생성물이 "AI 같다"는 말을 듣는 이유 — 현실감은 조건에서 나옵니다

핵심 요약 — 생성 결과물이 "AI 같다"고 반려되는 이유는 품질이 낮아서가 아니라 분산이 좁아서입니다. 학습 데이터가 미학 점수로 걸러지고, 학습 목표가 조건부 평균으로 수렴하고, 샘플링 단계에서 전형적인 결과 쪽으로 표본이 밀립니다. 해법은 노이즈를 얹는 것이 아니라 큐레이션이 잘라낸 저품질 꼬리를 조건으로 되돌리는 것입니다. 이 글은 그 원인과, 이미지·동영상·사운드에서 지금 바로 쓸 수 있는 조건 설계를 정리합니다.

1. "AI 같다"는 말의 정체

작업물을 넘겼을 때 돌아오는 피드백 중 가장 난감한 것이 "뭔가 AI 같아요"입니다. 해상도가 낮은 것도, 손가락이 이상한 것도 아닙니다. 오히려 너무 잘 나와서 문제인 경우가 많습니다.

이 감각은 착각이 아닙니다. 사람이 읽어내는 건 결함이 아니라 분산의 좁음입니다. 조명이 항상 균일하고, 피부가 항상 매끈하고, 구도가 항상 중앙이고, 나레이션이 항상 같은 호흡으로 흐릅니다. 현실의 사진과 녹음에는 그런 균일함이 없습니다.

2. 왜 정형화되는가 — 세 층위

세 층위 모두 "평균적으로 좋은 결과"를 향해 설계돼 있습니다. 문제는 현실감이 평균의 반대편에 있다는 점입니다.

3. 흔한 오해 — 노이즈를 얹으면 현실감이 생긴다

후보정으로 그레인을 얹거나 오디오에 히스를 깔아본 적이 있다면 결과를 아실 겁니다. 더 지저분해질 뿐 현실감은 생기지 않습니다.

이유는 단순합니다. 노이즈는 무구조이고, 사람이 "개인성"으로 읽어내는 것은 구조화된 상관 변이이기 때문입니다. 화이트노이즈는 개성이 아니라 손상으로 지각됩니다. 모델 내부에서도 마찬가지여서, 학습 때 함께 본 형태의 변이만 의미를 갖습니다.

그래서 방향은 "노이즈 추가"가 아니라 "큐레이션이 잘라낸 저품질 꼬리로 분포를 되돌리기"입니다. 이하는 그 되돌리기를 프롬프트와 워크플로로 하는 방법입니다.

4. 이미지 — 조건 설계

4.1 피사체가 아니라 "촬영 조건"을 씁니다

피사체만 쓰면 모델은 그 피사체의 평균을 그립니다. 카메라·광원·환경을 같이 지정하면 그 순간 분포가 좁아지면서 특정한 한 장면이 됩니다.

표기를 영문으로 둔 이유가 있습니다. 조건 어휘는 영어가 더 안정적으로 반영됩니다. 한국어 본문 안에서도 이 부분만은 영문으로 쓰시길 권합니다.

4.2 시간과 장소를 못 박습니다

2019 archive photo, Tuesday afternoon, overcast처럼 시점과 날씨를 넣으면 모델이 특정 조명 조건으로 이동합니다.

"언제인지 알 수 없는 완벽한 조명"이 AI 티의 가장 큰 원인입니다. 현실의 사진에는 항상 찍힌 시각이 묻어 있습니다.

4.3 스타일 트레이너 — 데이터 층을 직접 건드리는 방법

XBRUSH의 스타일 트레이너는 사진 6장으로 60초 이내에 학습이 끝납니다. 앞의 세 층위 중 데이터 층을 직접 건드릴 수 있는 유일한 도구입니다. 무엇을 넣느냐가 전부입니다.

• 넣을 것 — 실제로 찍은 사진. 잘 나온 컷만 고르지 않습니다. 형광등·역광·흔들린 컷을 의도적으로 섞습니다

• 넣지 말 것 — 이미 AI로 생성한 이미지. 정형화를 학습에 다시 주입하게 됩니다

• 브랜드 소재라면 — 자사 제품을 매장·사무실에서 폰으로 찍은 컷 6장이 스톡 사진 6장보다 낫습니다

한계도 분명합니다. 6장 학습은 정체성은 잘 잡지만 다양성은 오히려 줄어듭니다. 같은 표정·같은 각도로 붕괴하는 경향이 있습니다. 시리즈를 뽑을 때는 스타일 트레이너를 켠 컷과 끈 컷을 섞으시길 권합니다.

