2026년 8월, 영상 생성의 지형이 다시 바뀌었다. MiniMax H3는 2K 영상과 스테레오 오디오를 한 번에 만들고, Seedance는 2.0·2.5·Fast로 갈라져 각자 다른 일을 맡는다. 문제는 모델마다 프롬프트 문법이 다르다는 것 — 레퍼런스 역할 잠금, 타임스탬프 스크립팅, 사운드 브래킷까지. 네 모델의 특징과 문법을 비교하고, 모델을 관통하는 공통 원칙 일곱 가지를 정리한다.
이미지 프롬프트가 "캡션"이라면, 비디오 프롬프트는 콘티(shot brief)다. 시간축이 생기는 순간 프롬프트에는 "무엇이 보이는가"만이 아니라 "몇 초에 무슨 일이 일어나고, 카메라는 어떻게 움직이고, 그때 무슨 소리가 나는가"가 들어가야 한다.
그런데 2026년 여름, 이 콘티를 받아 읽는 감독이 여럿으로 갈라졌다. Artificial Analysis 비디오 아레나 기준(2026년 8월), 텍스트-투-비디오 선두는 Kling v3이지만, 이미지-투-비디오 1위는 ByteDance의 Seedance 2.0이고, 영상 편집 1위는 7월 말에 나온 MiniMax H3다. Sora 2는 아레나에서 사라졌고 API는 9월 24일 종료를 앞두고 있다. 판 전체의 흐름은 AI 영상 생성 전쟁에서 다뤘으니, 이 글은 실무자가 실제로 고르게 되는 네 모델 — MiniMax H3, Seedance 2.0, Seedance 2.0 Fast, Seedance 2.5 — 의 특징과 프롬프트 문법 차이에 집중한다.
미리 말해두면, 결론은 "어느 모델이 최고인가"가 아니다. 네 모델은 서로 다른 일을 맡는 도구이고, 각자 다른 문법으로 말을 건다. 같은 콘티를 넣어도 문법을 바꾸지 않으면 결과가 갈린다.
| 항목 | MiniMax H3 (Hailuo 3.0) | Seedance 2.0 | Seedance 2.0 Fast | Seedance 2.5 |
|---|---|---|---|---|
| 출시 | 2026.7.31 (8월 초 베이스 웨이트 공개) | 2026.2.10 (글로벌 API 4월) | 2.0과 함께 제공 | 2026.8 |
| 해상도 | 네이티브 2K (짧은 변 1440px) | 최대 2K | 최대 720p | 480p / 720p |
| 길이 | 4~15초, 24fps | 멀티샷 시퀀스 | 2.0과 동일 범위 | 4~30초, 24fps |
| 오디오 | 네이티브 32kHz 스테레오, 11개 언어 대사 | 듀얼 브랜치 동시 생성, 프레임 정확 동기화 | 포함 | 포함 (사운드 브래킷 문법) |
| 레퍼런스 | 이미지 9 + 영상 3 + 오디오 3 (총 12) | 이미지 9 + 영상 3 + 오디오 3 (총 12) | reference-to-video 지원 | 이미지 30 + 영상 10 + 오디오 10 (총 50) |
| 가격(초당)* | 2K $0.13 | 720p 약 $0.30 | 720p 약 $0.24 | 720p $0.47 / 480p $0.22 |
| 강점 | 2K 화질 · 편집 1위 · 크로스모달 지시 | i2v 충실도 1위 · 멀티샷 자동 스토리보딩 | 속도 · 드래프트 비용 | 30초 내러티브 · 타임스탬프 편집 |
| 약점 | 15초 상한 | 유리 투명층 · 빠른 카메라의 배경 글자 | 720p 상한 | 720p 상한 · 초당 단가 |
*가격은 2026년 8월 기준 공식/fal 공개가. 게이트웨이별로 다르고 자주 바뀌므로 방향만 참고할 것. 눈에 띄는 역전이 하나 있다 — H3의 2K가 Seedance 2.5의 720p보다 초당 단가가 싸다. 해상도와 가격이 더는 비례하지 않는다.
H3의 정체성은 "옴니모달"이다. 텍스트·이미지·영상·오디오를 하나의 트랜스포머가 함께 이해하고, 영상과 스테레오 오디오를 같은 패스에서 생성한다. 무음 클립에 나중에 소리를 입히는 게 아니라 프레임과 오디오가 한 모델에서 나오므로 입 모양·타격음·룸톤이 실제로 맞는다.
