DAY 2 · 13교시 · 60분

비디오 생성: 로컬 영상 모델(LTX-Video) 이해와 비교

➔
➔

📚1단계: 주요 개념 설명

이번 단원의 목표

AI 영상 생성이 이미지 생성과 어떻게 다른지 이해하고, 로컬 영상모델(LTX-Video)의 특징·메모리 요구·한계를 파악하며 Wan·Hunyuan과 비교해 '언제 영상 생성을, 언제 이미지+합성을 쓸지' 판단한다.

🗂️강의 슬라이드
슬라이드 1 / 10

비디오 생성 — 그림이 '움직이기' 시작한다

비디오 생성 — 그림이 움직인다🖼️이미지 1장→여러 프레임(움직임)→클립(무겁다)
  • 4대 생성기술의 마지막은 '비디오'입니다. 모델이 정지 이미지가 아니라 움직이는 영상을 직접 만듭니다.
  • 15교시의 moviepy가 이미지를 '이어 붙이는 편집'이라면, 여기선 모델이 새 움직임을 '생성'합니다.
  • 가장 무겁고 최신인 기술이라, 16GB의 한계를 정면으로 마주하는 시간이기도 합니다.

🛠️2단계: 따라하기 실습

🛠 따라 만들기 · AI 바이브 코딩
영상 생성 데모 보기 & 모델 스펙 비교하기

16GB에선 학생 각자 실행이 어려워, 강사 데모로 원리를 보고 모델 스펙을 '비교·판단'하는 것이 오늘의 실습입니다. 비교표는 Kiro로 함께 만들어 봅니다.

🎯 완성 결과: LTX·Wan·Hunyuan의 메모리·품질·속도를 정리한 비교표와, 16GB에 맞는 방법을 고른 근거
1강사 데모 관찰

이미지 한 장이 짧은 클립으로 '움직이는' 과정을 봅니다.

💡 핵심 코드 설명
  • 강사가 LTX-Video로 12교시 이미지에 '살짝 줌인'을 입혀 짧은 클립을 만드는 것을 봅니다.
  • 생성에 수 분이 걸리는 것을 보며 '왜 영상 생성이 무거운지'를 체감합니다.
2영상 모델 비교표 만들기

세 모델의 스펙을 표로 정리합니다.

🤖 AI에게 이렇게 시켜보세요

파이썬 딕셔너리로 LTX-Video, Wan 2.2, HunyuanVideo 세 영상 생성 모델을 비교하는 표를 만들어줘. 각 항목에 대략적인 메모리 요구, 품질, 속도, 16GB에서 현실적인지(True/False)를 넣고 보기 좋게 출력해줘.

💡 핵심 코드 설명
  • '실행'이 아니라 '스펙을 읽고 비교'하는 것이 핵심 — 표로 만들면 판단이 명확해집니다.
  • 16GB 열이 모두 어렵게 나오면, 기본 전략이 왜 '이미지+합성'인지 자연스레 드러납니다.
3우리 방법 고르기

16GB에 맞는 현실적 선택을 정합니다.

💡 핵심 코드 설명
  • 기본: 이미지(FLUX)+moviepy 합성으로 완성(15교시).
  • 영상 생성(LTX)은 짧은 강조 컷이 꼭 필요하거나 장비가 넉넉할 때 선택적으로 사용합니다.
🎯 스스로 해볼 미션
0 / 2 완료
영상 모델 스펙 표 완성하고 판단하기

실행 대신 '읽고 비교하고 결정'합니다. 오늘의 실습은 스펙을 근거로 판단하는 것입니다.

출발점(강사와 함께 만든 것): 강사 데모를 보고, LTX·Wan·Hunyuan 비교표의 뼈대를 함께 만들었다.
✅ 완료 기준: 16GB에서 무엇이 현실적인지 근거를 들어 말하면 성공.
✓실습 미션 체크리스트
1개념 직관

4대 생성기술의 마지막, '비디오 생성'입니다. 정지 이미지가 아니라 움직이는 영상을 모델이 직접 만듭니다. 대표 로컬 모델 LTX-Video(LTX-2)는 Apple Silicon(MLX)에서 텍스트·이미지로부터 영상을 생성하지만, 16GB에서는 int4·저해상도로만 겨우 돌고 느려서, 이번 시간엔 강사 데모로 원리·비교·스펙을 익히는 데 집중합니다.

2실습 미션

우측 '프레임 보간' 데모에서 시작·끝 이미지 사이가 여러 프레임으로 이어지는 과정을 보고, LTX·Wan·Hunyuan의 메모리·품질·속도 스펙 카드를 비교해 우리 16GB 환경에 무엇이 현실적인지 판단해 보세요.

LTX-Video 이미지→영상 (데모)
# Apple Silicon MLX, 저사양(int4) 모드 — 16GB는 짧은 저해상도 클립만
from mlx_video import load_pipeline
pipe = load_pipeline("Lightricks/LTX-Video", quantize="int4")

# 정지 이미지 한 장에 '움직임'을 부여해 짧은 클립 생성
clip = pipe(image="scene_1.jpg", prompt="gentle zoom-in",
            num_frames=49, height=512, width=320)
clip.save("clip.mp4")

💡 코딩 중 막히나요? 모범 솔루션 코드

🧩3단계: 개념 검증 퀴즈

검증 챌린지 미션

영상 생성이 왜 이미지보다 무거운지 설명하고, 16GB에서 영상 생성 대신 이미지+합성을 택하는 이유를 근거로 말할 수 있는지 점검합니다.

📝 객관식 개념 확인 (2문항)

Q1. 영상 생성이 이미지 생성보다 훨씬 무거운 근본 이유는?

Q2. 16GB Mac에서 쇼츠의 '움직임'을 다룰 때 가장 현실적인 선택은?

🔬 인터랙티브 체험 (선택)— 개념을 직접 조작하며 확인해 보세요

정지 이미지 한 장에 움직임(gentle zoom-in)을 입혀 짧은 클립을 만드는 원리입니다. ▶︎를 눌러 프레임이 이어지는 과정을 확인하세요. (16GB에선 실제 생성은 느려 강사 데모로 진행)

프레임 1 / 49

한 클립이 이렇게 여러 프레임으로 이뤄지고, 프레임끼리 자연스럽게 이어져야 하므로 이미지 한 장보다 훨씬 무겁습니다.

로컬 영상 모델 비교 — 16GB 현실성
LTX-Video
메모리
16GB+ (int4·저해상도)
품질
중상
속도
느림(분 단위)
빠듯
Wan 2.2 (14B)
메모리
매우 큼
품질
상
속도
매우 느림
어려움
HunyuanVideo
메모리
매우 큼
품질
상
속도
매우 느림
어려움
이미지+moviepy 합성
메모리
0GB
품질
정지+편집
속도
빠름
OK(기본)
💡 결론: 16GB에선 이미지+moviepy 합성이 기본이고, 영상 생성(LTX)은 짧은 강조 컷이 꼭 필요하거나 장비가 넉넉할 때 선택적으로 씁니다.
다음 교시로 이동하기 (14교시: 백엔드 통합: FastAPI 중계 서버 구축) ➡️