블랙포레스트랩스, '플럭스 3 비디오' API 출시…최장 20초·음성 동시 생성

AI로 영상을 만들어 본 사람이라면 누구나 겪는 번거로움이 있습니다. 영상을 뽑아낸 뒤 다른 툴에서 목소리를 만들고, 배경음과 효과음을 찾고, 마지막으로 입모양을 맞추느라 후작업에 더 많은 시간을 쓰는 일입니다.

FLUX.1으로 잘 알려진 Black Forest Labs(BFL)가 이 과정을 하나로 묶기 시작했습니다. BFL은 8월 4일 멀티모달 비디오 생성 모델인 FLUX 3 Video의 첫 버전을 BFL API와 일부 파트너를 통해 정식 공개했습니다.

20초 길이, 네이티브 오디오, 멀티 앵글 지원

가장 눈에 띄는 스펙은 단일 생성으로 최대 20초 길이의 클립을 만들 수 있다는 점입니다. 해상도는 720p(HD)를 기본으로 지원하며, 업스케일링을 통해 1080p 풀HD 출력이 가능합니다.

무엇보다 프레임을 만들면서 대사와 음향 효과, 주변 환경음을 동시에 생성하는 네이티브 오디오 기능을 갖췄습니다. 한국어는 명시되지 않았으나 영어, 중국어, 스페인어, 일본어 등 14개 이상의 언어를 지원하며 정교한 립싱크를 구현합니다.

제어 기능도 다양합니다. 텍스트 및 이미지 기반 생성 외에도 시작과 끝 프레임을 지정하는 키프레임 제어, 단일 생성 안에서 카메라 앵글과 씬을 전환하는 멀티 샷 연출을 지원합니다.

최대 4초의 기존 영상과 오디오를 입력해 동작과 대사를 자연스럽게 잇는 영상 연속 생성 기능도 포함됐습니다. 크리에이터의 비용 부담을 줄이기 위해 먼저 저렴하게 구도와 모션을 확인할 수 있는 드래프트 모드도 추가됐는데, 초안이 마음에 들면 동일한 피사체와 움직임을 유지한 채 고화질로 렌더링할 수 있습니다.

BFL의 내부 블라인드 테스트에 따르면 FLUX 3는 텍스트 투 비디오 분야에서 기존 SOTA 모델들을 제쳤으며, 이미지 투 비디오에서는 Seedance 2.0과 동급을 기록했습니다.

향후 로드맵으로는 이미지 편집 모델인 FLUX 3 Image와 오픈 가중치 버전인 FLUX 3 Dev 출시가 예고되었습니다.

왜 중요한가

FLUX 3 Video는 영상 생성 AI가 소리 없는 모션 클립을 넘어 완성형 영상 조각을 만드는 단계로 넘어갔음을 보여줍니다.

콘텐츠 제작자에게 20초라는 러닝타임과 네이티브 오디오의 결합은 후작업 파이프라인을 획기적으로 줄여줄 수 있습니다. 특히 매번 비싼 비용을 들여 도박하듯 프롬프트를 시험하지 않아도 되는 드래프트 모드는 매우 실용적인 장치입니다.

산업 측면에서도 이제는 화질과 물리 법칙만으로 경쟁하던 시대가 끝나고, 음향과 립싱크를 포함한 통합 멀티모달 역량이 기본 스펙으로 자리 잡게 되었습니다.

다만 완전 통합형 생성 방식이 가진 한계도 분명합니다. 영상은 완벽한데 특정 배경음이나 대사 톤만 마음에 들지 않을 경우, 분리된 레이어가 아니라서 부분 수정이 까다로울 수 있습니다. 또한 많은 개발자가 기다리는 오픈 가중치 모델 FLUX 3 Dev가 아직 출시되지 않아 당장은 API 종속성과 비용 문제를 따져보며 사용해야 합니다.