MiniMax H3 네이티브 오디오: 소리까지 생성하는 AI 영상

모든 AI 비디오 워크플로가 부딪히는 순간이 있습니다. 클립은 훌륭한데, 완전히 무음입니다. 그래서 음악 베드를 찾고, 보이스오버용 TTS 도구를 찾고, 효과음용 무언가를 찾다가 — 진짜 어려운 부분을 발견하게 되죠. 영상 위에 녹음된 목소리는 결코 그 영상에 온전히 속하지 못한다는 것. 룸 톤이 어긋나고, 입이 움직이지 않고, 발소리는 아무 데도 닿지 않습니다. 사운드 디자인이 두 번째 프로덕션이 되어버립니다.

그것이 MiniMax의 H3가 7월 31일 출시되며 닫은 간극입니다. 영상에 오디오를 더하는 것이 아니라, 둘을 함께 생성합니다. 우리는 H3가 Playground에서 가동 중인 멀티 모델 비디오 플랫폼 Pixo를 운영하고 있고, H3의 스펙 시트 전체에서 일상 작업을 가장 크게 바꾸는 능력이 바로 이것입니다 — 그래서 정확히 어떻게 동작하고 어떻게 프롬프트하는지 정리했습니다.

"네이티브 오디오"가 실제로 의미하는 것

모든 H3 결과물은 그림과 같은 패스에서 생성된 스테레오 사운드를 담고 나옵니다. 프롬프트 하나에서 세 개의 레이어가 나옵니다.

• 대사. 대사를 원문 그대로 쓰면 캐릭터가 그것을 말합니다 — 립싱크와 함께요. 입 움직임과 오디오가 같은 생성에서 나오기 때문입니다. 대사를 고쳐 쓰면 연기가 따라옵니다.
• 앰비언스. 장면이 장면답게 들립니다. 습지 위를 스치는 바람, 주방의 웅웅거림, 유리 너머의 차량 소음. 요청한다기보다, 제외하지 않으면 알아서 들어옵니다.
• 효과음. 접촉음이 물리 현상이 일어나는 자리에 떨어집니다 — 뚜껑이 열리면 딸깍 소리가 나고, 새가 날아오르면 날갯짓 소리가 칩니다.

더빙과의 차이는 미묘하지 않습니다. 얹어진 후반 오디오는 영상에 대한 것이고, 생성된 오디오는 영상 의 것입니다. 캐릭터가 문장 중간에 몸을 돌리면, 목소리도 함께 돌아갑니다.

소리가 있는 모델, 없는 모델

오디오는 어느새 모델 세대를 가르는 분단선이 되었습니다.

H3가 "오디오 있음" 위에 더 얹는 것이 보이스 스택입니다. 여러 언어를 아우르는 텍스트-투-스피치, 그리고 레퍼런스 트랙에서의 음성 클로닝 — 목소리를 업로드하면 대사가 그 음색으로 생성됩니다. (그 능력은 별도의 심층 글감입니다. 여기서는 일상적인 사례에 머물겠습니다.)

사운드 프롬프팅의 네 가지 규칙

1. 대사는 반드시 써내야 합니다. H3는 대사를 즉흥으로 만들지 않습니다. 지친 목소리가 말한다: "5분 뒤에 문 엽니다."는 그 문장을 생성합니다 — 그 외에는 아무것도요. 모호한 요청("그녀가 뭔가 안심시키는 말을 한다")은 모호한 결과를 낳습니다.

2. 누가 화면 안에 있을지 정하세요. 보이는 화자는 립싱크를 얻고, 화면 밖 목소리는 내레이션으로 읽힙니다. 둘 다 프롬프트 한 줄이고 — 차이는 화자를 프레임 안에 두느냐입니다.

3. 원하지 않으면 음악을 죽이세요. H3는 기꺼이 클립에 음악을 깔아줍니다. 후반에서 라이선스 음악을 얹을 거라면 — 대부분의 브랜드 작업이 그렇죠 — 프롬프트를 내러티브 외 음악: N/A로 끝내고 트랙을 깨끗하게 유지하세요.

4. 오디오 레퍼런스는 동행할 뿐, 단독으로는 안 됩니다. 페이싱이나 목소리 캐릭터를 잡기 위해 오디오 트랙(≤15MB)을 업로드할 수 있지만, 반드시 이미지나 비디오 레퍼런스와 함께여야 합니다 — 오디오가 유일한 입력일 수는 없습니다.

