일주일이 지나서야, 이제 시댄스 2.5 이야기를 꺼낼 수 있게 됐다

• 시댄스 2.5 API가 정식 공개됐고, 네이티브 30초 생성에 이미지 30장·영상 10개·오디오 10개 참조, 타임스탬프 단위 편집, 화이트 모델 참조까지 한꺼번에 열림
• 스펙보다 큰 변화는 모델의 성격, 지시 이행 능력이 극단적으로 강해지면서 2.0이 알아서 컷을 쪼개고 장면을 덧붙이던 환각을 상당 부분 스스로 지움
• 그래서 한 문장으로 영상을 뽑던 일반 사용자는 결과가 밋밋해졌다고 느끼고, 영상업계 종사자는 질감이 다른 차원이고 상한선이 몇 배 올랐다고 정반대로 평가
• 시드 팀 관계자에 따르면 분할 방식과 서술 방식, 품질 기준을 포함한 SFT 데이터를 숏폼이 아니라 영화 생성 문법에 맞춰 처음부터 다시 만들었고 미감 기준도 재정의
• 필자가 AI 영상 창작자 DiDi_OK, 하이신 등을 인터뷰해 2.0 대비 무엇이 달라졌고 이 모델이 어디에 쓰이게 될지 정리한 글

왜 누구에게는 퇴보로 보이나

• 2.0은 숏 설계와 컷 전환을 스스로 결정했고, 연구 관점에서 일반화나 환각이라 부르는 성질이 일반 창작자 손에서는 창의력처럼 작동해 한 문장으로도 그럴듯한 결과를 냄
• 빠른 리듬과 촘촘한 정보량, 비트에 맞춘 컷 나누기는 소셜미디어에서 터지는 영상의 문법 그대로였고, 15초라는 최대 길이 자체가 그 성격에 최적화된 값
• 반대로 전문 창작자에게는 절제된 롱테이크를 요구해도 효과를 위해 기어이 컷을 나누는 습성이 통제하기 어려운 변수였음
• 모델이 사용자 요구를 100% 따르는 순간 모델의 상한선이 곧 사용자의 상한선이 되고, 짧고 모호한 지시에는 딱 그만큼의 밋밋한 화면만 돌아옴
• 하이신의 정리로는 2.0이 숏을 알아서 확장해 주는 아마추어용 모델, 2.5는 안정성과 통제, 구체적인 감독 의도를 원하는 전문가에게 친절한 모델
• 잘 다루는 사람의 프롬프트가 콘티표와 연출 의도서, 촬영 계획서를 닮아가는 이유이고, 모델이 순종할수록 창작자에게 요구되는 수준은 오히려 올라감

30초가 바꾸는 서사 단위

• 2.0의 최대 15초에서 두 배로 늘었지만, 서사 관점에서 둘 사이는 양이 아니라 질의 차이에 가까움
• 15초는 아이디어 하나를 소화하면 끝이라, 밑밥과 전개와 결말을 욱여넣으면 모델이 컷을 잘게 쪼개 다시 숏폼 리듬으로 되돌아감
• 30초는 대화 한마디와 몇 초의 침묵, 미세한 표정 변화, 관계를 바꾸는 행동, 관객이 반응할 여유까지 담는 완결된 장면 단위에 근접
• 겉보기에 아무 일도 없는 그 정지 구간이 실제로는 감정과 판단이 벌어지는 자리이고, 서사는 끝까지 말하지 않은 여백을 중요하게 다룸
• 이미지 한 장에 몇 초 움직임을 붙여 조각 수십 개를 잇던 기존 워크플로 대신, 이 30초가 왜 존재하는지를 설계하는 감독의 문제로 이동
• 인물이 그 안에서 어떤 변화를 겪고 관객이 몇 초 지점에서 무엇을 알아야 하는지가 프롬프트 작성의 핵심 항목이 됨

영화적 질감이라는 말의 정체

• DiDi_OK가 꼽은 최대 업그레이드는 30초도 참조 소재 50개도 아닌 미술, 기능 결함은 재생성이나 후반 작업으로 메워도 재질과 빛, 색, 공간감은 되살리기가 매우 어려움
• 같은 입력으로 뽑은 비교본에서 가장 뚜렷한 차이는 색이 덜 번들거린다는 점, 채도가 절제되고 인물의 AI 얼굴 문제도 개선돼 필름이나 실사 촬영 같다는 반응이 나옴
• 다만 영화적 질감이 곧 낮은 채도는 아니고, 광원 방향의 일치와 재질의 빛 반응, 거리·각도에 따른 피부 변화, 차폐와 공간을 아는 소리가 함께 받쳐야 성립
• 2.0은 해상도를 올려도 인물 가장자리에 딱딱한 선이 남고 손과 배경이 서로 다른 면처럼 갈렸지만, 2.5는 720P에서도 손등 경사면 그림자와 빛의 전이가 살아남
• 그래서 일부 전문 창작자는 2.5의 720P 결과물이 과거의 더 높은 해상도보다 오히려 보기 편하다고 말함
• 머리 위 스포트라이트를 지시하면 2.0은 조명과 인물을 배치만 해 사물 목록만 채웠고, 2.5는 이마와 콧대, 눈두덩이 받는 빛과 그림자가 떨어질 위치까지 인과로 처리

