몇 해 전 소셜 피드에 한 종류의 영상이 자주 돌았다. 흑백 옛 사진 속 인물이 문득 눈을 깜빡이고 말을 시작한다. 사진도 말할 수 있다는 것을 많은 사람이 처음 안 것이 그런 영상이었다. 기술은 신비롭지 않고 이 분야에서는 말하는 얼굴 생성이라 부른다. 얼굴과 음성을 주면 입과 눈 깜빡임, 눈썹, 머리 움직임을 예측해 음성에 맞는 화면을 그린다.

D-ID는 이 길에서 가장 이르고 가장 체계적인 회사 중 하나이며 그 능력을 쓸 만한 플랫폼으로 묶었다. 오프라인 아바타 영상과, 그 자리에서 대화하는 시각화된 에이전트를 함께 다룬다.

사진 한 장이면 된다

문턱은 조금 직관에 반할 만큼 낮다. 얼굴 사진을 올리고 대본이나 음성을 붙이면 그 사람이 말하는 영상이 나온다. API 문서는 이렇게 적는다. 영상 하나를 만드는 데 이미지 한 장이면 충분하다고. 3D 모델링도, 모션 캡처 장비도, 본인이 현장에 있을 필요도 없다.

입력에는 분명한 제한이 있다. 한 장 10 MB까지, 형식은 JPEG와 JPG, PNG. 출력은 MP4로 통일되고 표준 인물은 1280×1280이 상한이다. 1080p가 필요하면 HQ 표시가 붙은 Premium 인물을 써야 한다.

놓치기 쉬운 제한이 길이다. 웹에서든 API에서든 한 편의 영상은 5분으로 묶인다. 설명과 안내, 인사 같은 짧은 내용에 맞고 강의를 한 번에 끝내는 것은 현실적이지 않다. 긴 내용은 여러 구간으로 나눠 만든다.

오늘은 중국어, 내일은 나머지 119개 언어

생성은 첫걸음일 뿐이다. 기업이 D-ID를 실제로 쓰는 이유는 현지화다. 120개가 넘는 언어로 영상 생성과 실시간 상호작용을 지원하고, 같은 얼굴은 어느 언어판에서도 같은 얼굴로 남는다. 언어가 바뀌어도 사람이 바뀌지 않는다.

이미 완성된 영상이 있으면 번역이 이어받는다. 몇 번의 클릭으로 여러 언어로 옮기고, 원래 화자의 목소리를 복제하며 입 모양을 새 언어에 맞춘다. 위에 더빙을 얹는 방식이 아니다. 전 세계에 동시에 내는 팀에 가장 편한 부분이 여기다. 소재는 하나, 작업은 한 번, 판본은 한꺼번에 갖춰진다.

말을 걸 수 있는 상대

최근 2년 사이 무게 중심은 Visual Agents로 뚜렷하게 옮겨 갔다. 정해진 영상을 만드는 것이 아니라 듣고 답하고 표정도 있는 실시간 인물을 만든다.

공개된 성능은 답변 정확도 90퍼센트 초과, 응답 2초 이내다. 만드는 과정은 몇 단계다. 인물을 고르고, 기성 인물이나 본인 아바타를 쓴다. 목소리를 정하고 합성 음색이나 자기 목소리 복제, 음성 업로드 중에 고른다. 역할과 성격을 정하고 지식을 붙인 뒤 외부 동작을 일으키도록 webhook을 건다.

지식 쪽은 문서를 받는다. 공식 제한은 5건까지, 문서당 50만 자까지다. 언어 모델은 어느 공급자든 되고 자체 모델도 된다. 올린 문서는 모델 자체에 들어가지 않고 검색 출처로만 쓰이므로 사내 자료를 넣는 일도 성립한다.

