InVideo vs 로컬 AI 비디오: 한쪽은 $0에 주말 시간, 다른 한쪽은 $17

독점(proprietary) 비디오 시장은 혼란스러웠습니다. OpenAI는 출시 6개월도 채 되지 않은 2026년 3월, 다운로드 수가 최고점 대비 약 66% 하락한 후 소비자용 Sora 앱을 종료했습니다(API는 별도로 계속 운영됩니다). ByteDance의 Seedance 2.0은 같은 달 Disney, Paramount, Warner Bros.로부터 중지 요청서(cease-and-desist letter)를 받은 후 할리우드 소송에 휘말려 글로벌 출시가 중단되었습니다 — 중국 내에서는 계속 이용 가능하지만 국제 상업적 사용에는 법적 위험이 따릅니다. Alibaba의 HappyHorse 모델은 2026년 4월 품질 리더보드 1위를 차지했지만 일반에는 공개되지 않았습니다.

바로 이런 혼란이 두 문 모두를 매력적으로 만듭니다. 개방형 로컬 모델은 여러분을 벤더의 드라마로부터 자유롭게 합니다. 그리고 InVideo는 그 드라마를 대신 흡수합니다. 이 구독 서비스는 Kling 3, Veo 3.1, Seedance 2.5를 포함한 200개 이상의 모델에 대한 접근을 번들로 제공하므로, 어떤 모델이 사라지거나 소송을 당해도 여러분의 워크플로우는 영향을 받지 않습니다.

현재 다운로드 수, 커뮤니티 활동, 벤치마크 결과를 기준으로 로컬 비디오 생성 분야를 지배하는 오픈 웨이트 시스템은 세 가지입니다. 세 모델 모두 자신의 컴퓨터에 설치하는 노드 기반 인터페이스인 ComfyUI를 통해 실행됩니다 — Ollama 같은 채팅형 도구가 아닙니다. 이들은 LLM이 아니라 디퓨전(diffusion) 모델입니다.

Wan 2.2는 가장 널리 배포된 오픈 비디오 모델입니다. I2V-A14B 저장소 하나만으로도 한 달간 약 424만 회의 Hugging Face 다운로드를 기록했으며, 수백 개의 커뮤니티 파생 모델이 그 위에 구축되었습니다. T2V-A14B와 I2V-A14B(전문가 혼합 구조, 총 27B / 활성 14B 파라미터), 그리고 6~8GB VRAM만으로 텍스트-투-비디오와 이미지-투-비디오를 모두 처리하는 소형 TI2V-5B까지 세 가지 변형으로 출시되었습니다. 14B 등급은 15GB(GGUF Q3)에서 25GB(FP8)까지 필요하며, 공식 비양자화 실행에는 80GB가 요구됩니다. 라이선스는 Apache 2.0으로 진정한 무료이며 상업적 사용에 제한이 없고 매출 기준도, 지역 제외도 없습니다.

구체적인 속도: 5초 클립 하나를 생성하는 데 RTX 4090 기준 약 4~9분이 걸립니다(독립적으로 보고된 수치 하나 기준 — Wan 2.2는 한 번에 더 긴 클립을 기본적으로 출력하지 않습니다). 20초 시퀀스를 만들려면 5초짜리 클립 4개를 별도로 생성한 뒤 이어 붙여야 합니다 — 원시 생성 시간만 약 16~36분이며, 매끄럽게 연결하기 위한 수작업 편집이 추가로 필요합니다. 이 수치는 클립당 수치로부터 추정한 값이며, 20초 클립을 직접 측정한 벤치마크가 아닙니다.

LTX-2는 이 3종 중 유일하게 동기화된 오디오와 비디오를 한 번에 생성하는 모델입니다 — 발소리, 주변음, 효과음이 영상과 함께 도착합니다. 세 모델 중 가장 빠르며 하드웨어 요구사항도 가장 관대합니다. 아키텍처는 22B 디퓨전 트랜스포머이며, 현재의 LTX-2.5 릴리스와 함께 LTX-2.3(2026년 3월)도 계속 지원됩니다. 라이선스는 LTX 커뮤니티 라이선스로, 회사의 연간 총매출이 $10M 미만이면 상업적 사용이 무료이며 그 이상이면 유료 상업 라이선스가 필요합니다. (일부 서드파티 자료는 이를 Apache 2.0으로 잘못 표기하고 있습니다 — 공식 라이선스 페이지만이 신뢰할 수 있는 출처입니다.) 하드웨어 요구사항은 양자화 시 18~20GB VRAM, 풀 정밀도에서는 32GB 이상입니다. 12GB 카드에서는 이전 버전인 LTX-Video 0.9.5가 현실적인 선택입니다.