기술적으로 주목할 것은 두 가지다. 재설계한 토크나이저 H3-VAE가 유효 시퀀스 길이를 약 4배로 늘려 2K를 업스케일이 아니라 생성으로 만들고, 별도 초해상 모듈 대신 자기 저해상 출력을 컨텍스트 안에서 다시 그리는 In-Context Regeneration을 쓴다. 8월 초에는 베이스 웨이트가 커뮤니티 라이선스(연매출 2,000만 달러 이하 상업 사용 허용)로 공개됐다.
생성 모드는 셋이다: 텍스트-투-비디오 / 첫·끝 프레임 이미지-투-비디오 / 레퍼런스-투-비디오(이미지 최대 9 + 영상 3 + 오디오 3, 프롬프트 7,000자). 세 번째 모드가 H3의 본체다 — 공식 예시가 문법을 그대로 보여준다.
커뮤니티에서 수렴한 H3 프롬프트 골격은 다섯 부분이다.
0-3초 …, 3-7초 … 식으로 구간마다 행동 하나. 카메라는 서술형("slow dolly-in", "핸드헬드로 반 걸음 접근")으로, 구간당 하나.참고로 Hailuo 구세대(01 Director)의 상징이던 [Push in], [Truck left] 같은 브래킷 카메라 명령 15종은 여전히 문서화되어 있지만, H3에서는 자연어 서술이 기본이고 브래킷은 보조 수단에 가깝다.
Seedance 2.0의 구조는 H3와 다르다. 네 모달리티(텍스트·이미지·영상·오디오)를 각자의 인코더로 받아 통합 잠재 공간에 넣고, 생성은 영상 전담 + 오디오 전담의 듀얼 브랜치 디퓨전 트랜스포머가 맡는다. 유리잔이 깨지는 프레임에 깨지는 소리가 같은 밀리초에 붙는 프레임 정확 동기화, 장면당 최대 3개 보이스 클로닝이 이 구조에서 나온다.
프롬프트 관점에서 가장 중요한 특징은 멀티샷 자동 스토리보딩이다. 하나의 서사를 넣으면 모델이 알아서 여러 샷으로 쪼개고, 샷마다 카메라를 고르고, 컷과 트랜지션을 넣는다. 와이드 → 줌인 → 틸트 → 하드컷을 프롬프트에 쓰지 않아도 어벤져스 패러디 한 문단에서 알아서 뽑아낸 사례가 화제가 됐다.
그래서 Seedance 2.0의 프롬프트 철학은 역설적이다. 레퍼런스가 좋으면 프롬프트는 짧아도 된다. 3×3 스토리보드 이미지 한 장에 "이 스토리보드로 영상을 생성하라" 한 줄로 애니메이션 액션 시퀀스를 뽑은 예가 대표적이다. 마법의 주문을 찾던 시대의 "prompt-maxxing"을 레퍼런스 시스템이 대체한 것이다. 레퍼런스는 @Image1, @Video1 태깅으로 부른다.
약점도 알고 시작하는 게 좋다. 움직이는 다층 유리(차창 너머 풍경이 차에 "붙어" 보이는 현상), 비슷한 작품 사이의 캐릭터 혼동, 빠른 카메라 워크에서 배경 간판 글자 픽셀화, 공연·콘서트 장면의 언캐니밸리. 이런 장면은 프롬프트로 밀어붙이기보다 구도를 바꾸는 게 빠르다 — 이미지 프롬프트에서 배운 것과 같은 원칙이다.
Fast는 별도 모델이라기보다 워크플로의 반쪽이다. fal 기준 텍스트-투-비디오·이미지-투-비디오·레퍼런스-투-비디오 세 엔드포인트가 모두 있고, 720p 상한에 표준 대비 약 20% 싸고 훨씬 빠르다. 흥미롭게도 아레나 텍스트-투-비디오에서는 Fast가 표준보다 위에 오르기도 했다 — 화질 이전에 "지시를 따랐는가"가 승부를 가르는 과제에서는 증류 모델이 밀리지 않는다는 뜻이다. 권장 사용법은 명확하다:
이미지 생성의 "탐색은 저스텝으로 많이, 마감은 고스텝으로" 원칙의 영상판이다.
2.5는 2.0의 업그레이드라기보다 다른 물건이다. 해상도는 오히려 720p로 내려갔지만, 한 번에 30초, 레퍼런스 50개(이미지 30·영상 10·오디오 10), 그리고 초 단위 타임스탬프 스크립팅과 편집이 들어왔다. "프롬프트가 장면 전체의 콘티가 되는" 모델이고, 써본 사람들의 평은 일관된다 — 지금 나온 모델 중 가장 문자 그대로(literal-minded) 프롬프트를 따른다. 몇 초에 하라고 쓰면 그 초에 한다.
문법은 세 층이다.
