AI 영상편집으로 8분짜리 하나 뽑는 데 든 시간

AI 영상편집으로 8분 40초짜리 영상 하나를 만들어서 올렸다. 프레임 15,616장을 찍는 데 13분 걸렸고, 영상 파일은 43MB로 나왔다.

근데 AI가 한 일은 대본이랑 구성표까지였다. 영상 자체는 코드가 만들었다.

버튼 누르면 영상이 나오는 걸 기대했으면 이 글은 안 맞음. 뭘 어디까지 자동으로 돌릴 수 있는지 숫자로 적었다.

자동으로 되는 줄 알았다

처음엔 툴 하나 결제하면 끝나는 줄 알았다. 대본 넣으면 영상이 나오는 식으로.

해보니까 아니었다. 대본은 AI가 쓴다. 목소리도 만든다. 근데 그 둘을 화면에 붙이는 건 아무도 안 해준다. 어느 글자가 몇 초에 떠야 하는지는 내레이션 길이를 재야 나오는 값이라서다.

그래서 붙이는 쪽을 코드로 짰다. 결과적으로 그게 제일 빨랐다.

아래에 이런 걸 적었다

· 타이밍을 사람이 못 맞추는 이유

· 프레임 15,616장을 13분에 찍은 방법

· 10시간 걸릴 뻔한 걸 어디서 줄였나

· 영상 한 편에 실제로 든 시간

필요한 데로 내려가면 됨

타이밍은 사람이 못 맞춘다

영상 한 편에 말하는 줄이 86개 있었다. 줄마다 음성 파일이 따로 나온다.

그러면 이런 질문이 생긴다. 3번 줄 자막은 몇 초에 띄워야 하나.

답은 1번이랑 2번 음성 길이를 더한 값이다. 손으로 세면 86번을 세야 하고, 중간에 한 줄만 고쳐도 뒤가 전부 밀린다. 실제로 이 영상은 중간에 일곱 줄을 다시 녹음했다.

내레이션 길이를 재서 컷 길이와 줄 시작 시각을 계산한 터미널 출력

그래서 음성 파일 길이를 ffprobe 로 재서 전부 계산하게 했다. 86줄 · 13컷 · 전체 8.7분이 이렇게 나온다.

여기에 하나 더 넣었다. 명령어나 프롬프트가 뜨는 줄은 말이 끝나도 화면이 남아 있어야 한다. 보는 사람이 멈추고 복사해야 하니까. 그 여유가 1.4분이었다.

화면은 브라우저가 그린다

영상 편집 프로그램을 안 썼다. HTML 한 장을 만들고 "지금 몇 초"를 넣으면 그 시점 화면을 그리게 했다.

화면 좌표와 프레임 저장 로직이 적힌 자바스크립트 코드

좌표를 한 군데 모아두면 나머지가 다 따라온다. 제목 바는 96px, 본문은 150px부터, 바닥 띠는 960px부터. 이렇게 정해두면 86줄이 전부 같은 자리에 뜬다.

손으로 편집하면 이게 안 맞는다. 컷마다 1~2px씩 어긋나고, 그게 영상에서는 덜그럭거리는 걸로 보인다.

실제로 렌더된 프레임. 왼쪽에 제목, 오른쪽에 유지율 그래프, 아래에 자막이 들어 있다

표나 그래프도 그림판으로 그린 게 아니라 데이터 파일을 읽어서 그렸다. 숫자가 바뀌면 그림도 바뀐다.

10시간 걸릴 뻔했다

처음엔 프레임 한 장마다 크롬을 새로 띄워서 찍었다. 한 장에 2.5초씩 걸렸다.

15,616장이면 10시간이 넘는다.

브라우저를 하나만 띄워놓고 시간만 바꿔가며 찍는 쪽으로 바꿨다. 한 장에 0.05초로 떨어졌다.

프레임 15,616장과 완성 영상 용량, 렌더 로그가 찍힌 터미널

13분. 50배가 줄었다.

하나 더 줄인 게 있다. 처음엔 PNG로 받았는데 그러면 11GB다. 어차피 ffmpeg가 다시 인코딩하니까 JPEG 품질 95로 받았다. 3.1GB로 떨어졌고 눈으로는 차이가 안 난다.

프레임 파일이 가득 찬 폴더를 아이콘 보기로 연 화면

목소리는 따로 만들어서 얹는다

내레이션은 내 목소리를 복제해서 뽑았다. 86줄을 한 줄씩 따로 생성하고 파일로 받는다.

한 줄에 평균 45초쯤 걸린다. 86줄이면 78분이다. 그동안은 다른 걸 하면 된다.