구체적인 속도: LTX-2는 정성적으로 3종 중 가장 빠르며, 고급 소비자용 카드에서 거의 실시간에 가까운 미리보기를 제공합니다 — 다만 이 글 작성 시점 기준 RTX 4090에서의 독립적으로 검증된 클립당 소요 시간 수치는 존재하지 않으므로 임의로 만들어내지 않겠습니다. 확인 가능한 유일한 확정 수치는 Lightricks 자체가 데이터센터급 "Nvidia 슈퍼칩"(소비자용 GPU가 아님)에서 진행한 벤치마크로, 10초 클립을 약 6.8초 만에 생성했습니다. 이는 진지한 하드웨어에서 이 아키텍처가 낼 수 있는 상한선으로 봐야 하며, 가정용 장비에서 체감할 성능이 아닙니다.

2025년 11월 출시된 Tencent의 8.3B 모델은 영화적인 조명과 질감 표현으로 커뮤니티의 사랑을 받고 있으며, VRAM 요구량이 3종 중 가장 낮습니다: 오프로딩 시 최소 14GB, 24GB에서 쾌적하게 동작하며 RTX 4090 기준 480p 클립 하나당 약 75초가 걸립니다. 480p/720p를 기본으로 생성하며, 내장된 초해상도(super-resolution) 기능으로 최대 1080p까지, 클립 길이는 최대 10초까지 지원합니다.

구체적인 속도: 5초 480p 클립 하나당 약 75초라면, 영상 1초당 렌더링 시간은 약 15초입니다. 네이티브 최대 클립 길이가 10초이므로, 20초 시퀀스를 만들려면 최대 길이로 두 번 생성해야 합니다 — 초당 속도를 그대로 확장하면 20초 분량의 영상을 생성하는 데 원시 생성 시간만 약 5분이 걸리며, 이어붙이기 작업은 별도입니다. 이는 확인된 5초 수치로부터의 추정치이며, 10초나 20초를 직접 측정한 벤치마크가 아닙니다.

2026년 8월 3일 출시된 MiniMax H3는 네이티브 스테레오 오디오, 출시 첫날부터의 ComfyUI 지원, RTX 3060에서도 실행 가능한 양자화 버전을 갖춘 331억 파라미터 규모의 옴니모달 모델입니다. 네 번째 선택지로 다루기 전에 두 가지 유의점이 있습니다. 로컬 릴리스는 768p로 상한이 설정되어 있으며(완전한 2K 파이프라인은 호스티드 버전에서만 제공됩니다), 커뮤니티 라이선스에는 자체적인 지역 제한과 $20M 매출 기준이 포함되어 있다고 알려져 있으므로 사용 전에 공식 모델 카드를 확인해야 합니다. 초기 반응은 좋지만, 출시된 지 3주밖에 되지 않은 것과 실무에 바로 투입 가능한 것은 별개의 문제입니다.

로컬 비디오 생성은 강아지가 "공짜"인 것과 같은 의미로 무료입니다. 모델 가중치 자체는 비용이 들지 않지만, GPU가 진짜 입장료입니다. GPU의 VRAM이 12GB 미만이고 업그레이드 계획이 없다면 로컬 생성은 아예 건너뛰십시오 — 위의 세 모델 모두 이 등급 이하에서는 실용적인 품질로 동작하지 않으며, 클라우드 플랫폼이 더 빠르게 더 나은 결과를 제공할 것입니다.

이 내용이 자신의 컴퓨터에 어떻게 적용되는지 잘 모르시겠습니까? 다음 가이드가 자세히 설명합니다: 모델별 정확한 요구사항은 VRAM 계산기, 모델 크기별 도표는 필요한 VRAM은 얼마인가?, 하드웨어 선택은 로컬 AI를 위한 최고의 GPU와 최고의 예산형 GPU, 플랫폼 비교는 GPU vs CPU vs Apple Silicon을 참고하십시오. 한 가지 솔직한 유의점: 이 가이드들은 LLM용 VRAM 공식(파라미터 수 × 비트 ÷ 8)을 사용합니다. 비디오 디퓨전 모델은 해상도와 클립 길이에 따라서도 VRAM 사용량이 달라지므로, 이 수치들은 비디오 작업에서는 상한이 아니라 최저 기준으로 받아들이십시오.

로컬 모델을 사용한다는 것은 비디오 도구 하나를 설치하는 것이 아니라 파이프라인 전체를 조립한다는 뜻입니다.

