스크립트로 AI 아바타 영상 만드는 API, 어떻게 고르나요?

무엇을 만드느냐에 따라 다릅니다. 스크립트로 완성된 토킹 헤드 영상을 만들려면 아바타 API가 필요합니다. 텍스트와 아바타 id를 보내면 공급사가 스크립트를 음성으로 읽고 발표자를 비동기 작업으로 렌더링하며, 영상 파일을 받아 가면 됩니다. HeyGen, Synthesia, Argil, Creatify, Sume Avatar 1.0이 각각 이런 API를 문서로 제공합니다. 다섯 가지 기준으로 고르세요. 렌더링된 파일이 필요한지 대답하는 실시간 아바타가 필요한지, 어떤 아바타(스톡, 커스텀, 사진)에서 시작하는지, 스크립트가 어떤 언어인지, 영상 하나가 얼마나 긴지, 공급사가 어떻게 과금하는지(분당, 초당, 요금제 크레딧)입니다.

아래 공급사 정보는 2026-09-29에 확인한 각 공급사의 개발자 문서와 요금 페이지에서 가져왔습니다(링크는 출처 참고). Sume 정보는 아바타 영상 생성, Sume API 레퍼런스, 가격 코드에서 가져왔습니다. 스크립트 대신 음성 트랙에서 시작하는 경우는 립싱크 작업이며, 아래에서 다룹니다. 일대일 비교는 Sume vs HeyGen과 Sume vs Synthesia를 참고하세요.

스크립트로 토킹 헤드 영상을 만드는 API는 무엇인가요?

다섯 API 모두 생성 요청에서 스크립트를 받고, 영상은 비동기로 전달합니다. 표는 알파벳순입니다.

어느 것을 골라야 하나요?

작업에서 가장 중요한 제약을 기준으로 고르세요. 각 항목은 품질 테스트가 아니라 공급사 자체 페이지에서 가져왔습니다.

• HeyGen: 구독 없이 종량제 API 크레딧을 쓰고 싶거나, 호출 한 번에 최대 100개 영상을 배치로 만들거나, 720p보다 높은 출력이 필요하거나, 요청마다 엔진을 고르고 싶을 때입니다. Avatar IV가 기본값이고, Avatar V는 자격 확인이 필요한 명시적 옵트인이며, Avatar III는 사진을 영상으로 만드는 전용 파이프라인입니다.
• Synthesia: 팀이 이미 Synthesia 템플릿으로 작업하고 있거나, 같은 Video API에서 더빙과 번역이 필요할 때입니다. 테스트 영상은 무료이고 워터마크가 붙으며, 하루 최대 30개까지 만들 수 있습니다.
• Argil: 영상을 순서가 있는 모먼트로 만들고, 모먼트마다 아바타와 대본 또는 오디오 파일을 따로 둘 때입니다.
• Creatify: 1,500개 이상의 페르소나 중에서 고르거나, link-to-video 광고 엔드포인트도 쓰고 싶을 때입니다.
• Sume Avatar 1.0: 토킹 헤드가 더 큰 작업 안의 한 장면이고, 같은 API 안에서 영상 모델, 텍스트 음성 변환, 립싱크, 자막, Timeline과 함께 쓸 때입니다.
• Sume 립싱크: 음성 트랙을 Sume 텍스트 음성 변환 출력으로 먼저 만들고, 스틸 사진이나 아바타를 그 음성에 맞춰 움직이고 싶을 때입니다. 아래 경로를 참고하세요.

렌더링된 영상이 필요한가요, 실시간 아바타가 필요한가요?

아바타가 사용자에게 실시간으로 대답해야 한다면 스크립트로 영상을 만드는 API가 아니라 실시간 아바타 제품이 필요합니다. Synthesia 문서는 Interactive Avatars API를 "synchronous and streaming, not a video file"(동기식 스트리밍이며 영상 파일이 아님)이라고 설명하고, HeyGen은 LiveAvatar를 API 요금제와 별도의 요금제로 판매합니다. 이 글에 나온 Sume 경로는 모두 Sume가 호스팅하는 파일을 반환하는 Job입니다. 실시간 AI 아바타와 영상 아바타 API 비교에서 두 종류를 비교합니다.

Sume Avatar 1.0이 맞지 않는 경우는 언제인가요?

스크립트가 영어가 아니거나, 60초를 넘거나, 720p보다 높은 해상도가 필요하거나, 아바타가 실시간으로 말해야 할 때입니다. 현재 코드에서 Avatar 1.0은 영어만 말합니다. Sume에서 다른 언어를 쓰려면 Job 두 개를 실행하세요. 먼저 POST /v1/tts-1.0/generate에 대본과 그 language를 보내고(스키마는 영어가 아닌 모든 대본에 이 값을 설정하라고 안내합니다), 그다음 POST /v1/veed/fabric-1.0으로 스틸이나 준비된 아바타를 Sume에 호스팅된 그 오디오에 립싱크합니다.

Avatar 1.0에는 준비된 아바타도 필요합니다. 아바타는 POST /v1/avatar-1.0/generate로 프롬프트, 구조화된 특성, 또는 공개 레퍼런스 이미지에서 만들며, 가격은 아바타당 $0.95입니다. Sume Avatar 1.0 API로 재사용 가능한 AI 아바타 만들기에서 과정을 설명합니다.

프로덕션용 스크립트-영상 파이프라인에는 무엇이 필요한가요?

모든 공급사에서 렌더링은 비동기이므로 같은 기본 구성이 필요합니다. Sume에서는 다음과 같습니다.

