카카오톡에서의 AI 영상 생성

AI 영상 생성, 왜 카카오톡 안에서는 더 어려울까?

최근 AI 이미지와 영상 생성은 빠르게 대중화되고 있지만, 이를 카카오톡 채팅방 안으로 가져오는 일은 단순한 기술 적용 이상의 고민이 필요하다. 영상은 이미지보다 무겁고, 생성 결과를 100% 통제하기 어렵고, 사용자가 채팅방 안에서 거부감 없이 받아들일 수 있어야 한다. 이번에는 카카오톡이 이런 문제를 어떻게 풀어가고 있는지 소개하고자 한다.

ChatGPT로 생성한 이미지

카카오톡에서 AI 영상 기능을 넣을 때의 고민

• 사용자가 카카오톡 채팅방 안에서 AI 영상을 자연스럽게 받아들일 수 있을까?
• 영상 생성 결과에 오류가 생기면 어떤 문제가 발생할 수 있을까?
• 만들어진 영상을 사용자가 공유할 때 예상치 못한 리스크가 생기지 않을까?
• 생성 결과를 100% 컨트롤할 수 없는 상황에서 어디까지 허용할 것인가?
• GPU 비용이 큰 상황에서 품질, 속도, 비용의 균형을 어떻게 맞출 것인가?

다음과 같은 고민을 서비스 관점에서 했다고 한다. 특히 유관 부서에서의 리뷰는 항상 최악의 상황을 가정한다고 한다. 예를 들어 단순히 손을 흔드는 사진을 영상화한다고 해도, 결과물이 욕설처럼 보이는 동작을 하거나 정치적 메시지처럼 해석될 가능성이 조금이라도 있다면 상용화에 문제가 된다고 한다. 그렇다면 카카오는 이를 어떻게 해결했을까?

안전을 우선한 제품 설계

1. 템플릿 기반 프롬프팅

• 사용자가 자유롭게 프롬프트를 쓰는 방식보다, 미리 정의된 안전한 템플릿을 제공
• 움직임이 과격하거나 의미가 왜곡될 여지가 큰 생성 방식을 줄임

2. 부적절한 이미지 사전 차단

• 생성 시점에 부적절한 이미지는 미리 탈락
• 결과물이 나오기 전에 입력 단계에서 리스크를 줄임

3. 움직임이 적고 안전한 템플릿 제공

• 재미를 극대화하기보다, 의도대로 사용되는 경험을 우선
• 초기에는 보수적인 방향으로 시작해 사용 패턴을 확인

4. 푸시 알림을 통한 대기 경험 설계

• 영상 생성은 시간이 걸리기 때문에 사용자를 화면에 묶어두지 않음
• 생성이 완료되면 푸시로 알려주는 방식

흥미로웠던 점은 카카오가 처음부터 역동적이고 자극적인 결과물을 목표로 하기보다, 사용자가 의도한 방식으로 안전하게 쓰는 경험을 먼저 검증했다는 점이다.

카카오톡에서 이미지를 영상으로 만드는 템플릿 모음

Kanana-kinema 모델

카카오톡이 실제 이미지를 영상화 시킬 때 사용한 모델인 Kanana-kinema 모델인데 이에 대해 설명하고자 한다.

LLM과 비디오 생성 모델의 차이

LLM이 문장을 한 단어씩 이어가는 모델이라면, 이미지나 비디오 생성 모델은 처음에는 거의 노이즈에 가까운 상태에서 시작해 점점 완성된 결과물로 바꿔가는 방식에 가깝다. 특히 비디오는 한 장의 이미지가 아니라 시간에 따라 이어지는 여러 프레임을 만들어야 하기 때문에 계산량이 훨씬 크다.

i2v에 집중한 이유

Kanana-kinema가 i2v, 즉 image-to-video에 집중했다. 그 이유는 텍스트만으로 영상을 만들려면 모델이 배경, 인물, 구도, 움직임을 모두 새로 결정해야 한다. 하지만 이미지에서 출발하면 이미 많은 정보가 주어져 있기 때문에 모델은 ‘무엇을 만들지’보다 ‘어떻게 움직일지’에 더 집중할 수 있다.

Distillation: 40스텝을 2스텝으로 줄이기

원래 5초 영상 하나를 만들려면 약 40 step이 필요하다고 한다. 이는 책 400권을 작성하는 정도의 작업으로 비용과 시간이 많이 든다. Kanana-kinema 모델은 Distillation을 통해 2 step으로 줄여 책 20권을 작성하는 정도의 작업으로 만들었다고 한다. 이는 속도는 빨라지지만 디테일 손실과 결함이 생길 수 있다고 한다.

RL: 결함을 사람의 피드백으로 보완

AI 감별 모델이 결함을 잡지 못하는 부분이 있다. 이는 많은 영상을 생성하고 사람이 직접 왜곡 여부를 체크한 다음 그 데이터를 바탕으로 모델을 보완했다고 한다.