4.4 엔진을 바꿔가며 뽑습니다

XBRUSH는 이미지 엔진을 여러 개 제공합니다. 같은 프롬프트를 엔진 2~3개에 돌리면 엔진마다 다른 전형성이 나오므로, 세트 안에서 결과가 다 비슷해지는 문제가 줄어듭니다. 광고 소재 5종처럼 세트로 나가는 작업에서 특히 효과가 큽니다.

4.5 인페인팅으로 국소 파괴

전체를 다시 뽑지 말고 한 군데만 망가뜨립니다. 잘 나온 이미지에서 배경 한 구석을 인페인팅으로 slightly out of focus clutter 같은 조건으로 덮으면, 전체 완성도는 유지하면서 "너무 정돈됨"만 깨집니다.

컨펌 통과율 측면에서 가장 안전한 방법입니다. 이미 승인받은 요소는 그대로 두기 때문입니다.

5. 동영상 — 조건 설계

XBRUSH의 영상 생성은 이미지 → 영상 경로이고 클립이 5~10초입니다. 여기서 두 가지가 따라옵니다.

5.1 현실감은 시작 프레임에서 이미 결정됩니다

영상 프롬프트로 질감을 되돌리는 건 늦습니다. 앞 장의 조건을 넣어 만든 이미지를 시작 프레임으로 씁니다. 스튜디오 조명으로 뽑은 이미지를 넣고 handheld라고 써봐야 조명은 스튜디오 그대로입니다.

5.2 카메라의 불완전성을 지시합니다

완벽하게 매끄러운 카메라 이동이 AI 영상의 1순위 판별 근거입니다. 사람이 든 카메라는 그렇게 움직이지 않습니다.

5.3 5~10초에 동작은 하나만

여러 동작을 지시하면 모델이 둘을 평균 내서 어느 쪽도 아닌 뭉갠 움직임을 만듭니다. "컵을 든다"만 쓰고, 컷을 나눠서 이어붙입니다.

클립 1개 생성에 3~5분이 걸립니다. 동작을 욕심내다 재생성하는 것보다 처음부터 쪼개는 편이 총 소요가 짧습니다.

6. 사운드 — 조건 설계

목소리가 유독 평탄한 데는 이유가 하나 더 있습니다. 다수 TTS가 화자 검증용 임베딩으로 조건화되는데, 이 임베딩은 애초에 "같은 사람이면 어떻게 말하든 같은 벡터"가 되도록 학습됩니다. 즉 화자 내 변이를 제거하는 것이 그 임베딩의 목적입니다.

그래서 설정을 만지는 것보다 스크립트를 손보는 쪽이 효과가 큽니다.

6.1 TTS — 스크립트를 손봅니다

6.2 무음 배경이 가장 큰 AI 티입니다

현실의 녹음에는 반드시 공간음이 있습니다. XBRUSH의 효과음 생성으로 방 소음·옷 스침·거리 소음을 아주 낮은 레벨로 깔면 "합성음"이라는 인상이 크게 줄어듭니다.

나레이션 트랙 하나만 있는 영상이 가장 티가 납니다.

6.3 음악과 립싱크

• 음악은 나레이션과 같은 속도로 정확히 맞추지 않습니다. 완벽한 동기화가 인공적으로 읽힙니다

• 립싱크는 원본 영상의 카메라 흔들림이 살아 있을 때 훨씬 자연스럽습니다. 5.2를 먼저 적용하시길 권합니다

7. 한 가지 정정 — 현실감과 비탐지성은 다릅니다

"정형성이 판별 근거"라는 관찰은 사람의 눈과 귀에 대해서는 맞습니다. 다만 기계 판별은 다른 것을 봅니다. 업샘플링과 보코더가 남기는 주파수 영역 지문, 그리고 SynthID·C2PA 같은 워터마크와 출처 메타데이터입니다.

결과물을 덜 정돈되게 만들면 사람은 속지만 지문은 그대로 남습니다.

사실감과 비탐지성은 별개의 축입니다. 이 글의 목적은 전자입니다. AI 영상 공모전 다수가 AI 사용 라벨 표기를 요구하고 있고, 현실감을 높이는 것과 AI 사용을 숨기는 것은 같은 일이 아닙니다.

8. 작업 전 체크리스트

• 이미지 — 장비·광원·구도 조건을 넣었는가 / 시점과 날씨를 못 박았는가 / 세트라면 엔진을 섞었는가 / 인페인팅으로 한 군데만 깨뜨렸는가

• 스타일 트레이너 — 넣은 6장에 실패 컷이 섞여 있는가 / AI 생성물을 넣지는 않았는가 / 시리즈라면 켠 컷과 끈 컷을 섞었는가

• 동영상 — 시작 프레임에 이미 조건이 들어가 있는가 / 카메라 불완전성을 지시했는가 / 클립당 동작이 하나인가

• 사운드 — 문장 길이가 불균등한가 / 구어체 어미를 썼는가 / 공간음을 낮게 깔았는가 / 음악을 정확히 동기화하지 않았는가

정리하면 이렇습니다. "더 잘 만들기"가 아니라 "덜 평균적으로 만들기"가 현실감의 방향입니다. 모델은 기본값으로 평균을 향해 가므로, 조건은 그 반대편을 가리켜야 합니다.

