DeHubOpen DeHub

DeHub › Blog

Higgsfield Genjutsu hoạt động như thế nào? Và cách Maboroshi làm cùng việc đó rẻ hơn (2026)

By DeHub Team — 2026-10-24

How Higgsfield Genjutsu works, and how DeHub Maboroshi does the same job for less

Higgsfield Genjutsu lấy một video thật và hoán đổi một thứ trong đó: một người, một thú cưng, một sản phẩm, một bộ trang phục. Chuyển động máy quay, nhịp thời gian và hậu cảnh giữ nguyên như lúc quay. Higgsfield không nói nó hoạt động thế nào, nên đa số mọi người nghĩ đó là một mô hình bí mật duy nhất.

Không phải vậy. Khi tháo rời ra, chỉnh sửa kiểu Genjutsu là một chuỗi tám bước, và gần như mọi mắt xích đều là mô hình mở quen thuộc. Chúng tôi đã dựng lại chuỗi đó thành Maboroshi, bên trong DeHub Creator. Tự vận hành nó cho chúng tôi thấy chi phí thật sự nằm ở đâu, và đó là lý do chúng tôi có thể tính giá thấp hơn.

Hướng dẫn này đi qua từng bước với một khung hình thật từ mỗi bước. Sau đó nói về cách thay đổi cả một cảnh, chi phí của từng lựa chọn, và điều gì xảy ra với clip của bạn sau khi tạo xong.

Higgsfield Genjutsu làm gì

Theo trang Genjutsu của Higgsfield, bạn có hai chế độ:

Bạn tải lên một clip dài từ 4 đến 30 giây, thêm tối đa 30 ảnh tham chiếu, rồi chọn một trong hơn 30 preset hoặc viết một mô tả ngắn. Đầu ra tối đa 1080p. Higgsfield không nói mô hình nào chạy bên dưới.

Thứ bạn thấy được là kết quả. Chuyển động máy quay được giữ lại, ánh sáng khớp, chủ thể mới đứng sau đúng các vật thể, và miệng cử động đúng nhịp giọng nói. Một mô hình text-to-video đơn lẻ không làm được điều đó, nên phải có thứ gì đó đo đạc clip gốc trước. Phần đo đạc đó chính là thứ mọi người gọi là kỹ thuật đảo ngược, và nó chia thành tám công việc.

Cách hoạt động, từng bước một

Điểm khởi đầu của chúng tôi là Genjutsu Open Source Workflow của Sirio Berati, cấp phép MIT. Nó cho thấy hiệu ứng có thể được dựng lại từ các thành phần mở. Chúng tôi giữ những bước quan trọng, thay những bước không an toàn cho người dùng thật, và thêm thanh toán, khâu duyệt và khôi phục. Mỗi hình ảnh dưới đây được tạo bằng cách chạy bước đó trên một clip thật.

Bước 1: Chuẩn hóa clip

Mỗi lượt tải lên được chuyển về 24 khung hình mỗi giây ổn định và thu nhỏ tối đa 960 pixel ở cạnh dài. Video quay bằng điện thoại thường có tốc độ khung hình thay đổi, khiến mô hình bị lệch nhịp. Tốc độ cố định và kích thước cố định cho mọi bước sau cùng một lưới để làm việc, đồng thời giữ cho việc xử lý nhanh và rẻ.

Clip phải dài 30 giây trở xuống và phải có âm thanh. Trên tuyến Kling của Maboroshi, clip phải dài từ 3 đến 15 giây, mỗi cạnh ít nhất 720 pixel.

Ba khung hình một người đàn ông đi bộ qua Quảng trường Thời Đại sau khi chuẩn hóa về 24 khung hình mỗi giây ổn định

Bước 2: Tách nhạc nền ra

Âm thanh được tách ra trước khi bắt đầu tạo bất cứ thứ gì. Demucs, một mô hình mở, tách giọng nói khỏi nhạc, nên mô hình video chỉ nhận đúng thứ nó cần. Toàn bộ track gốc được cất riêng, giữ nguyên.