① 레퍼런스 선언 — 좁게, "only"로. 업로드한 파일마다 용도를 문장으로 못 박는다. "@Image 1은 여성의 얼굴과 초록 재킷만 정의한다"처럼 좁게 쓰지 않으면 레퍼런스의 배경까지 끌려 들어온다(background bleed). 같은 물건의 다른 각도 세 장이면 "세 이미지는 모두 하나의 램프다. 영상에는 램프가 하나만 나와야 한다"라고 명시한다.
② 타임스탬프 대본 — 빈틈 없이, 구간당 액션 하나.
③ 사운드 브래킷 — 네 종류의 괄호. 음악은 （ ）, 효과음은 < >, 대사는 { }, 화면 자막은 【 】. 대사는 언어를 먼저 선언한다 — "Spoken language: American English. 빠르고 짜증난 톤으로: {I told you this would happen.}"
편집·확장도 프롬프트로 한다. "@Video 1을 편집하라. 인물·동작·카메라는 유지하고, 손에 든 병만 @Image 2로 바꿔라. 원본 조명을 유지하라" — 유지할 것을 명시하는 게 핵심이다. 30초를 넘기려면 "같은 인물·장소·스타일을 유지하며 이어지는 클립"을 요청해 연장한다. 이 모델의 실제 생성 결과와 실패 사례는 Seedance 2.5 생성 노하우에서 직접 돌려 보며 상세히 다뤘다.
모델별 문법은 다르지만, 그 밑의 원칙은 놀랄 만큼 같다. 프롬프트 테크닉 지도의 원칙들이 시간축 위에서 반복된다.
| # | 원칙 | 내용 | 텍스트 프롬프트의 대응물 |
|---|---|---|---|
| 1 | 사진이 아니라 콘티 | 한 프레임의 묘사가 아니라 "몇 초에 무엇이 변하는가"를 쓴다. 타임스탬프에 빈틈을 남기지 않는다 | 출력 사양 명시 |
| 2 | 레퍼런스 역할 잠금 | 파일마다 겹치지 않는 역할 하나 + "only". 역할이 겹치면 입력끼리 경쟁한다 | "인간이 못 고르는 도구는 AI도 못 고른다" — 도구 설계 |
| 3 | 카메라는 구간당 하나 | 한 비트에 무브 하나. "cinematic"은 아무것도 말해주지 않는다 | 모호어 대신 행동 동사 |
| 4 | 오디오를 명시 | 네이티브 오디오 모델에서 소리를 안 쓰면 믹스를 운에 맡기는 것. 대사는 따옴표/브래킷 + 언어 선언 | 암묵 가정 제거 |
| 5 | 네거티브로 마감 | "화면 텍스트 금지, 로고 금지, 추가 인물 금지" — 고빈도 슬롭은 명시적으로 차단 | NO 리스트 · 허용 텍스트 열거 |
| 6 | Fast로 탐색, 표준으로 마감 | 싼 티어에서 프롬프트를 찾고, 통한 프롬프트를 고정해 비싼 티어로 | "탐색은 4스텝, 마감은 30스텝" |
| 7 | 약점은 우회 | 유리 다층·빠른 카메라의 글자·군중 공연·손가락 — 3연속 실패면 구도를 버린다 | CLIP 사각지대 우회 |
특히 2번이 이 글에서 하나만 가져갈 문장이다. 레퍼런스가 많아질수록(H3 12개 → Seedance 2.5 50개) 프롬프트의 일은 "묘사"에서 "역할 배정"으로 바뀐다. 컨텍스트 엔지니어링에서 도구 정의가 프롬프트였던 것처럼, 비디오에서는 레퍼런스 선언이 프롬프트다.
가격 감각도 하나 챙겨두자. 720p 10초 기준 Seedance 2.0 Fast가 약 2.4달러, 표준이 약 3달러, 2.5가 약 4.7달러, H3는 2K 10초에 1.3달러다. 하루 수십 개 드래프트를 돌리는 팀이라면 티어 선택이 프롬프트 실력만큼 비용을 좌우한다.
이미지에서 배운 교훈이 비디오에서 그대로 반복되고 있다. 모델은 계속 바뀌지만 원칙은 남는다 — 정답 공간을 좁히고(역할 잠금·타임스탬프), 오답 공간을 막고(네거티브·약점 우회), 판정 기준을 세워라(Fast 탐색 → 표준 마감).
다음 편에서는 이 문법을 실전에 붙인다. 같은 브리프 — 30초 제품 광고, 교육 설명 컷, SNS 세로 영상 — 를 네 모델에 각각 넣고, 프롬프트 원문과 생성 결과, 실패와 리트라이 과정을 그대로 공개할 예정이다. Seedance 2.5 단독 실전은 이미 공개한 플레이북을 먼저 봐도 좋다.
