Sora 종료 이후 Kling 3.0과 Runway Gen 4.5가 재편한 AI 영상 시장

하루 약 100만 달러가 드러낸 영상 생성의 경제성

OpenAI는 2026년 4월 26일 AI 영상 생성 서비스 Sora의 웹·앱 경험을 전면 종료했다. API도 2026년 9월 24일 종료할 예정이다. Sora가 시장에 남긴 질문은 영상 품질보다 사업의 지속 가능성에 가깝다. 하루 약 100만 달러의 운영 비용이 들었지만 총 수익은 210만 달러에 머물렀기 때문이다.

출시 초기 월 100만 명에 달했던 사용자는 50만 명 이하로 줄었다. 하루 약 100만 달러라는 비용을 연간으로 추정하면 3.65억 달러에 이르지만, 누적 수익은 210만 달러였다. 높은 컴퓨팅 비용을 감당할 수익 모델을 만들지 못한 셈이다.

저작권과 딥페이크 문제도 사업을 압박했다. Disney와 추진하던 10억 달러 규모의 라이선스 계약은 무산됐고, 저작권 캐릭터와 실존 인물을 연상시키는 생성물은 법적 위험을 키웠다. CEO Sam Altman은 결국 Sora에 투입되던 컴퓨팅 자원을 기업용 제품과 IPO 준비로 재배분하기로 결정했다.

Sora의 퇴장은 기술이 부족해서만 벌어진 일이 아니다. 생성 비용, 사용자 유지, 라이선스와 법적 책임을 하나의 사업 구조 안에서 풀지 못하면 높은 모델 성능도 서비스를 지탱하기 어렵다는 사례다. 이 자리를 Kuaishou의 Kling 3.0과 Runway의 Gen 4.5가 서로 다른 전략으로 채우고 있다.

Kling 3.0은 물리와 멀티샷을 한 파이프라인에 묶었다

Kuaishou Technology가 2026년 2월 4일 출시한 Kling 3.0은 기존 모델의 단순한 성능 개선보다 생성 구조의 전환에 초점을 맞췄다.

3D Spacetime Joint Attention은 시간 축과 공간 축을 함께 처리해 중력, 관성, 변형과 같은 물리적 일관성을 구현한다. Chain-of-Thought 물리 추론은 물체의 운동 경로를 먼저 추론한 뒤 프레임을 생성하는 방식으로 현실적인 움직임을 만든다.

영상과 소리도 별도 후처리 단계로 분리하지 않는다. 통합 멀티모달 프레임워크가 영상·오디오·이미지를 단일 파이프라인에서 처리하며, 프레임을 만드는 동안 오디오를 함께 합성한다. AI Director 멀티샷 시퀀서는 단일 요청에서 최대 6개의 카메라 컷을 생성하고 컷이 바뀌어도 캐릭터, 조명, 환경의 일관성을 유지한다.

출력은 업스케일이 아닌 네이티브 4K 해상도와 60fps를 지원한다. 텍스트나 이미지 레퍼런스를 바탕으로 3~15초 길이의 시네마틱 시퀀스를 만들며, 립싱크·환경음·배경음악도 동시에 생성한다.

Runway Gen 4.5는 생성 이후의 편집까지 겨냥한다

Runway Gen 4.5는 2025년 12월 1일 출시됐다. 2026년 3월 기준 Artificial Analysis Text to Video 벤치마크에서는 Elo 1,247점으로 1위를 기록했다.

Runway가 차별화한 지점은 결과를 세밀하게 통제하는 편집 경험이다. Motion Brush는 프레임 안에서 특정 오브젝트를 칠해 움직임의 방향과 강도를 조절한다. Reference-Driven Character Consistency는 레퍼런스 이미지를 기준으로 연속된 씬에서도 같은 캐릭터의 동일성을 유지한다.

Runway Agent는 생성·편집·렌더링을 하나의 자동화 파이프라인으로 연결한다. 2026년 5월 출시된 Runway Characters는 실시간 인터랙티브 미디어를 위한 캐릭터 엔진이며, 멀티모달 프롬프트는 텍스트·이미지·음성을 복합 입력으로 받는다.

Runway는 2026년 5월 한 달 동안 Gen 4.5, Runway Agent, Runway Characters를 함께 내놓으며 영상 생성 모델뿐 아니라 제작 스택 전반을 공략했다.

실제 프로덕션에서는 텍스트 스토리보드를 Runway Agent에 입력해 씬을 나누고, Gen 4.5로 각 씬의 초안을 만든다. 이후 Motion Brush로 움직임을 조정하고 캐릭터 레퍼런스로 일관성을 맞춘다. 앰비언트 사운드·보이스·음악 베드는 단일 생성 요청에서 출력하며, 렌더링을 마치면 Premiere나 DaVinci 같은 외부 NLE로 내보낼 수 있다.