Đây là lý do clip hoàn chỉnh nghe giống hệt bản gốc. Mô hình video xử lý âm thanh kém: chúng làm lệch nhịp, làm nhòe hoặc tự bịa ra âm thanh mới. Vì vậy track gốc không bao giờ đi qua mô hình ngay từ đầu.

Nhạc nền gốc được cất riêng trước khi tạo và gắn lại, giống từng bit, ở cuối

Bước 3: Lập bản đồ độ sâu

Một mô hình độ sâu ước tính mỗi pixel cách máy quay bao xa, từng khung hình một. Maboroshi dùng Video Depth Anything, được xây dựng cho video và ổn định từ khung hình này sang khung hình khác. Hình dưới đây được tạo bằng một mô hình độ sâu nhỏ hơn cho từng khung hình đơn, nhưng ý tưởng giống nhau: gần thì sáng, xa thì tối.

Độ sâu là thứ giúp chủ thể mới đứng đúng chỗ, đúng kích thước, trước những chiếc taxi và sau cột đèn. Không có nó, nhân vật được hoán đổi sẽ trông như đang lơ lửng.

Một khung hình Quảng trường Thời Đại cạnh bản đồ độ sâu của nó, nơi người đàn ông đang đi sáng nhất vì ở gần máy quay nhất

Bước 4: Cắt tách chủ thể

SAM 3 Video, Segment Anything của Meta dành cho video, tìm chủ thể bạn chỉ định (ví dụ "person") và vẽ một mask gọn gàng quanh nó ở mọi khung hình. Những mảnh vụn nhỏ ở mép được tự động làm sạch để các pixel lạc không làm mô hình bối rối. Mask cho bộ render biết chính xác cái gì cần thay và cái gì giữ nguyên.

Chủ thể trong một khung hình Quảng trường Thời Đại được cắt tách thành một mask trắng gọn gàng, con phố xung quanh bị làm tối

Bước 5: Theo dõi khuôn mặt

MediaPipe Face Landmarker vẽ một lưới gồm 478 điểm lên mỗi khuôn mặt, ở mọi khung hình. Lưới đó mang biểu cảm, cử động quay đầu và chuyển động môi sang nhân vật mới. Đó là lý do một chú mèo được hoán đổi vẫn trông như đang hát câu hát đó.

Một ảnh selfie trên sân ga với lưới khuôn mặt 478 điểm được vẽ lên mặt người

Bước 6: Bạn duyệt video điều khiển

Độ sâu, mask và lưới khuôn mặt được ghép thành một video điều khiển, và bạn xem nó trước khi có bất cứ bước tốn kém nào. Nếu phần cắt tách sai, bạn dừng ở đó và không phải trả thêm gì. Bản render cuối chỉ chạy trên đúng phiên bản bạn đã duyệt. Thay clip, chủ thể hoặc ảnh tham chiếu thì việc duyệt sẽ được đặt lại.

Higgsfield không cho bạn thấy giai đoạn này. Chúng tôi nghĩ đây là giai đoạn hữu ích nhất, vì mask kém là lý do chính khiến một bản render trả phí bị hỏng.

Khung hình nguồn cạnh video điều khiển tổng hợp: độ sâu màu xám với mask chủ thể màu trắng, kèm nút Duyệt

Bước 7: Render

Bản render chạy theo một trong hai cách:

Trước và sau: một người đàn ông trên vạch qua đường biến thành chú mèo lông xù, cùng bước chân và cùng con phố

Bước 8: Gắn lại âm thanh gốc

Cả hai tuyến đều kết thúc bằng việc gắn lại toàn bộ track âm thanh gốc, được sao chép chứ không mã hóa lại. Giọng nói, nhịp và thời gian giữ đúng như lúc bạn quay, và đó là điều đầu tiên mọi người nhận ra khi so sánh các kết quả cạnh nhau.