배치는 넓다. 웹사이트와 앱, 학습 관리 시스템, 상담 창구, 모바일, 매장 단말에도 넣는다. 누구나 200회의 대화를 무료로 시험하고 이후에는 요금제를 따르며, 에이전트 사용량은 15초마다 반 크레딧으로 센다.

준법의 선

남의 얼굴을 말하게 하는 일은 남용 위험을 동반하므로 D-ID는 동종 업계보다 공을 들였다. ISO/IEC 27001과 27017, 27018, 42001을 갖추고 SOC 2 인증도 통과했다. 27018은 클라우드 환경의 개인 식별 정보 보호와 관련되고 GDPR과 직결된다. Studio 페이지는 TISAX와 GDPR 완전 대응도 언급한다.

인증 번호보다 실질적인 약속도 있다. 당신의 영상과 대본, 문서, 인물은 늘 당신 것이고 플랫폼은 그것으로 모델을 학습하지 않으며 데이터는 전송 중에도 저장 중에도 암호화된다. 사내 교육 자료나 고객 정보를 맡기는 기업에는 이 문장이 더 무겁다.

개발자와 요금제

브라우저 Studio 말고도 생성용 API가 온전히 있어 자사 제품에 넣고 대량으로 만들 수 있다. 문서는 영상 능력을 세대로 나눈다. V4 Expressive는 감정이 담긴 말하기를 맡고, V3 Pro는 Full HD에 자연스러운 몸동작을 내며, V3 Instant는 자기 소재로 인물을 만들고, V2 Photo는 사진 한 장에서 말하는 얼굴을 만든다. 실시간 스트리밍 인터페이스와 SDK, 삽입 가능한 부품도 갖춰져 있다.

요금제는 Trial과 Lite, Pro, Advanced, Enterprise 다섯 단계이고 금액과 포함 분은 가격 페이지에 있다. 선택을 가르는 차이는 이름보다 좁다. Trial은 전체 화면 워터마크가 있지만 1080p Premium은 쓸 수 있다. Lite는 워터마크가 남고 Premium을 전혀 못 쓰며 해상도는 1280×1280에서 멈춘다. Pro는 워터마크를 없애고 1080p를 열어 실질적 상업 진입점이 된다. Advanced는 사용량과 권한이 늘고 Enterprise는 별도 사용량과 사설 배치, 전담 지원을 준다.

청구에서 중요한 점이 둘이다. 포함 분은 월 단위로 세고 남은 분은 다음 달로 넘어가지 않는다. API 소모는 웹과 같은 잔액에서 나간다. 수요 변동이 큰 팀은 정점보다 낮은 양으로 등급을 고르고 작업을 나누는 편이 낫다.

누구에게 맞고 어디서 멈추나

강점은 낮은 문턱과 융통성이다. 한 장으로 시작해 브라우저에서 몇 분이면 결과가 나오고, API로 대량 제작이 되며, 그 자리에서 말하는 상대를 하루 종일 사이트에 둘 수 있다. 같은 내용을 여러 언어 시장으로 밀거나 24시간 안내역이 필요한 팀에는 이 조합이 실용적이다.

경계도 또렷하다. 5분 상한 때문에 긴 강의는 만들 수 없다. Lite는 Premium을 못 쓰고 해상도에서 손해를 본다. 워터마크를 없애고 1080p를 얻으려면 Pro부터다. 그리고 표현력은 말하기에 모여 있어 복잡한 연기나 실제 로케이션 촬영이 필요한 내용은 대체하지 못한다.

쓰기 전에 정할 것이 하나 있다. 누구의 얼굴이 말하게 할 것인가. 남의 사진을 쓴다면 허락이 기술보다 어려운 문제가 되고, 공식 윤리 조항도 이 점을 거듭 강조한다.

이런 도구의 가장 좋은 쓰임은 출연해 말해야 하는 반복 업무를 맡기고, 진짜 사람이 나와야 하는 표현은 사람에게 남기는 것이다. 아끼는 것은 제작비가 아니라 일정을 기다리는 시간이다.