공간과 소리, 그리고 남은 결함

• 2.0 시절 유행하던 과격한 컷 전환에는 공간 관계를 오래 유지하지 못하는 약점을 감추려는 현실적 이유가 있었다는 것이 DiDi_OK의 진단
• 숏이 길어질수록 원근이 어긋나거나 인물이 흘러가거나 배경이 바뀌는 옥에 티가 드러나기 때문에, 빠른 컷은 화끈한 선택인 동시에 어쩔 수 없는 선택이었음
• 2.5는 카메라 각도를 바꿔도 인물과 소품, 배경의 관계를 대체로 유지, 공간이 안정돼야 배우가 연기할 자리와 관객이 표정을 볼 시간이 생김
• 2.0이 자주 빠뜨리던 젓가락이 그릇에 닿는 소리나 금속 마찰음 같은 디테일을 채워, 음향 재작업에 따로 잡아 두던 시간과 예산 부담이 줄어듦
• 반면 구름과 연기는 여전히 벽지처럼 하늘에 붙어 보이고, 제어할 대상이 늘어나면 첫 번째 요구만 챙기고 뒤쪽 요구를 누락하는 문제가 남음
• 1인칭 POV는 호흡과 줌, 걸음에서 오는 잔진동과 현장감이 부족하고 중국어 대사에 아나운서 톤이 섞여, 사투리로 우회하는 창작자도 있음

영상 산업 밖까지 번지는 활용처

• 충격은 업무 단위를 따라 층층이 전해질 전망이고, 가격에 민감하고 납기가 짧으며 오차 허용도가 높은 광고, 이커머스, MV, 홍보 영상, 숏폼 드라마 중저예산 숏부터 도달
• 대형 영화와 드라마에서 AI가 먼저 들어갈 자리는 최종 화면이 아니라 콘셉트 테스트, 동영상 콘티, 애니매틱, 사전 시각화, 조명 테스트, 제안용 영상 쪽
• 화이트 모델 참조가 특히 중요, 단순한 3D 공간에 정육면체와 인물 위치, 동선만 배치해도 모션캡처 인형에 의존하던 프리비즈의 비용 구조가 흔들림
• 가장 저평가된 활용처는 체화 지능으로, 로봇 학습 데이터가 건당 비싸다는 오랜 병목에 3D 시뮬레이션 외의 새 경로를 제시
• 화이트 모델로 로봇 팔과 목표 물체, 장애물, 동선을 규정하고 이미지로 재질과 환경을 정한 뒤, 부분 편집으로 특정 몇 초의 돌발 상황만 바꿔 변주를 대량 생성
• 다만 아무렇게나 뽑아도 영상물이 되는 단계는 아니고, 복잡한 장면은 여전히 여러 번 생성하고 조정하고 후반을 거쳐 사람이 판단해야 함

값이 오르는 능력, 떨어지는 능력

• 결과물이 싸질수록 가치는 상류로 이동, 시간당 수십 개씩 나오는 숏 중 무엇이 맞고 무엇이 겉만 예쁘며 무엇이 인물을 망가뜨리는지 고르는 판단이 첫 번째
• 미감과 서사 능력을 갖춘 감독, 미술감독, 촬영감독, 편집기사, 사운드 디자이너, 시각효과 총괄의 몸값은 계속 오를 것이라는 전망
• 소재 50개 참조가 가능해지면서 캐릭터 다각도 설정과 표정 라이브러리, 의상, 소품, 소리, 카메라 규칙, 색 규범은 참고 자료에서 생산 자재로 성격이 바뀜
• 이 자산들이 일관성과 통제 가능성의 주춧돌이고, 영상 제작뿐 아니라 체화 지능용 데이터 생산에도 그대로 쓰임
• 모두가 영화 같은 화면을 뽑게 되면 영화적 질감의 값은 급락, 관객이 무뎌진 뒤 남는 질문은 이야기가 재미있느냐 하나로 좁혀짐
• 모델은 걸작들의 평균값을 학습해 모두에게 똑같이 나눠 주고, 그 결과 화면은 더 고급스러워지는 동시에 서로 더 비슷해짐