến dịch quy mô nhỏ bao gồm một hình ảnh chính kèm theo một vài hình ảnh mở rộng, công nghệ tạo hình từ hình ảnh là đủ khả năng đáp ứng.
Chính sách nội dung và bộ lọc an toàn. Một số mô hình phân loại sẽ từ chối: các nhân vật công chúng có tên thật, nội dung người lớn, và các tình huống nhạy cảm liên quan đến trẻ em. Bộ lọc đôi khi có thể nhầm lẫn với các từ gợi ý hoàn toàn vô hại, do một số từ kích hoạt cơ chế khớp từ khóa. Trong trường hợp này, hãy thử lại bằng cách diễn đạt khác. Hầu hết các trường hợp nhầm lẫn sẽ được thông qua khi bạn diễn đạt lại cùng một ý nghĩa bằng cách dùng từ ngữ khác vào lần thứ ba.
Tính nhất quán về phong cách khi xử lý khối lượng lớn. Nếu bạn tạo ra 50 hình ảnh cho hướng dẫn phong cách của một thương hiệu, có thể dự đoán rằng 45 hình sẽ trông rất đồng nhất, còn 5 hình còn lại sẽ giống như những "con cừu đen" được "trôi dạt" từ một mô hình khác. Giải pháp là hoặc tái tạo lại 5 hình ảnh đó bằng các từ khóa hướng dẫn chặt chẽ hơn, hoặc chấp nhận một mức độ chênh lệch nhất định về phong cách. Đối với các thương hiệu lớn có tiêu chuẩn phong cách cực kỳ nghiêm ngặt, vẫn cần có một giám đốc nghệ thuật con người để kiểm duyệt bản thảo cuối cùng — đây có lẽ là điều cần thiết đối với bất kỳ thương hiệu nghiêm túc nào.
Độ trễ phản hồi trong giờ cao điểm. Thời gian xử lý sẽ kéo dài đáng kể trong khoảng từ 14:00 đến 22:00 (giờ UTC), trùng với khung giờ làm việc của Mỹ và châu Âu. Trong điều kiện bình thường, thời gian tạo kết quả dao động từ 4 đến 8 giây, nhưng vào giờ cao điểm có thể kéo dài lên 15 đến 30 giây; trong một số trường hợp hiếm hoi, lần đầu tiên có thể bị hết thời gian chờ nhưng lần thứ hai lại thành công. Đây là thực tế khách quan của việc chia sẻ GPU để suy luận vào năm 2026.
"Đó không phải là phép thuật" — Một tuyên bố về sự tin tưởng
Loại công cụ này về bản chất là một hàm xác suất được định nghĩa trên một phân phối học máy khổng lồ. Nó rất mạnh về khả năng nội suy — tạo ra những thứ trông giống như phân phối dữ liệu huấn luyện. Ngược lại, nó lại khá yếu về khả năng ngoại suy — tức là tạo ra những thứ thực sự chưa từng tồn tại. Nếu bạn yêu cầu nó vẽ "một con mèo", nó sẽ làm rất chính xác; nhưng nếu bạn yêu cầu nó vẽ "một sinh vật ngoài hành tinh cơ khí sinh học chưa từng xuất hiện trong bất kỳ tác phẩm khoa học viễn tưởng nào", kết quả thường là một sinh vật "trông giống như những sinh vật ngoài hành tinh cơ khí sinh học từng xuất hiện trong tiểu thuyết khoa học viễn tưởng", bởi vì tập dữ liệu huấn luyện chỉ có những thứ đó. Nếu bạn điều chỉnh kỳ vọng một cách chính xác, nó sẽ đáp ứng lại bạn.
Câu hỏi thường gặp
GPT Image 2 thực sự là gì? Hãy giải thích ngắn gọn trong một câu
GPT Image 2 là một công cụ tạo hình ảnh AI ra mắt vào năm 2026, dựa trên dòng mô hình gpt-image-2 của KIE, có khả năng biến văn bản và hình ảnh tham chiếu thành những bức ảnh chất lượng chuyên nghiệp, với mức giá cố định là 12 điểm cho mỗi hình ảnh. Công cụ này hỗ trợ cả chức năng tạo hình ảnh từ văn bản và tạo hình ảnh từ hình ảnh, cho phép sử dụng lời gợi ý dài tối đa 20.000 ký tự, và đặc biệt nổi bật khi xử lý các bản tóm tắt dài và có cấu trúc.
Nó có phải là cùng một công nghệ với DALL-E 3 và GPT-4o trong việc tạo hình ảnh không?
Không. GPT Image 2 được vận hành bởi họ mô hình gpt-image-2 do KIE quản lý; về mặt khái niệm, nó tiếp nối dòng phát triển của "GPT Image", nhưng mã nguồn thì hoàn toàn khác biệt. Cách đặt tên này thể hiện mối quan hệ nguồn gốc: nó kế thừa phương pháp luận dựa trên ngôn ngữ và các lời nhắc dài do DALL-E 3 tiên phong, nhưng tồn tại như một hệ thống được phát triển độc lập và được lưu trữ trên hạ tầng của KIE.
GPT Image 2 có mức phí như thế nào?
