영상 하나에 소리까지 한 번에 만드는 모델, 초당 10센트면 됩니다. 대부분의 영상 생성 AI는 화면과 소리를 따로 만들어 나중에 붙이는 방식이었는데, 이번엔 다릅니다.
구글이 6월 30일 출시한 Gemini Omni Flash는 영상과 오디오를 같은 한 번의 요청으로 만들어냅니다. 별도의 오디오 모델도, 싱크 맞추는 후처리 단계도 없죠. Segmind의 개발자는 6개 클립, 3.37달러어치 크레딧을 들여 이 모델의 모든 파라미터를 직접 테스트했습니다.
출처: Gemini Omni Flash Video Generation Guide – Segmind Blog
성냥을 그으면 정말 그 프레임에 소리가 난다
구글은 이 모델을 단순한 “영상 생성기”가 아니라 “월드 모델”이라 부릅니다. 장면이 어떻게 보일지 계산하는 과정에서 어떤 소리가 나야 하는지도 함께 추론한다는 설명입니다.
실제로 테스트해보니 이 주장은 꽤 구체적으로 확인됩니다. 성냥을 긋는 장면을 요청하면 불이 붙는 정확한 프레임에 맞춰 발화음이 들립니다. 차 안에서 두 사람이 대화하는 장면을 요청하면 두 목소리와 지붕에 떨어지는 빗소리가 함께 나옵니다.
API 구조도 특이합니다. 요청을 보내면 작업 ID를 받아 폴링하는 방식이 아니라, 그 자리에서 바로 MP4 파일이 응답으로 돌아옵니다. 영상 생성 모델치고는 드문 구조인데, 그만큼 속도가 빠르기 때문에 가능한 방식이죠.
조건은 단순하지만 딱 그만큼만 허용한다
파라미터는 여섯 개뿐이죠. 프롬프트, 길이, 화면비, 시드값, 참조 이미지, 참조 영상이 전부입니다.
길이는 3초, 5초, 10초 중 하나만 고를 수 있습니다. 4초나 6초, 8초는 아예 선택지에 없는 겁니다. 화면비도 16:9와 9:16 두 가지뿐이라, 1:1이나 21:9 같은 포맷은 지원하지 않습니다.
해상도 파라미터도 따로 없는데, 이유는 간단합니다. 출력이 항상 720p로 고정돼 있기 때문이죠. 오디오를 끄는 옵션도 없습니다. 모든 클립에 48kHz 스테레오 AAC 트랙이 기본으로 따라붙습니다.
속도는 길이와 거의 무관하게 빠르다
가격은 초당 약 0.102달러 수준입니다. 5초짜리 제품 컷 하나에 0.51달러, 10초짜리 대사 장면에 1.02달러가 들었습니다.
흥미로운 지점은 속도입니다. 10초짜리 클립이 27.3초 만에 완성됐는데, 오히려 5초짜리 제품 컷(37.7초)보다 빨랐습니다. 길이와 생성 시간이 거의 따로 노는 셈이죠. 5초와 10초 중 고민된다면 속도가 아니라 스토리 기준으로 결정해도 된다는 뜻입니다.
화면 속 글자는 아직 믿을 수 없다
가장 뚜렷한 한계는 텍스트 렌더링이죠. 저자는 브랜드명을 지정하지 않고 탄산음료 병을 요청했는데, 모델이 스스로 “Delorte”라는 존재하지 않는 이름과 알아볼 수 없는 문구를 라벨에 그려 넣었습니다.
병에 맺힌 물방울, 손이 들어와 병을 쥐는 동작, 빛이 병 표면을 타고 흐르는 하이라이트는 모두 자연스러웠습니다. 문제는 오직 글자뿐이었던 겁니다.
로고나 정확한 제품명이 화면에 보여야 하는 작업이라면, 이 모델을 최종 단계로 쓰기는 어렵다는 뜻입니다. 합성 작업을 별도로 거치거나, 텍스트가 필요 없는 장면 위주로 활용 범위를 좁히는 편이 낫습니다.
결국 쓸 곳과 못 쓸 곳이 갈린다
정리하면 이렇죠. 소리와 영상을 한 번에 만들어야 하는 짧은 컷, 브랜드 로고가 필요 없는 장면이라면 속도와 비용 모두에서 매력적인 선택지입니다.
반대로 정확한 텍스트나 로고가 화면에 나와야 하는 작업이라면, 지금 단계에서는 후처리를 전제로 써야 하는 겁니다. 3초, 5초, 10초라는 고정된 길이 제약도 스토리보드를 짤 때 미리 감안해야 할 부분입니다.
답글 남기기