Black Forest Labs
블랙포레스트랩스가 8월 4일 FLUX 3 비디오를 정식 개방했다. 지난달 23일 발표 때는 신청서를 넣고 승인을 기다려야 하는 얼리액세스였지만, 이제는 자사 API와 일부 파트너를 통해 바로 호출할 수 있다. 텍스트나 이미지에서 최대 20초 길이의 영상을 만들고, 대사와 효과음과 주변음까지 같은 생성 과정에서 함께 뽑아낸다.
블랙포레스트랩스는 독일 프라이부르크와 미국 샌프란시스코에 연구소를 둔 약 70명 규모의 AI 연구소다. 창업팀에는 잠재 확산(Latent Diffusion), 스테이블 디퓨전, FLUX.1을 만든 연구자들이 포함돼 있다. FLUX 1과 FLUX 2는 이미지만 만들었고, 영상 모델을 내놓은 것은 이번이 처음이다.
7월 23일 발표와 8월 4일 출시는 다른 사건이다
두 날짜가 섞여 유통되고 있어 구분이 필요하다. 7월 23일은 FLUX 3라는 멀티모달 기반 모델의 존재를 알린 발표였다. 이날 공개된 것은 이미지·영상·오디오·행동 예측을 하나의 아키텍처에서 함께 학습했다는 설계와 초기 평가 수치였고, 실제 사용은 승인제 얼리액세스로 막혀 있었다.
8월 4일에 바뀐 것은 접근 권한이다. 회사는 이날 "텍스트와 이미지에서 생성하는 초기 버전이 BFL API와 선별 파트너를 통해 일반 이용 가능해졌다"고 밝혔다. 같은 날 공식 유튜브 채널에 60초짜리 소개 영상이 올라왔고, 로보틱스 협업 모델을 다룬 별도의 기술 블로그와 3분 50초짜리 영상도 함께 공개됐다. 영상 편집 기능과 이미지·영상 레퍼런스를 조합하는 옴니 레퍼런스는 아직 나오지 않았으며, 회사는 FLUX 3를 여전히 "프리뷰(preview)" 모델로 표기하고 있다.
모드는 세 개, 요청은 한 줄
FLUX 3 비디오는 api.bfl.ai/v1/flux-3-video 엔드포인트 하나로 동작한다. 요청마다 모드를 지정하는데, 프롬프트만으로 시작하는 텍스트-투-비디오(t2v), 이미지에서 시작하는 이미지-투-비디오(i2v), 기존 클립을 이어가는 비디오 컨티뉴에이션(v2v) 세 가지다. 나머지 요청 형태는 세 모드가 동일하다.
이미지-투-비디오에는 별도의 시작 프레임 필드가 없다. 이미지를 넘기는 통로가 keyframes 하나이고, 이미지를 한 장만 주면 그게 시작 프레임이 된다. 두 장을 주면 시작과 끝 프레임이 되고, 최대 열 장까지 넣어 스토리보드처럼 클립 전체를 짤 수 있다. [초, 이미지] 형태의 쌍으로 넘기면 각 이미지를 정확한 시점에 고정할 수 있어, 0초와 8초에 각각 프레임을 박아두고 그 사이 움직임은 모델에게 맡기는 식의 연출이 가능하다.
비디오 컨티뉴에이션은 이미 가진 클립을 start_video로 넘기고 다음에 일어날 일을 쓰는 방식이다. 회사 설명 기준으로 기존 영상과 오디오를 최대 4초까지 입력으로 받아, 이음새를 넘어 움직임과 카메라 거동과 대사와 소리를 이어간다. 한 번의 생성 안에서 장면과 카메라 앵글을 여러 번 바꾸는 것도 지원한다.
나머지 필드는 전부 선택이다. 화면비(aspect_ratio)와 길이(duration)는 기본값이 auto라 내용에 맞춰 알아서 정해지고, 해상도(resolution)는 기본이 HD이며, 오디오 생성(generate_audio)은 기본이 켜짐이다. 호출은 비동기라 요청을 넣으면 작업 ID와 폴링 URL을 돌려주고, 상태가 Ready가 될 때까지 그 주소를 확인하는 구조다. 결과물 URL은 서명된 주소이고 작업 완료 후 약 2시간이면 만료되므로, 파이프라인을 짤 때 즉시 내려받아 자체 스토리지로 옮기는 단계를 반드시 넣어야 한다.