여기서 한 번 크게 틀렸다. 복제용 참조 음성을 문장 중간에서 잘라놨더니, 모델이 생성할 때마다 그 문장을 완성하려고 앞머리에 엉뚱한 말을 붙였다. 쇼츠 하나에서 9초, 설명 영상에서 21초가 그렇게 날아갔다.

참조 음성은 무음 경계에서 잘라야 한다. 문장이 끝나는 자리가 아니라 소리가 비는 자리다. 이것만 고쳤더니 사라졌다.

길이 계산도 필요하다. 내 복제 음성은 분당 361음절이었다. 10분짜리를 만들려면 한글 3,610자쯤이 든다는 뜻이다. 이걸 알고 쓰면 대본 단계에서 분량을 맞출 수 있다.

소리를 붙이는 건 샘플 단위로

프레임이랑 음성을 합칠 때 ffmpeg 기능으로 86개를 지연시켜 섞는 방법이 있다. 안 썼다.

느리고, 반올림 오차가 쌓인다. 86번 쌓이면 뒤쪽 자막이 눈에 띄게 밀린다.

대신 빈 소리 배열을 하나 만들어놓고 계산된 위치에 직접 써 넣었다. 24,000분의 1초 단위라 어긋날 수가 없다.

완성된 영상을 실제로 재생하고 있는 화면

맞았는지는 귀로 확인하지 않았다. 영상에서 91.8초 지점을 잘라내서 음성 인식을 돌렸고, 그 시각에 떠 있어야 할 자막이랑 글자가 같은지 대조했다.

실제로 든 시간

단계	걸린 시간	사람이 한 일
소재 분석	2시간	질문 던지고 결과 검증
대본	1시간	사실 확인하고 고치기
내레이션 86줄	78분	기다림
화면 코드	3시간	레이아웃 짜기
프레임 15,616장	13분	기다림
음성 합치고 인코딩	4분	기다림

기다리는 시간은 1시간 35분이고 나머지는 전부 사람이 붙어 있어야 했다.

영상 마지막 프레임. 한 문장만 가운데에 떠 있다

그러니까 "AI가 영상을 만들어준다"는 말은 아직 맞지 않다. AI가 줄인 건 대본 쓰는 시간이고, 화면은 한 번 짜두면 다음부터 안 짜도 된다는 게 이득이다. 두 번째 영상부터가 진짜 빨라진다.

올리는 것까지 자동으로 된다

영상 파일이 나왔으면 올리는 건 명령 한 줄이다. 제목이랑 설명, 태그를 적어둔 파일 하나를 같이 넘기면 된다.

여기서도 한 번 막혔다. 업로드 권한만 받아둔 토큰으로는 썸네일을 못 붙인다. 403이 뜬다. 권한을 넓게 받아야 하고, 맞춤 썸네일은 채널 전화번호 인증까지 돼 있어야 한다.

올릴 때는 비공개를 기본으로 뒀다. 올려놓고 확인한 다음 공개로 바꾸는 게, 공개로 올려놓고 되돌리는 것보다 안전하다. 되돌려도 이미 본 사람은 본 거다.

다음에 안 할 것

처음 찍은 확인용 프레임에서 세 가지가 틀려 있었다. 제목이 낱말 중간에서 줄바꿈되고, 마스코트가 아예 안 나오고, 자막이 화면 밖으로 넘쳤다.

고치고 나서 다시 찍은 프레임. 제목과 자막과 캐릭터가 전부 제자리에 있다

자막은 한 줄이 최대 84자였는데 통째로 띄우려니 당연히 넘쳤다. 말하는 시간만큼 조각으로 넘기게 고쳤다.

전부 다 찍고 나서 발견했으면 15,616장을 다시 찍어야 했다. 몇 장 먼저 찍어서 보는 데 30초 걸린다. 이걸 건너뛰지 말아야 한다.

짚어둘 것

이 방식은 말하는 사람이 안 나오는 영상에만 맞다. 얼굴 나오고 현장 찍는 영상은 해당이 안 된다.

코드를 짜야 하는 것도 걸린다. 학원에서 배우는 영상편집이랑은 다른 길이고, 어느 쪽이 낫다는 얘기가 아니다. 반복되는 형식의 영상을 여러 편 찍을 거면 이쪽이 싸다는 것뿐이다.

대본을 뽑는 쪽은 이 글에 적어놨고, 자동화 돌리다 깨진 것들은 여기에 있다.

자동으로 되는 건 기다리는 1시간 35분뿐이었다.