GPT Image 2 다국어 텍스트 렌더링과 API 비용 설계

언어 이해와 이미지 생성이 하나의 표현 공간을 쓴다

DALL-E 3의 텍스트 처리와 이미지 생성은 서로 분리돼 있었다. 먼저 외부 캡션 언어 모델이 사용자의 프롬프트를 확장하고, 디퓨전 모델이 그 캡션을 입력받아 이미지를 만드는 2단계 파이프라인이었다. 언어 모델이 문장을 정확히 이해하더라도 디퓨전 모델이 같은 의미를 픽셀로 옮기는 과정에서는 정합성이 흔들릴 수 있었다.

GPT Image 2는 GPT-4o를 핵심 백본으로 삼아 이 경계를 없앴다. 텍스트 이해와 이미지 생성이 단일 멀티모달 아키텍처의 내부 표현을 공유한다. OpenAI는 이 모델이 API에서 DALL-E 3를 완전히 대체하며, CJK와 라틴어, 힌디어, 벵갈리어 문자에서 약 99%의 텍스트 렌더링 정확도와 최대 4096×4096 픽셀 출력을 지원한다고 발표했다. HD 이미지 한 장의 가격은 $0.21로 책정됐다.

⤢✕

차이는 이미지 안에 문자를 넣을 때 선명하게 드러난다. DALL-E 3에서는 언어 모델이 한국어로 ‘안녕하세요’를 넣으라는 요청을 이해해도, 한글 자소를 정확한 픽셀 형태로 만드는 일은 별도 디퓨전 모델의 몫이었다. GPT Image 2에서는 문자에 대한 언어적 표현과 시각적 재현이 같은 공간에서 연결된다.

기반 생성 방식은 잠재 확산이지만 텍스트 인코더의 개입 방식은 달라졌다. Stable Diffusion 계열에서는 CLIP이나 T5 계열 인코더가 만든 고정 임베딩을 디퓨전 모델의 크로스 어텐션 레이어에 전달한다. GPT Image 2에서는 GPT-4o의 어텐션 레이어가 여러 노이즈 제거 단계에 동적으로 관여한다. 디노이징 과정에서 강조할 시각적 특징을 언어 모델이 계속 안내해 프롬프트의 의미적 뉘앙스를 이미지에 반영한다.

CJK 문자를 픽셀로 정확히 옮기는 방법

디퓨전 모델은 노이즈를 확률적으로 제거하며 이미지를 완성한다. 이 방식은 사물이나 배경을 다양하게 생성하는 데 유리하지만, 획의 위치까지 맞아야 하는 문자를 재현하기에는 구조적인 부담이 있다.

CJK 문자는 이 부담이 특히 크다. 한자는 수십 개의 획이 정해진 방향과 위치에 놓여야 하고, 土·士·工처럼 획 하나의 위치로 구별되는 문자도 있다. 라틴 알파벳이 26개의 기본 형태를 조합하는 체계라면 CJK에서는 수만 개의 독립적인 글리프 형태를 다뤄야 한다.

GPT Image 2는 개별 문자와 자모의 시각적 구조를 글리프 임베딩에 담는다. 단어의 의미만 표현하는 것이 아니라 문자를 구성하는 형태 정보까지 GPT-4o의 언어 처리 공간에 인코딩하는 접근이다.

생성 단계에는 구조적 제약도 적용한다. 초기 노이즈 제거 과정에서 문자가 들어갈 영역과 전체 배치를 먼저 정하고, 후기 과정에서 획의 세부 구조를 채운다. 글로벌 레이아웃과 로컬 글리프 생성을 분리하는 이 2단계 전략으로 문자 정확도를 높인다.

⤢✕

특정 어텐션 헤드는 텍스트 영역을 담당하도록 학습된다. 이 영역에서는 형태 충실도에 높은 가중치를 주고, 배경이나 사물에는 창의적인 디퓨전을 허용한다. 텍스트 정확도를 높이면서 이미지 전체의 다양성이 감소하는 문제를 분리된 어텐션 전략으로 조절하는 셈이다.

라틴 알파벳은 형태가 비교적 단순하지만 커스텀 폰트와 이탤릭, 굵기, 자간, 행간까지 맞추려면 별도의 타이포그래피 표현이 필요하다. GPT Image 2는 약 200개 이상의 폰트 스타일 임베딩을 학습해 프롬프트로 지정한 스타일을 근사 재현한다.

힌디어의 데바나가리 문자와 벵갈리어에서는 문자 결합이 새로운 합성 글리프를 만들고, 모음이 자음의 위아래와 좌우에 붙는다. GPT Image 2는 이를 명시적인 규칙 기반 레이어가 아니라 언어 모델의 표현 학습으로 내재화했다고 보고된다.

여기서 약 99%는 픽셀 수준의 폰트 일치율이 아니다. 사람이 읽을 수 있고 의미에 맞는 문자로 판별되는 인식 가능성 기준의 정확도다.

고해상도 출력은 캐스케이드로 완성한다

4096×4096 픽셀 이미지를 단일 패스로 생성하면 메모리와 연산 비용이 커진다. GPT Image 2는 기본 해상도에서 먼저 이미지를 만든 뒤, 고해상도 전용 업스케일러가 단계적으로 크기를 높이는 캐스케이드 생성 방식을 사용한다.

기본 생성 해상도의 예는 1024×1024다. 이후 업스케일러는 단순히 픽셀을 보간하지 않고 텍스처, 엣지, 문자 획 같은 고주파 세부 정보를 새로 생성한다.

