Kling 3.0의 스토리보딩과 시간적 일관성 — 오픈소스 영상 생성 생태계와 비교하기

Kuaishou가 2026년 2월 출시한 Kling 3.0은 네이티브 4K@60fps 영상 생성, 6컷 스토리보딩, 6개 언어 동기화 오디오를 단일 아키텍처에서 지원하며 상용 영상 생성 AI 모델의 기준을 재정립했다. 특히 월 $6.99의 기본 요금제로 고품질 영상 생성을 제공하여 비용 효율성에서도 경쟁 모델을 앞서고 있다.

텍스트·이미지·비디오를 하나로 묶은 아키텍처

Kling 3.0은 텍스트-투-비디오, 이미지-투-비디오, 비디오-투-비디오 변환을 하나의 통합 멀티모달 아키텍처에서 처리하는 최초의 상용 모델이다. DiT(Diffusion Transformer) 아키텍처를 기반으로 하며, 자연스러운 물리 법칙 시뮬레이션과 높은 캐릭터 일관성을 동시에 달성하는 것이 핵심 설계 목표다.

⤢✕

Kling 3.0이 도입한 6컷 스토리보딩 기능은 단일 프롬프트 입력으로 서사 구조를 가진 멀티컷 영상을 자동 생성한다. 각 컷 간 장면 전환, 카메라 앵글 변화, 캐릭터 연속성이 모델 내부에서 계획되고 실행된다. 이는 단일 클립 생성에 머물러 있던 기존 접근 방식과 달리, 실제 영상 제작 워크플로우에 근접한 스토리텔링 역량을 구현한다.

얼굴이 프레임마다 흔들리지 않으려면

영상 생성 AI에서 시간적 일관성(Temporal Consistency)은 가장 달성하기 어려운 품질 지표 중 하나다. 특히 클로즈업 인물 장면에서 프레임 간 얼굴 특징, 피부 질감, 의상 패턴이 안정적으로 유지되어야 한다. Kling 3.0은 이를 위해 시간 축에 걸친 교차 프레임 어텐션(cross-frame attention) 메커니즘을 채택한다.

교차 프레임 어텐션에서 각 프레임의 잠재 표현은 단순히 이전 프레임만이 아닌, 선택된 키 프레임(key frames)들과의 어텐션을 통해 전체 시퀀스의 일관성을 유지한다. 이는 장거리 의존성(long-range dependency) 문제를 해결하는 데 효과적이다.

⤢✕

모션 제어는 카메라 움직임과 객체 움직임을 분리하여 독립적으로 제어할 수 있다. 카메라 파라미터(달리, 줌, 패닝, 틸팅, 궤도 이동)를 구조화된 어노테이션으로 지정하면 물리적으로 일관된 카메라 움직임이 생성된다. 객체 수준에서는 바운딩 박스 궤적을 통해 특정 요소의 이동 경로를 지정할 수 있어 광고 및 상품 시연 영상 제작에 유용하다.

월 $6.99가 가능한 이유

Kling 3.0의 월 $6.99 기본 요금제는 경쟁 상용 서비스 대비 현저히 낮은 진입 장벽을 제공한다. 이 비용 경쟁력은 Kuaishou의 자체 GPU 인프라와 모델 최적화에서 비롯된다.

대규모 영상 생성 서비스의 비용 효율화는 배치 추론(batch inference) 최적화에 달려 있다. 다수의 생성 요청을 하나의 배치로 묶어 GPU 활용률을 극대화함으로써 단위 생성 비용을 낮춘다. 또한 텍스트 인코더 출력과 자주 사용되는 스타일 임베딩을 캐싱하여 반복 계산을 제거한다.

모델 압축 측면에서는 가중치 양자화(weight quantization)와 지식 증류가 적용되어, 추론 시 메모리 사용량을 줄이면서 품질 저하를 최소화한다. 이는 동일한 GPU 메모리에서 더 많은 병렬 요청을 처리할 수 있게 한다.

오픈소스 영상 생성 생태계는 어디까지 왔나

2026년 현재 오픈소스 영상 생성 생태계는 Wan2.1, HunyuanVideo, CogVideoX, LTX-Video 등의 모델을 중심으로 상용 서비스에 버금가는 품질을 달성하고 있다.

Wan2.1은 텍스트-투-비디오, 이미지-투-비디오, 비디오-투-비디오를 모두 지원하는 통합 아키텍처를 갖추며 오픈소스 중 가장 높은 범용성을 보인다. 최대 10초 클립을 720p 해상도로 생성하며, RTX 3090/4090(24GB VRAM) 이상의 GPU에서 로컬 실행이 가능하다.

Tencent가 공개한 HunyuanVideo는 13B 파라미터 규모의 통합 모델로, 720p 해상도의 고품질 영상을 생성한다. 아키텍처 측면에서 3D 풀 어텐션(full attention)을 채택하여 시간적 일관성이 우수하고, 카메라 제어 기능을 내장하고 있어 세밀한 달리, 줌, 패닝이 가능하다.

CogVideoX는 최대 6초 클립을 생성하며 장면 내 객체 일관성 유지에 특화되어 있다. Expert Transformer 아키텍처를 통해 시각적 품질과 텍스트 정렬 간의 균형을 유지한다.

700M 파라미터의 경량 모델인 LTX-Video는 현대적 GPU에서 5초 클립을 10초 이내에 생성하는 탁월한 속도를 보여준다. 창작 탐색(exploration) 워크플로우에서 신속한 프로토타이핑 도구로 활용 가치가 높다.

⤢✕

상용 서비스와 오픈소스의 가장 큰 차이는 최대 영상 길이, 해상도, 오디오 통합 여부다. Kling 3.0이 15초(v3.0 기준) 이상의 클립과 네이티브 4K를 지원하는 반면, 대부분의 오픈소스 모델은 최대 10초, 720p 수준에 머문다. 오디오 통합은 상용 서비스의 독점 영역으로, 오픈소스 모델들은 대부분 별도 오디오 생성 파이프라인을 연결해야 한다.

인프라 측면에서 상용 서비스는 최적화된 서빙 인프라와 규모의 경제를 통해 개인이 로컬에서 구축하기 어려운 비용-성능 비율을 달성한다. 반면 오픈소스는 커스터마이징 자유도, 프라이버시 보장, 장기적 비용 통제라는 장점을 제공한다.

Kling 3.0은 DiT 기반 통합 멀티모달 아키텍처, 교차 프레임 어텐션을 통한 시간적 일관성 유지, 경쟁력 있는 가격 구조를 통해 상용 영상 생성 AI의 접근성을 대폭 높였다. 영상 생성 AI는 단순한 클립 생성을 넘어 완성도 높은 스토리텔링 도구로 진화하고 있으며, 상용과 오픈소스 생태계의 상호 경쟁이 기술 발전을 가속화할 것으로 전망된다.

텍스트·이미지·비디오를 하나로 묶은 아키텍처

얼굴이 프레임마다 흔들리지 않으려면

월 $6.99가 가능한 이유

오픈소스 영상 생성 생태계는 어디까지 왔나

Sources

함께 읽기