생성 환경 설정. ComfyUI는 노드 기반 도구입니다. 로더, 샘플러, 디코더로 이루어진 워크플로우 그래프를 직접 구축하거나, 가져와서 디버깅해야 합니다. 첫 프레임이 렌더링되기 전까지 CUDA 버전 불일치, PyTorch 버전 고정, 이따금 발생하는 flash_attn 설치 오류를 각오해야 합니다.

프롬프트 작성. 비디오 모델은 한 줄짜리 프롬프트가 아니라 구조화된 프롬프트가 필요합니다 — 샷 종류, 카메라 움직임, 조명, 피사체의 동작 등입니다. 내장된 프롬프트 도우미도, 시스템 프롬프트 레이어도 없습니다. 전체 구조를 직접 작성해야 합니다. 시스템 프롬프트와 사용자 프롬프트의 차이와 로컬 모델을 위한 프롬프트 엔지니어링 가이드는 비디오 프롬프트 작성에도 그대로 적용되는 기본 원칙을 다룹니다.

클립 주변의 모든 것. 로컬 모델은 5~20초 길이의 원시 무음(LTX 제외) 클립을 출력합니다. 스크립트, 음성, 음악, 스톡 영상, 자막, 편집은 각각 선택하고 설치하고 서로 연결해야 하는 별도의 도구입니다.

간단히 정리하면, 흔한 상황별로 다음과 같습니다:

다음에 해당한다면 InVideo가 더 나은 선택일 가능성이 높습니다:

• 강력한 GPU를 보유하고 있지 않음
• 즉시 비디오 제작을 시작하고 싶음
• ComfyUI, CUDA, 모델, Python 환경을 설치하고 설정하고 싶지 않음
• 여러 로컬 도구를 조합하기보다 통합된 워크플로우를 원함
• 스크립트, 음성, 음악, 자막, 비디오 생성을 하나의 워크플로우에서 처리하고 싶음
• 기반 모델을 실험하는 것보다 완성된 비디오 자체를 더 중시함

다음에 해당한다면 로컬 AI가 더 나은 선택일 가능성이 높습니다:

• 이미 적합한 GPU 하드웨어를 보유하고 있음
• 최대한의 통제권을 원함
• 모델과 워크플로우를 실험하고 싶음
• 강한 기술적 역량이 있음
• 생성 과정을 로컬에서 통제된 상태로 유지하는 것을 우선시함
• 매우 많은 양을 생성할 예정이며 한계 생성 비용을 최적화하고 싶음

클라우드 워크플로우를 평가하기 위해 로컬 GPU 환경을 구축하거나 유료 구독을 결제할 필요는 없습니다. 하드웨어를 구매하거나 ComfyUI에 주말을 쏟기 전에, 먼저 반대 방향으로 5분을 써보는 것이 좋습니다:

1. InVideo의 무료 버전을 사용해보십시오. 2. 짧은 비디오 하나를 만들어보십시오. 3. 결과물 품질과 워크플로우가 어떻게 느껴졌는지 평가하십시오. 4. 그 경험을 로컬 설치에 드는 노력과 비교해보십시오.

이렇게 하면 이 비교가 단순히 읽는 것에서 그치지 않고, 이 글의 나머지를 읽는 것보다 짧은 시간 안에 직접 테스트해볼 수 있는 것으로 바뀝니다.

12GB 이상의 GPU를 이미 보유했거나 구매할 계획이 있고, 직접 도구를 구축하는 것을 즐기며, 편의성보다 프라이버시와 무제한 $0 생성을 더 중시한다면 로컬을 선택하십시오. Wan 2.2가 가장 안전한 토대입니다 — 최고 품질, Apache 2.0, 세부 조항 없음 — 속도와 사운드에 특화된 LTX-2도 함께 고려하십시오.

하드웨어가 없거나, 설정을 원하지 않거나, 원시 클립이 아닌 완성된 비디오가 필요하다면 클라우드를 선택하십시오. 단순히 AI로 비디오를 만들고 싶은 대부분의 사람에게는 클라우드 경로가 더 쉬운 출발점입니다. 로컬 생성에 필요한 하드웨어와 기술적 관심이 이미 없다면, InVideo는 프롬프트 하나로 그 복잡함의 대부분을 없애줍니다. 모든 모델과 자산이 번들로 제공되고 자동화까지 포함되어 있으며, 테스트는 $0부터, 워터마크 제거는 월 $17(연간 결제)부터 시작합니다. 자신의 워크플로우에 맞는지 알아보는 가장 간단한 방법은 무료 버전을 먼저 시도해보는 것입니다.

두 문 모두 AI 비디오로 이어집니다. 애초에 질문은 어느 기술이 더 나은가가 아니라, 어느 워크플로우가 여러분의 컴퓨터, 인내심, 목표에 맞는가였습니다.