Kling API로 상품 영상을 자동 생산하는 구조

Kling 3.0 API는 대량 생성 작업을 프로그래밍 가능한 미디어 파이프라인으로 구성할 때 쓰인다. Atlas Cloud가 공개한 사례에서는 영상 1편당 45달러였던 프리랜서 편집 비용을 약 0.085~0.306달러/초 수준으로 낮췄다. 제작 비용은 90% 이상 줄었고 총생산량은 1,000% 증가했다.

상품 카탈로그를 입력으로 사용하는 파이프라인은 다음처럼 구성할 수 있다.

[데이터 피드(상품 카탈로그)] 
    → [프롬프트 템플릿 엔진]
    → [Kling 3.0 API 호출]
        → 네이티브 4K 영상 + 오디오 생성
    → [품질 검증 모듈]
    → [CDN 배포 / CMS 연동]

Atlas Cloud 기준 API 비용은 $0.126/초다. 공개 API는 $0.07/초 수준으로 Sora보다 65% 저렴하다.

E-Commerce 환경에서는 제품 피드 CSV를 자동 영상 생성 스크립트에 연결할 수 있다. 캠페인에 맞춰 텍스트 오버레이와 브랜드 컬러를 적용하고, Webhook으로 생성 완료 알림과 스토리지 연동을 처리하는 방식이다.

기업의 제작 성숙도에 따라 도구가 달라진다

AI 영상 생성 도구를 기업에 적용하는 방식은 2026년 기준 탐색, 확장, 심화 단계로 나뉜다.

도입 단계	활용 방식	적합 도구
탐색(Exploration)	단발성 콘텐츠 테스트	Hailuo AI (비용 효율)
확장(Scale)	반복 캠페인 자동화	Kling 3.0 API
심화(Enterprise)	브랜드 일관성·정밀 편집	Runway Gen 4.5

단발성 콘텐츠를 시험하는 단계라면 비용 효율이 높은 Hailuo AI가 맞는다. 캠페인을 반복 실행하고 상품 데이터를 영상으로 변환하려면 Kling 3.0 API가 적합하다. 브랜드 표현을 통제하면서 세부 편집까지 수행하는 환경에서는 Runway Gen 4.5가 유리하다.

생성 권한보다 먼저 확인할 라이선스

Sora 종료에 영향을 준 저작권 문제는 특정 서비스만의 위험이 아니다. 기업이 AI 영상 생성 도구를 도입할 때는 학습 데이터, 생성물의 권리, 실존 인물 표현, 브랜드 IP를 각각 확인해야 한다.

Kling은 Kuaishou가 자체 보유한 영상 데이터베이스를, Runway는 라이선스된 스튜디오 파트너십 데이터를 주로 활용한다고 밝히고 있다. 플랫폼 대부분은 유료 구독자에게 생성물의 상업적 사용권을 주지만, API 이용자에게 적용되는 상업 라이선스는 별도로 확인해야 한다.

실존 인물 기반 생성물에는 C2PA(Content Credentials) 메타데이터를 삽입하는 방향으로 표준화가 추진되고 있다. 브랜드 캐릭터나 로고를 생성할 때는 자체 레퍼런스 이미지를 사용해 IP 관리 범위를 분명히 하는 편이 권장된다.

비용·품질·제작 통제력으로 갈리는 시장

Kling 3.0, Runway Gen 4.5, HailuoAI, 종료된 Sora를 놓고 보면 각 플랫폼이 겨냥한 영역이 뚜렷하게 갈린다.

⤢✕

항목	Kling 3.0	Runway Gen 4.5	HailuoAI	Sora (종료)
최대 해상도	4K 네이티브	HD~4K	HD	HD
최대 fps	60fps	24~30fps	24fps	24fps
멀티샷	최대 6컷	지원 (Agent)	미지원	미지원
네이티브 오디오	지원	지원	부분 지원	미지원
API 비용(/초)	$0.07~0.126	$0.25~0.50	$0.07	$0.15+
Elo 순위	상위권	1위(1,247)	중위권	N/A
특화 강점	물리 시뮬레이션·가성비	정밀 편집·캐릭터 일관성	속도·대량생산	종료
비즈니스 모델	SaaS + API	SaaS + API	SaaS + API	실패

Runway Gen 4.5는 품질과 편집 통제력에서 강점을 보이지만 비용은 $0.25~~0.50/초다. Kling 3.0은 $0.07~~0.126/초 범위에서 네이티브 4K 60fps와 최대 6컷 멀티샷을 제공한다. HailuoAI는 $0.07/초 가격과 빠른 생성, 대량생산에 무게를 둔다. Sora는 $0.15+의 비용 구조를 유지하지 못하고 시장에서 물러났다.