Thay đổi bất kỳ cảnh nào, hoặc bất kỳ thứ gì trong cảnh

Ngày 12 tháng 10 năm 2026, Higgsfield ra mắt Katana, một kỹ năng chỉnh sửa chạy bên trong một cuộc trò chuyện AI. Bạn đưa cho nó một video tham chiếu, hoặc một preset từ thư viện của nó, cùng tối đa năm ảnh về người, sản phẩm hoặc quần áo. Nó dựng lại toàn bộ bản dựng xoay quanh những thứ đó, giữ cấu trúc cảnh quay và nhịp của video tham chiếu, và chỉ render lại những cảnh bạn sửa. Nó cần một gói Higgsfield đang hoạt động và tiêu tín dụng của gói đó.

Bất kỳ cảnh nào, bất kỳ thứ gì: dựng lại bản dựng tham chiếu theo từng cảnh trên DeHub

DeHub đảm nhận cùng công việc đó bằng ba công cụ, tất cả đều tính giá theo clip:

Hình dưới đây cho thấy tính năng phát hiện điểm cắt của Remake trên video quảng bá của chính chúng tôi. Nó tự động tìm ra ba điểm cắt và chia clip thành bốn cảnh.

Remake chia một video quảng bá 19 giây thành bốn cảnh tại ba điểm cắt được phát hiện tự động

Vì sao chúng tôi làm được với giá rẻ hơn

Mọi bước ở trên trừ bước render đều chạy rất rẻ. Chuẩn hóa, tách âm thanh, độ sâu, tạo mask và lưới khuôn mặt chạy trên máy chủ của chúng tôi và chỉ tốn vài xu. Tiền nằm ở mô hình render cuối, được tính phí theo giây. Vì vậy chúng tôi:

Chi phí hoán đổi 15 giây: Higgsfield $7.20 ở 1080p, $5.20 ở 720p và $2.00 ở 480p, so với DeHub Maboroshi $4.55 và hoán đổi Kling O3 của DeHub Creator $3.02

Một clip 15 giây, so sánh trực tiếp:

Clip ngắn hơn, nơi tính phí theo giây chiếm ưu thế:

Giá theo độ dài trên DeHub: $1.75, $3.15 và $4.55 trên Maboroshi, và $1.01, $2.02 và $3.02 với hoán đổi Kling O3 của Creator, dưới các mức 15 giây của Higgsfield

Hai lưu ý thật lòng. Nếu bạn chỉ cần clip 480p và đã trả tiền cho gói Higgsfield, mức $2.00 của họ rẻ hơn. Và tuyến Seedance Premium của chúng tôi ở 1080p đầy đủ đắt hơn Higgsfield nhiều, khoảng $31 cho 15 giây, vì nó tính mỗi giây đầu vào và đầu ra gần bằng chi phí mô hình mà chúng tôi phải trả. Chúng tôi phân tích chi tiết trong hướng dẫn về lựa chọn thay thế Higgsfield Genjutsu.

Chỉnh sửa, đăng bài, kiếm tiền

Higgsfield dừng lại ở nút tải xuống. Trên DeHub, clip là điểm khởi đầu, không phải điểm kết thúc công việc.

Chỉnh sửa, đăng bài, kiếm tiền: trình chỉnh sửa video và bảng tin DeHub

Trình chỉnh sửa video tích hợp. Trình chỉnh sửa video của DeHub chạy trên trình duyệt và trong ứng dụng DeHub. Đây là một timeline nhiều track thực thụ, không phải thanh cắt đơn giản. Thả clip Maboroshi của bạn cạnh các cảnh quay khác, rồi:

Dự án được lưu lên đám mây với lịch sử phiên bản, và bạn có thể chia sẻ một bản dựng để nhận bình luận góp ý theo mốc thời gian.

Ứng dụng mạng xã hội đi kèm. DeHub vừa là mạng xã hội vừa là studio, nên bản dựng hoàn chỉnh đi thẳng từ trình chỉnh sửa vào một bài đăng hoặc một Short. Ở đó, người xem có thể tặng tiền cho bạn, và lượt xem của bạn được tính vào phần thưởng watch-to-earn. Người xem nói ngôn ngữ khác có thể bật lồng tiếng tự động. DeHub liên tục bổ sung cho bảng tin, Shorts, phát trực tiếp và các AI agent có thể đăng bài theo lịch.

Một tài khoản bao trọn cả vòng: tạo bản hoán đổi, dựng thành video, đăng lên và được trả tiền.