• 생성 요청마다 Idempotency-Key를 보내고 Job id를 저장하세요. 같은 키와 같은 본문으로 재시도하면 두 번째로 과금하지 않고 원래 Job을 반환합니다.
• Sume는 최종 상태의 Job 이벤트만 보내므로, 결과는 웹훅(mode: "webhook"과 공개 HTTPS webhook_url)으로 받고 상태 폴링을 대비책으로 두세요.
• 긴 스크립트는 장면별로 나누세요. Avatar 1.0 Job 하나는 4–60초를 다루므로, 문단 하나를 고치면 영상 전체가 아니라 Job 하나만 다시 렌더링하면 됩니다.
• 음성을 제어해야 한다면 음성과 얼굴을 분리하세요. 텍스트 음성 변환으로 오디오를 만든 다음, 스틸이나 아바타를 그 오디오에 립싱크하면 됩니다.

어떤 입력에 어떤 Sume 경로가 맞나요?

Sume에는 토킹 헤드 경로가 세 가지 있고, 이미 가진 입력으로 고릅니다. 준비된 아바타와 스크립트가 있으면 Avatar 1.0을, Sume에 호스팅된 오디오와 스틸이 있으면 립싱크(POST /v1/veed/fabric-1.0, 오디오가 5–14.8초라면 POST /v1/minimax/h3-max/lip-sync)를, 드라이빙 영상이 있으면 Kling 3.0 Motion Control(POST /v1/kling/3.0/motion-control)을 씁니다. 경로마다 가이드가 따로 있습니다. 말하는 아바타 영상, 립싱크, 모션 컨트롤을 참고하세요.

일반 영상 모델은 네 번째 선택지가 아닙니다. Sume의 모델 가이드에 따르면 영상 모델은 생성된 TTS나 나중에 입힌 보이스오버에 립싱크하지 않습니다.

Avatar 1.0 말하는 영상은 언제 써야 하나요?

대사는 있지만 녹음이 없을 때입니다. 아바타의 avatar_handle과 함께 script와 video_inputs 중 정확히 하나를 보내세요. quality, aspect_ratio, 선택 입력은 말하는 아바타 영상 가이드에서 다룹니다.

• 전체 렌더 비용을 내기 전에 첫 프레임 스틸을 확인하려면 아바타 영상 프리뷰를 만든 다음, 그 id로 generate-video를 호출하세요.
• 자막은 POST /v1/video-captions로 완성된 영상에 입히세요.

립싱크나 모션 컨트롤이 대신 맞는 때는 언제인가요?

음성 트랙이 얼굴보다 먼저 있을 때는 립싱크가 맞습니다. 립싱크는 스크립트 없이 스틸이나 아바타를 그 오디오에 맞춰 움직입니다. 오디오는 Sume TTS 출력처럼 이미 Sume 미디어 호스트에 있어야 하며, API는 다른 호스트의 오디오를 거부합니다. Job마다 시각 소스는 image_url 또는 avatar_id / avatar_handle 중 정확히 하나이고, 여기에 그 audio_url을 더합니다. Fabric은 Job당 최대 300초의 오디오를 받고, H3 Max Lip Sync는 5–14.8초 범위 안에서 명시적으로 고를 수 있는 대안입니다.

연기가 촬영된 영상에서 나올 때는 모션 컨트롤이 맞습니다. 직접 제공한 드라이빙 영상의 움직임으로 스틸을 움직입니다. motion_video_url(공개 HTTPS, 최대 30초), 그 길이를 담은 duration_seconds, 그리고 시각 소스 하나를 보내세요. keep_original_sound는 false로 설정하지 않는 한 드라이빙 영상의 오디오 트랙을 유지하며, prompt는 외형 세부만 조정합니다. 대신 기존 영상에 아바타 얼굴을 입히려면 페이스 스왑을 쓸 수 있으며, 베타입니다.

영상이 더 길거나 화자가 두 명이면 어떻게 하나요?

그때는 Job당 한도가 계획을 정합니다.

• 스크립트가 60초를 넘으면 Avatar 1.0에는 Job이 여러 개 필요합니다. 문서는 더 긴 스크립트를 나누라고 안내하며, 60초보다 긴 AI 아바타 영상을 만드는 방법에서 파트를 이어 붙입니다.
• 완성된 오디오는 최대 300초까지 Fabric Job 하나에 들어가고, 드라이빙 영상은 최대 30초까지 모션 컨트롤 Job 하나에 들어갑니다.
• 현재 Avatar 1.0 실행은 최종 영상 하나당 해석된 아바타 하나만 지원하므로, 화자가 두 명이면 Job도 두 개 필요합니다. AI 아바타 대화 영상에서 각 차례를 이어 붙입니다.
• 무음 구간은 Avatar 1.0 Job 하나 안에 둘 수 있습니다. voice.type: "silence"인 video_inputs 장면은 말하지 않는 비트입니다.

가격은 어떻게 비교되나요?

단위가 다르므로 비교하기 전에 환산하세요. HeyGen은 실제 초 단위로 청구하는 분당 USD로 가격을 안내하고, Synthesia와 Argil은 요금제 크레딧으로, Creatify는 모델에 따라 30초당 또는 초당 크레딧으로, Sume는 초당으로 과금합니다. Sume Avatar 1.0 요율을 환산하면 분당 $11.04(standard), $14.70(plus), $33.00(max), 제품 이미지 없음 기준이고, 기본적으로 5.5% 에이전트 수수료가 더해집니다. 제품 이미지가 있으면 요율이 올라가며, 해당 요율은 API 요금에 있습니다.

Sume에서 립싱크는 오디오 초를, 모션 컨트롤은 드라이빙 영상 초를 세며, 둘 다 초 단위로 올림합니다. 실제 작업 비용을 계산하려면 스크립트의 발화 길이에 각 공급사의 단위를 곱하고, 새 아바타가 필요하면 아바타 생성 비용(Sume는 아바타당 $0.95)을 더하세요.