자주 묻는 질문

AI 이미지가 "AI 같다"고 느껴지는 이유는 무엇인가요?

품질이 낮아서가 아니라 분산이 좁기 때문입니다. 학습 데이터가 미학 점수로 필터링되면서 역광·흔들림·형광등 아래 사진이 빠지고, 조건이 약하면 학습 목표 자체가 조건부 평균으로 수렴하며, 프롬프트를 강하게 따르게 할수록 표본이 전형성 높은 영역으로 밀립니다. 그 결과 조명이 늘 균일하고 구도가 늘 안정적인 "평균적으로 좋은" 결과가 나오는데, 사람은 바로 그 균일함을 읽어냅니다.

노이즈나 그레인을 얹으면 현실감이 생기나요?

생기지 않습니다. 노이즈는 무구조이고 사람이 개인성으로 읽어내는 것은 구조화된 상관 변이이기 때문입니다. 화이트노이즈는 개성이 아니라 손상으로 지각됩니다. 방향은 노이즈를 더하는 것이 아니라, 큐레이션이 잘라낸 저품질 꼬리를 프롬프트 조건과 학습 소재로 되돌리는 것입니다.

프롬프트에 무엇을 추가해야 실사처럼 나오나요?

피사체 대신 촬영 조건을 씁니다. 장비(shot on iPhone 13, on-camera flash), 광원(mixed lighting, fluorescent overhead with window backlight), 렌즈·센서(slight motion blur, visible sensor grain), 구도(off-center framing, subject partially cropped), 환경(cable on the floor, wrinkled fabric)을 함께 지정합니다. 여기에 2019 archive photo, Tuesday afternoon, overcast처럼 시점과 날씨를 못 박으면 모델이 특정 조명 조건으로 이동합니다. 조건 어휘는 영어가 더 안정적으로 반영됩니다.

스타일 트레이너에는 어떤 사진을 넣어야 하나요?

실제로 찍은 사진을 넣되 잘 나온 컷만 고르지 않습니다. 형광등 아래, 역광, 살짝 흔들린 컷을 의도적으로 섞습니다. 이미 AI로 생성한 이미지는 넣지 않습니다. 정형화를 학습에 다시 주입하게 됩니다. 브랜드 소재라면 자사 제품을 매장이나 사무실에서 폰으로 찍은 6장이 스톡 사진 6장보다 낫습니다. 다만 6장 학습은 정체성은 잘 잡는 대신 다양성이 줄어들므로, 시리즈 작업에서는 스타일 트레이너를 켠 컷과 끈 컷을 섞는 편이 좋습니다.

AI 영상이 티 나지 않게 하려면 무엇부터 손봐야 하나요?

시작 프레임입니다. 이미지에서 영상으로 가는 경로에서는 영상 프롬프트로 질감을 되돌릴 수 없습니다. 스튜디오 조명으로 뽑은 이미지를 넣고 handheld라고 써도 조명은 그대로입니다. 조건을 넣어 만든 이미지를 시작 프레임으로 쓰고, 그다음 handheld with slight shake, minor focus hunting처럼 카메라의 불완전성을 지시합니다. 5~10초 클립에는 동작을 하나만 넣고 컷을 나눠 이어붙이는 편이 재생성 시간까지 포함해 더 빠릅니다.

현실감을 높이면 AI로 만든 것을 숨길 수 있나요?

아닙니다. 사실감과 비탐지성은 별개의 축입니다. 사람의 눈과 귀는 정형성을 근거로 판별하지만, 기계 판별은 업샘플링·보코더가 남기는 주파수 영역 지문과 SynthID·C2PA 같은 워터마크·출처 메타데이터를 봅니다. 결과물을 덜 정돈되게 만들면 사람은 속아도 지문은 그대로 남습니다. AI 영상 공모전 다수가 AI 사용 라벨 표기를 요구하고 있으며, 현실감을 높이는 것과 AI 사용을 숨기는 것은 같은 일이 아닙니다.

이 글의 조건 어휘와 워크플로는 2026년 9월 기준 실무 작업 노트를 정리한 것입니다. 모델과 엔진에 따라 반영 정도가 다르므로, 세트 작업 전에 소량으로 먼저 확인하시길 권합니다.