Dùng thử

  1. Mở dehub.io/creator/maboroshi để hoán đổi chủ thể, hoặc chọn Kling O3 Character Swap trong DeHub Creator để thay đổi bất cứ thứ gì trong khung hình.
  2. Tải lên một clip ngắn có âm thanh và một hoặc hai ảnh tham chiếu rõ nét.
  3. Kiểm tra mask, duyệt và render. Giá được hiển thị bằng đô la trước khi bạn trả tiền.
  4. Mở kết quả trong trình chỉnh sửa video, hoàn thiện bản dựng và đăng lên bảng tin của bạn.

Câu hỏi thường gặp

Higgsfield Genjutsu hoạt động như thế nào?

Higgsfield không công bố quy trình của họ. Những hiệu ứng như vậy được xây dựng bằng cách đo đạc clip gốc trước: tốc độ khung hình, âm thanh, độ sâu, đường viền chủ thể và lưới khuôn mặt. Sau đó một mô hình reference-to-video hoặc video-edit chỉ render lại chủ thể, và âm thanh gốc được gắn lại ở cuối. Maboroshi chạy đúng chuỗi đó, và hướng dẫn này cho thấy từng bước.

Chỉnh sửa kiểu Genjutsu dùng những mô hình nào?

Trong Maboroshi: Demucs cho âm thanh, Video Depth Anything cho độ sâu, SAM 3 Video cho mask, MediaPipe Face Landmarker cho khuôn mặt, và Seedance 2.5 reference-to-video hoặc Kling O3 video-to-video edit cho bước render.

Maboroshi có rẻ hơn Higgsfield Genjutsu không?

Ở 720p và 1080p thì có. Một clip 15 giây có giá $4.55 trên tuyến Kling của Maboroshi và $3.02 với Kling O3 Character Swap của Creator, so với khoảng $5.20 và $7.20 trên Higgsfield. Không lựa chọn nào của DeHub cần thuê bao. Lựa chọn 480p của Higgsfield, khoảng $2.00, rẻ hơn nếu bạn đã có gói.

Higgsfield Katana là gì, và DeHub có thứ tương tự không?

Katana là kỹ năng dựa trên trò chuyện của Higgsfield để dựng lại một bản dựng tham chiếu với người, sản phẩm hoặc quần áo của riêng bạn. Trên DeHub, Remake dựng lại clip nhiều cảnh theo từng cảnh, Kling O3 Character Swap thay nhân vật, sản phẩm hoặc khung cảnh, và Seedance 2.0 đổi phong cách cả một cảnh. Cả ba đều tính giá theo clip.

Tôi có thể thay đổi hậu cảnh hoặc đồ vật, không chỉ con người không?

Có. Dùng Kling O3 Character Swap trong DeHub Creator để hoán đổi sản phẩm hoặc khung cảnh từ ảnh tham chiếu, hoặc Seedance 2.0 để đổi phong cách cả clip bằng một câu lệnh. Bản thân Maboroshi giữ nguyên hậu cảnh như lúc quay, đúng điều bạn muốn cho một lần hoán đổi chủ thể gọn gàng.

Âm thanh gốc có được giữ lại không?

Có. Trên cả hai tuyến của Maboroshi, toàn bộ track gốc được sao chép trở lại clip hoàn chỉnh, giữ nguyên.

Lưu ý

Số liệu Genjutsu của Higgsfield lấy từ trang Genjutsu của họ, kiểm tra vào tháng 9 năm 2026. Thông tin về Katana lấy từ bài viết về Katana của Higgsfield ngày 12 tháng 10 năm 2026. Higgsfield định giá bằng tín dụng và thường xuyên thay đổi gói, nên hãy kiểm tra bảng giá hiện tại trước khi so sánh. Giá DeHub là giá bán lẻ tại thời điểm viết, và giá hiển thị trước mỗi bước luôn là giá bạn trả. Hình độ sâu ở bước 3 được tạo bằng một mô hình độ sâu cho từng khung hình đơn để minh họa. Bản thân Maboroshi dùng Video Depth Anything.

← All DeHub blog posts · dehub.io home