Mỗi hình ảnh được tính 12 điểm, không phụ thuộc vào độ phân giải, tỷ lệ chiều rộng/chiều cao hay chế độ tạo hình (từ văn bản sang hình ảnh hoặc từ hình ảnh sang hình ảnh). Không có bất kỳ khoản phí ẩn nào cho "chất lượng cao" hay "cao cấp" — bởi vì thực tế không có chế độ cao cấp nào cả; mặc định là hình ảnh được xuất ra với chất lượng tối đa.
Hình ảnh được tạo ra có thể sử dụng cho mục đích thương mại không?
Được, các hình ảnh do người dùng phiên bản trả phí tạo ra được cấp phép sử dụng cho mục đích thương mại. Bạn phải chịu trách nhiệm về nội dung lời nhắc và các tình huống sử dụng sau này — công cụ sẽ không cấp phép cho bạn sử dụng các hình ảnh nhân vật được bảo hộ nhãn hiệu. Riêng đối với logo và nhãn hiệu, vui lòng nhờ nhà thiết kế chuyên nghiệp hoàn thiện sản phẩm cuối cùng, vì theo luật bản quyền Hoa Kỳ hiện hành, các sản phẩm do AI tạo ra hoàn toàn sẽ không được bảo hộ nếu thiếu sự sáng tạo của con người.
Độ dài tối đa của từ khóa là bao nhiêu?
20.000 ký tự, tương đương khoảng 3.000 từ tiếng Anh, dài hơn hầu hết các bản tóm tắt ý tưởng. Trên thực tế, độ dài "hiệu quả" của lời gợi ý ngắn hơn nhiều, thường chỉ từ 300 đến 600 từ — nếu dài hơn, mô hình sẽ bắt đầu đưa ra kết quả trung bình thay vì phản hồi chính xác. Giới hạn này được thiết lập để đảm bảo các đầu vào có cấu trúc dài (mô tả bối cảnh đầy đủ + danh sách cảnh quay + ghi chú về phong cách) không bị cắt ngắn.
Cách sử dụng Tushengtu như thế nào?
Tải lên một hình ảnh gốc và mô tả những thay đổi bạn muốn thực hiện trong phần mô tả. Với các yêu cầu chỉnh sửa nhẹ, chẳng hạn như "thay đổi nền thành bãi biển vàng lúc hoàng hôn", hình ảnh gốc sẽ được giữ nguyên phần lớn. Với các yêu cầu chỉnh sửa mạnh, chẳng hạn như "vẽ lại theo phong cách truyện tranh thập niên 1960", hình ảnh gốc sẽ được tái hiện lại một cách đáng kể. Cùng một giao diện API sẽ tự động xác định xem cần thực hiện chỉnh sửa nhẹ hay mạnh dựa trên ý định ngôn ngữ của bạn.
Hình ảnh được tạo ra có định dạng gì?
Mặc định là định dạng WebP, hỗ trợ nén không mất dữ liệu và tương thích tốt với các trình duyệt. Nếu các công cụ ở giai đoạn sau không hỗ trợ WebP, bạn có thể sử dụng bất kỳ trình chuyển đổi trên trình duyệt hoặc máy tính để bàn nào để chuyển đổi sang định dạng PNG hoặc JPEG chỉ trong một bước. Độ phân giải cuối cùng phụ thuộc vào tỷ lệ chiều rộng và chiều cao được chỉ định trong lời nhắc.
Có gói miễn phí không?
Khi đăng ký tài khoản mới, bạn sẽ nhận được điểm khởi động miễn phí, đủ để tạo một vài hình ảnh dùng thử trước khi quyết định có nên thanh toán hay không. Sau khi dùng hết, bạn có thể mua điểm tại trang tài khoản. Người dùng mua lần đầu hoặc truy cập trang web qua blog thỉnh thoảng sẽ nhận được điểm khuyến mãi bổ sung; thông tin chi tiết sẽ tùy thuộc vào chương trình khuyến mãi đang hiển thị trên trang chủ tại thời điểm đó.
Bạn đã sẵn sàng bắt đầu chưa?
GPT Image 2 giải quyết một vấn đề rất cụ thể vào năm 2026: tạo ra các hình ảnh tĩnh chất lượng cao một cách nhanh chóng, chi phí thấp và có thể dự đoán được, mà không cần phải loay hoay với các công cụ phức tạp. Hai chế độ mà nó hỗ trợ — tạo hình ảnh từ văn bản và tạo hình ảnh từ hình ảnh — bao quát hầu hết các quy trình sáng tạo, trong khi mức giá thống nhất 12 điểm giúp việc thanh toán trở nên đơn giản.
Sử dụng GPT Image 2 ngay bây giờ để tạo →
Nếu muốn tìm hiểu sâu hơn, tài liệu hữu ích nhất tiếp theo chính là cẩm nang thực hành của chúng tôi Cách sử dụng GPT Image 2, trong đó trình bày các mẫu câu gợi ý, những lỗi thường gặp, cũng như quy trình mẫu để tạo ra bộ sưu tập hình ảnh có phong cách thống nhất. Nếu bạn muốn luyện viết lời nhắc giống như luyện chữ, hãy đọc Hướng dẫn lời nhắc GPT Image 2, tài liệu này phân tích chi tiết các cấu trúc và từ bổ nghĩa giúp định hướng mô hình một cách chắc chắn theo hướng bạn mong muốn.