드래프트가 정품의 3분의 1 가격이다
공개된 요금표는 초당 과금이다. 텍스트-투-비디오와 이미지-투-비디오는 HD 기준 초당 0.17달러, FHD 기준 초당 0.29달러이고 길이는 5~20초를 지정할 수 있다. 비디오 컨티뉴에이션은 HD 초당 0.43달러, FHD 초당 0.54달러로 두 배 이상 비싸고 길이 상한도 15초로 짧다. 24fps 고정이며 화면비는 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16을 지원한다.
| 모드 | 입력 | 길이 | 정식 렌더 | 드래프트 |
|---|---|---|---|---|
| 텍스트-투-비디오 | 프롬프트 | 5~20초 | HD $0.17/초, FHD $0.29/초 | $0.06/초 |
| 이미지-투-비디오 | 프롬프트 + 이미지 1~10장 | 5~20초 | HD $0.17/초, FHD $0.29/초 | $0.06/초 |
| 비디오 컨티뉴에이션 | 프롬프트 + 기존 클립 | 5~15초 | HD $0.43/초, FHD $0.54/초 | $0.12/초 |
비용 구조에서 핵심은 드래프트 모드다. 요청에 draft: true를 넣으면 빠른 미리보기가 초당 0.06달러에 나오고, 결과에 draft_cache라는 번들이 함께 딸려온다. 마음에 드는 미리보기가 나왔을 때 그 번들을 draft_enhance 모드로 다시 보내면 같은 시드로 같은 장면을 정품 화질로 다시 렌더한다. 회사는 새로 제출하는 매 요청이 각각 독립된 생성이라 정품 렌더가 드래프트와 다르게 해석될 수 있다고 명시했다. 즉 드래프트로 고른 그 컷을 그대로 받으려면 재제출이 아니라 반드시 draft_enhance 경로를 타야 한다. 10초짜리 HD 클립을 기준으로 계산하면 드래프트 탐색은 0.6달러, 확정 렌더는 1.7달러다.
영상 모델을 만들었더니 로봇이 움직였다
같은 날 공개된 두 번째 블로그가 이번 발표의 진짜 성격을 드러낸다. FLUX 3 백본 위에 취리히의 로보틱스 기업 미믹(mimic)과 함께 만든 'FLUX-mimic'이라는 비디오-액션 모델이 있고, 아우디가 이미 생산 라인에서 이를 테스트·배치하고 있다.
회사가 밝힌 학습 구성을 보면 왜 이런 연결이 가능한지가 설명된다. FLUX 3 전체 학습 연산의 95% 이상이 영상 예측에 들어갔고, 오디오는 720p 영상 토큰의 0.5%도 되지 않는다. 사실적인 영상을 만들려면 접촉과 운동과 무게와 인과를 배울 수밖에 없고, 그렇게 배운 세계 모델에서 행동을 디코딩하면 로봇 제어가 된다는 논리다. 회사는 학습 중간에 행동 예측을 커리큘럼에 추가했을 때 사람 평가 기준 영상 품질이 최대 10% 떨어졌다가 3,500스텝 만에 원래 수준을 회복했다고 밝혔다. 새 모달리티를 붙이는 비용이 일시적이었다는 뜻이다.
성능 수치도 구체적이다. FLUX-mimic의 백본은 엔비디아 RTX 5090 한 장에서 입력부터 세계 표현까지 80밀리초 미만에 처리되고, 미믹의 배치 스택을 포함한 로봇 시스템 전체의 반응 시간은 101밀리초다. 학습 데이터는 일반 영상 수천만 시간과 사람·로봇 조작에 초점을 맞춘 영상 수십만 시간이다. 아우디 프로덕션 랩의 크리스토프 슈나이더는 "기존 로보틱스로는 불가능했던 복잡한 연성물 조작 작업을 이 로봇들이 해내는 것을 봤다"고 말했다.