⤢✕

이 구조에서는 기본 모델의 학습·추론 비용을 유지하면서 필요한 작업에만 업스케일링을 적용할 수 있다. API가 제공하는 Standard와 HD 품질 계층도 이 경로 차이를 반영한다.

Standard는 단일 패스로 1024px 수준의 이미지를 생성한다. HD는 캐스케이드 업스케일링을 거쳐 최대 4096px까지 지원하며, 피부 질감과 직물 패턴, 문자 획 같은 세부 묘사도 함께 보강한다. A3·A2 인쇄물이나 대형 디스플레이 광고에서는 이런 차이가 실제 출력 품질에 영향을 준다.

1792×1024의 16:9 와이드스크린과 1024×1792의 9:16 쇼츠 포맷도 지원한다. 이 중간 크기는 HD 업스케일링을 거치지 않고 기본 생성 모델에서 가로세로 비율을 직접 조정한다.

품질 계층을 API 비용에 맞춰 배치한다

공식 발표 기준 Standard 1024×1024는 이미지 한 장당 $0.04 수준이고, HD 1024×1024와 HD 1792×1024는 $0.21이다. 4K인 4096×4096 HD에는 별도 프리미엄 요율이 적용된다.

⤢✕

DALL-E 3의 최고 품질인 HD 1024×1024가 $0.08/장이었던 것과 비교하면 GPT Image 2 HD의 $0.21는 약 2.6배 비싸다. 반면 텍스트 렌더링 정확도와 프롬프트 충실도, 최대 해상도에서의 품질 차이 때문에 고품질 상업 콘텐츠에서는 비용 대비 가치가 역전된다는 평가가 많다.

이미지 가격만으로 전체 호출 비용이 결정되는 것은 아니다. ChatGPT API에서 GPT Image 2를 호출하면 입력 프롬프트의 토큰 비용과 이미지 생성 비용이 합산된다. 멀티턴 대화의 컨텍스트가 복잡해지면 누적 토큰 비용이 이미지 자체의 생성 비용을 넘어설 수 있다.

대량 생성에서는 모든 결과를 HD로 만들기보다 검토 단계와 최종 출력 단계를 나누는 편이 효율적이다. 시안은 Standard로 생성하고 확정된 결과만 HD로 다시 만들면 비용을 최대 80%까지 줄일 수 있다. Standard 이미지 5장의 비용인 $0.20이 HD 이미지 1장의 $0.21와 거의 같다는 점을 이용한 방식이다.

부분 수정에는 이미지 편집인 Inpainting API를 활용할 수 있다. 텍스트가 잘못 생성된 영역만 다시 만들면 배경과 구도를 유지한 채 해당 부분을 수정할 수 있고, 전체 이미지를 재생성하는 것보다 비용 효율이 높을 수 있다.

같거나 비슷한 스타일을 반복해서 만들어야 한다면 캐싱도 고려할 만하다. 생성 결과를 스타일 참조로 사용하는 이미지-투-이미지 변환 방식은 매번 텍스트 프롬프트만으로 스타일을 재현하는 방식보다 일관성과 비용 효율 면에서 유리하다.

모델 선택은 텍스트·해상도·생성량에서 갈린다

Midjourney v6는 예술적 미감과 스타일 표현에 강점이 있다. 특정 예술 사조나 화가의 스타일을 재현하는 능력은 뛰어나지만, 텍스트 렌더링은 GPT Image 2보다 현저히 낮다. API 접근이 제한적이어서 자동화 워크플로우에 연결하기도 어렵다.

Google Imagen 3는 텍스트 렌더링 품질에서 DALL-E 3를 앞섰다는 평가를 받아 왔고, Vertex AI를 통해 기업용 API를 제공한다. 가격 구조는 GPT Image 2와 비슷한 수준이다. GPT Image 2는 OpenAI 생태계와의 연결, GPT-4o를 이용한 멀티모달 연속성에서 차별화된다.

Stable Diffusion 3.5는 로컬에서 실행할 수 있어 대량 생성 시 추가 API 비용이 들지 않는다. 다만 텍스트 렌더링 정확도는 상업용 API 모델보다 낮고, 고품질 결과를 얻으려면 프롬프트 엔지니어링과 파인튜닝 전문성이 필요하다.

⤢✕

한국어나 일본어가 들어가는 마케팅 자료, 소셜 미디어 카드, 다국어 광고 배너라면 GPT Image 2의 텍스트 정확도가 선택의 핵심이 된다. 텍스트가 없는 일러스트레이션과 순수 예술 작업에서는 Midjourney가 독특한 미감과 예기치 않은 해석에서 더 강한 경우가 많다.

월간 수만 장 이상을 자동 생성하는 콘텐츠 파이프라인에서는 Standard 품질의 GPT Image 2나 자체 호스팅 오픈소스 모델이 비용 측면에서 현실적인 선택이다. 이때는 품질 기준을 먼저 정의하고 결과 검증도 자동화해야 한다.

모델 비용을 비교할 때는 이미지 한 장의 가격뿐 아니라 프롬프트 작성 시간, 재생성 횟수, 후처리 비용, 오류 결과가 다음 공정에 끼치는 비용까지 포함해야 한다. 전체 생성 비용 관점에서는 GPT Image 2의 텍스트 정확도와 프롬프트 충실도가 재작업 비용을 줄이는 요소가 된다. 다국어 콘텐츠와 고해상도 출력이 필요한 작업이라면 Standard와 HD를 단계별로 나누는 운영 방식이 품질과 비용을 함께 조절하는 기준이 된다.