이미지 투 비디오
이미지 투 비디오(image-to-video)는 정지 이미지를 짧은 영상 클립으로 바꾸는 작업으로, 보통 이미지를 첫 프레임으로 쓰고 텍스트 프롬프트로 움직임을 설명합니다.
다른 이름: I2V, photo animation, animate image
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
텍스트 비디오 생성이 장면 전체를 만들어 내는 반면, 이미지 투 비디오는 사용자가 준 그림에서 시작해 그것이 어떻게 움직일지만 정하면 됩니다. 그래서 결과의 외관을 훨씬 쉽게 통제할 수 있습니다. 대상, 구도, 색, 스타일이 이미지에서 옵니다.
작동 방식
대부분의 이미지 투 비디오 모델은 입력 이미지를 추가 조건으로 받는 영상 확산 모델입니다. Stable Video Diffusion 논문은 대량의 영상으로 학습한 베이스 모델이 이미지 투 비디오 생성으로 옮겨 쓸 수 있는 움직임 표현을 배운다고 보고했습니다.
흔한 용도
전형적인 워크플로는 텍스트 이미지 생성으로 프레임을 만들고, 다듬고, 움직이게 하는 것입니다. 제품 사진, 일러스트, 스토리보드, 소셜 미디어 클립이 흔한 사례입니다. Kling과 Runway 같은 서비스가 텍스트 비디오 생성과 함께 이를 제공하며, 더 많은 선택지는 비디오 모델에 있습니다. 인물 사진이 말하도록 움직이게 하는 것은 립싱크에서 다루는 관련 작업입니다.
한계
모델은 물체 뒤에 가려진 것과 새로운 각도에서 본 장면을 추측해야 하므로, 클립이 진행될수록 얼굴과 세부가 조금씩 달라질 수 있습니다. 클립은 짧습니다. 동의 없이 실제 인물의 사진을 움직이게 하면 딥페이크와 같은 문제가 생깁니다.
관련 용어
- 텍스트 투 비디오(Text-to-video)
- 텍스트 투 비디오(text-to-video)는 글로 쓴 프롬프트로부터 짧은 동영상 클립을 생성하는 작업입니다. 모델은 프레임 하나하나가 그럴듯하면서도 프레임 사이의 움직임이 일관된 결과를 만들어야 합니다.
- 확산 모델
- 확산 모델(diffusion model)은 여러 단계에 걸쳐 노이즈를 조금씩 제거하면서 무작위 노이즈를 이미지 같은 데이터로 바꾸는 법을 배우는 생성 모델입니다.
- 텍스트 투 이미지(Text-to-image)
- 텍스트 투 이미지(text-to-image)는 프롬프트라고 부르는 글 설명으로부터 새 그림을 생성하는 작업입니다. 현재 대부분의 텍스트 투 이미지 모델은 텍스트를 조건으로 하는 확산 모델입니다.
- 립싱크(AI 영상)
- AI 립싱크(lip sync)는 모델을 써서 영상이나 이미지 속 인물의 입 움직임을 번역하거나 고쳐 쓴 대사 같은 새 오디오 트랙에 맞게 바꾸는 것입니다.
- 딥페이크
- 딥페이크(deepfake)는 AI로 만들거나 변조한 이미지, 오디오, 영상 콘텐츠로, 실제 인물, 장소, 사건을 일어나지 않은 방식으로 그럴듯하게 보여 주어 진짜로 통할 수 있는 것을 말합니다.