스코세이지는 6월에 합류했다
이번 출시와 함께 자주 언급되는 마틴 스코세이지 어드바이저 영입은 사실 별개의, 두 달 전 사건이다. 회사는 6월 2일 전용 페이지를 열어 스코세이지가 어드바이저로 합류했음을 공개했고, 그가 FLUX로 스토리보드 작업을 하는 세션 영상을 함께 걸었다. 외신 보도 기준으로 그가 작업 중인 차기작은 레오나르도 디카프리오와 제니퍼 로렌스가 출연하는 〈What Happens at Night〉다.
스코세이지 본인의 설명은 생성 도구가 아니라 소통 도구에 초점이 맞춰져 있다. "70년 동안 내 스토리보드를 직접 그려왔다. 머릿속에 보이는 것을 배우와 스태프에게 어떻게 전달하느냐가 늘 문제였다"며 "이제 이 도구로 내가 시각화한 것을 프로덕션 디자이너, 아트 디자이너, 촬영감독에게 더 명확하고 효율적으로 공유할 수 있다"고 밝혔다. 그는 〈휴고〉에서 3D를, 〈아이리시맨〉에서 디에이징을 썼던 이력을 들며 "영화는 125년밖에 안 된 젊은 매체이니 어떻게 진화할지에 열려 있어야 한다"고 덧붙였다. 회사는 이 관계를 "어드바이저"로만 설명했고, 지분·보수·기간·작품 커밋먼트는 공개하지 않았다.
아직 안 되는 것들
가장 먼저 확인해야 할 것은 언어다. 회사가 명시한 지원 언어는 영어(여러 방언), 중국어, 스페인어, 프랑스어, 독일어, 일본어, 포르투갈어, 러시아어, 이탈리아어, 인도네시아어, 터키어, 힌디어, 펀자브어 "등"이다. 한국어는 이 목록에 들어 있지 않다. "등"으로 끝나기 때문에 완전한 배제인지는 알 수 없지만, 한국어 대사와 립싱크가 필요한 작업이라면 공식 지원을 전제하고 계획을 세워서는 안 된다.
해상도 표기에도 불일치가 있다. 유튜브 영상 설명은 "1080p 네이티브(2K와 4K는 곧 출시)"라고 적었지만, 공식 블로그는 HD(720p)와 풀HD(1080p)로 출시하되 풀HD는 업스케일링을 거친다고 썼고, API 문서 역시 fhd 옵션이 "비디오 업샘플러를 통해 결과를 더 높은 해상도로 마무리한다"고 설명한다. 마케팅 문구와 기술 문서 중 후자를 기준으로 판단하는 편이 안전하다. 초기 평가가 720p에서 수행됐다는 점도 함께 감안해야 한다.
평가 수치는 전부 자체 평가다. 회사가 함께 공개한 ELO 비교표를 보면 텍스트-투-비디오에서 FLUX 3가 1135로 1위이고, 제미나이 옴니 플래시 1090과 미니맥스 H3 1082가 뒤를 잇는다. 시드댄스 2.0은 1069, 클링 v3 프로는 1054이며 루마 레이 3.2가 620으로 최하위다. 이미지-투-비디오는 순위가 훨씬 촘촘해진다. FLUX 3가 1051, 시드댄스 2.0이 1049로 2점 차이라 사실상 동률이고 미니맥스 H3가 1039로 붙어 있다. 이 부문에서는 런웨이 젠-4.5가 876으로 가장 낮다.
다만 이 표는 회사가 자사 모델을 평가한 결과다. 독립 벤치마크는 아직 없고, 서비스 수준 협약(SLA)이나 처리량 보장도 공개되지 않았다.
남은 로드맵도 정리해두면, 이미지·영상·오디오 레퍼런스를 조합한 생성, 이미지 생성·편집을 담당할 FLUX 3 이미지, 그리고 오픈 웨이트 버전인 FLUX 3 데브가 순서대로 예고돼 있다. 다만 어느 것에도 날짜가 붙어 있지 않다. 로컬에서 자체 호스팅을 계획하는 팀이라면 지금 쓸 수 있는 것은 여전히 이미지 전용인 FLUX.2 계열뿐이다. 안전성 측면에서는 서드파티 평가 기관 신더(Cinder)와 함께 비동의 성적 이미지물(NCII)과 아동 성착취물(CSAM)을 포함한 위험 범위를 출시 전 평가했다고 밝혔다.