품질은 한 점수로 판정할 수 없다

2026년 AI 영상 평가에서는 사람의 선호, 영상 분포, 시간적 일관성, 프롬프트 정합성, 물리 법칙, 오디오 동기화를 서로 다른 지표로 측정한다.

Artificial Analysis Video Arena의 Elo 기반 블라인드 테스트는 인간 평가자가 두 영상을 비교해 선호 점수를 산정한다. FID(Fréchet Inception Distance)는 생성 영상과 실제 영상의 분포 차이를 측정하고, FVD(Fréchet Video Distance)는 영상 수준의 시계열 일관성을 평가한다.

CLIP 점수는 입력한 텍스트 프롬프트와 생성 영상이 의미적으로 얼마나 부합하는지 보여준다. 물리 일관성 점수는 중력·관성·충돌 같은 법칙의 준수 여부를 자동으로 평가한다. 립싱크와 사운드 이벤트의 타이밍은 오디오-비주얼 동기화 지연(AV Sync Latency)으로 확인한다.

생성 모델을 이해하는 데 필요한 기술 축

Kling 3.0의 3D Spacetime Joint Attention은 시간과 공간 축을 통합한 Diffusion Transformer(DiT) 변형체로 볼 수 있다. DiT는 노이즈를 제거하는 과정에 Transformer 블록을 넣어 장기 의존성 모델링을 강화한다.

Video Diffusion Model과 Autoregressive Model을 비교할 때는 생성 품질과 속도 사이의 트레이드오프를 함께 봐야 한다. Elo 기반 인간 평가를 파인튜닝에 반영하는 피드백 루프는 RLHF(Reinforcement Learning from Human Feedback) 관점에서 설명할 수 있다. 관련 개념으로는 Latent Diffusion Model, Attention Mechanism, Multimodal Fusion, Temporal Consistency, Autoregressive Video Generation이 있다.

API 운영에서는 영상 생성에 수십 초~수 분이 걸릴 수 있다는 전제 아래 비동기 큐를 설계해야 한다. Kling 3.0 API처럼 Webhook과 폴링 패턴을 결합하고, 생성 완료 이벤트를 기준으로 품질 검증·CDN 배포·알림을 실행하는 이벤트 드리븐 아키텍처가 필요하다. SLA(Service Level Agreement)에는 가용성·레이턴시·처리량과 비용 최적화 조건을 함께 담아야 한다.

영상 모델은 월드 모델과 기업용 제작 스택으로 향한다

2026년 하반기 이후의 경쟁은 생성 지연을 줄이는 방향으로 움직일 전망이다. Kling과 Runway는 모두 지연 시간 단축에 집중하고 있으며, 실시간 또는 준실시간 영상 생성은 라이브 방송과 인터랙티브 미디어의 결합을 앞당길 수 있다.

월드 모델도 주요 경쟁 축이다. Runway는 2026년 2월 $315M 투자를 유치해 기업가치 $5.3B를 기록한 뒤 단순 영상 생성을 넘어 세계 시뮬레이션을 목표로 제시했다. 물리·인과·공간 추론을 함께 다루는 범용 월드 모델이 다음 세대 영상 AI를 정의할 것이라는 방향이다.

수익 구조는 엔터프라이즈 중심으로 굳어지고 있다. Sora의 실패는 소비자 직접 모델의 한계를 드러냈다. Runway는 $300M ARR, Kling은 B2B API를 기반으로 엔터프라이즈·에이전시·크리에이터 이코노미를 주요 수익원으로 삼고 있다.

Hunyuan Video와 CogVideoX 같은 오픈소스 영상 모델도 상용 모델을 빠르게 추격하고 있다. 상용 플랫폼은 모델 성능만이 아니라 편집 도구, 워크플로우 통합, API 생태계에서 부가가치를 만들어야 한다.

규제 대응 역시 제품 선택 기준으로 들어오고 있다. EU AI Act와 미국 딥페이크 방지법 등 AI 영상 생성물을 다루는 규제가 본격화되면서 C2PA 표준 준수 여부가 기업 도입 판단에 영향을 줄 것이다.

Sora 사례는 기술 우위만으로 영상 생성 서비스를 유지하기 어렵다는 점을 보여준다. Kling 3.0은 네이티브 4K 60fps와 물리 시뮬레이션을 앞세워 비용 효율이 필요한 영역을 공략하고, Runway Gen 4.5는 정밀 편집과 제작 워크플로우 통합으로 프로덕션 시장을 겨냥한다. 대량 자동화와 정밀 제작 중 어느 쪽이 필요한지 정한 뒤 비용 구조와 저작권·딥페이크 리스크를 함께 검토해야 한다.