복사해 쓰는 프롬프트 세 개

1. 화면 속 대사와 립싱크 (16:9)

이 쇼케이스의 레퍼런스 파일

같은 결의 매뉴얼 쇼케이스

아늑한 심야 다이너, 따뜻한 텅스텐 조명, 창문에 가볍게 내리는 비. 30대 여성이
카운터에 앉아 두 손으로 커피 머그를 감싸고 있다. 그녀가 카메라를 올려다보며
말한다: "넌 항상 같은 걸 시키더라." 대사 후 살짝 미소 짓는다.
조용한 다이너 앰비언스 — 빗소리, 멀리서 들리는 라디오, 식기 소리. 내러티브 외 음악: N/A.

작동하는 이유: 화자 하나, 써낸 대사 하나, 리액션 비트 하나. 앰비언스 목록이 대사와 경쟁하지 않으면서 사운드 무대를 깔아줍니다.

2. 내레이션 제품 모먼트 (9:16)

세로 영상. 나무 카운터 위 푸어오버 커피 세팅, 아침 햇살. 뜨거운 물이
주전자에서 필터 안으로 나선을 그리며 떨어진다; 김이 피어오른다; 카메라가
천천히 푸시 인. 차분한 남성 목소리가 말한다: "30그램. 3분. 지름길은 없다."
물 따르는 소리와 은은한 김 소리. 내러티브 외 음악: N/A.

작동하는 이유: 화면 밖 내레이션이라 립싱크 리스크가 전혀 없고, 물리적인 소리(따르기, 김)가 보통 음악 베드로 흉내 내던 분위기 작업을 대신합니다.

3. 레퍼런스가 이끄는 퍼포먼스 (영상 셋 넣고, 노래 하나 뽑기)

Video 1이 카메라 무브를 제공한다: 히치콕 달리 줌. Video 2가 피사체다:
길거리 카페에서 커피를 마시는 여성. Video 3이 노래와 노래하는 퍼포먼스를
제공한다. Video 2의 여성이 노래하게 만들 것 — 목소리, 프레이징, 퍼포먼스는
Video 3에서 — 카메라는 그녀에게 Video 1의 달리 줌을 실행한다.

작동하는 이유: 레퍼런스 셋에 역할도 셋 — 카메라, 피사체, 노래 — 이고, 오디오는 트랙으로 얹히는 것이 아니라 퍼포먼스로 생성됩니다. 사운드 디렉션도 그저 또 하나의 레퍼런스 역할이라는 것을 보여주는 매뉴얼 자체의 시연입니다.

직접 해보기

MiniMax H3는 Pixo의 Playground에서 가동 중입니다. Video → MiniMax H3를 선택하고, 말하게 하고 싶은 대사를 담아 프롬프트를 쓰고, 4–15초 샷을 768p 또는 2K로 생성하세요 — 사운드 포함, 워터마크 없이 내보내기. 모델의 전체 그림은 MiniMax H3란 무엇인가에서 시작하고, 같은 날 출시된 또 다른 플래그십과 오디오 스택이 어떻게 비교되는지는 MiniMax H3 vs Seedance 2.5를 참고하세요.

자주 묻는 질문

AI 비디오 생성기가 소리도 만들 수 있나요?

일부는 가능하고, 대부분은 불가능합니다. MiniMax H3, Seedance, Veo 3.1, Wan 2.6은 오디오를 네이티브로 생성하고, Kling 3.0은 무음 영상을 출력합니다. H3가 가장 멀리 갑니다. 모든 결과물이 스테레오 오디오 — 대사, 앰비언스, 효과음 — 를 그림과 같은 패스에서 생성해 담고 나옵니다. 나중에 얹는 것이 아니라요.

MiniMax H3는 대사를 립싱크하나요?

네. 정확한 대사를 프롬프트에 쓰면 H3가 목소리를 그림과 함께 생성하고, 캐릭터의 입 움직임이 그 단어들과 일치합니다. 텍스트-투-스피치가 여러 언어를 지원하므로 대사가 영어에 국한되지 않습니다.

AI 영상에 보이스오버는 어떻게 넣나요?

보이스오버 텍스트를 프롬프트에 원문 그대로 쓰세요 — 예: 차분한 남성 목소리가 말한다: "좋은 도구는 작업 속으로 사라진다." H3가 음성을 영상과 함께 생성합니다. 화자가 화면 안에 있으면 립싱크가 따라오고, 화면 밖이면 내레이션으로 읽힙니다.

배경 음악을 끌 수 있나요?

네 — 프롬프트를 "내러티브 외 음악: N/A"로 끝내면 H3가 트랙을 깨끗하게 유지합니다. 대사, 앰비언스, 효과음만요. 후반에서 라이선스된 브랜드 음악을 얹을 때 쓰는 모드입니다.

제 오디오를 레퍼런스로 쓸 수 있나요?

네. 이미지나 비디오 레퍼런스와 함께 오디오 트랙(최대 15MB)을 업로드하고 — 오디오가 유일한 입력일 수는 없습니다 — 페이싱이나 목소리 캐릭터를 잡는 데 사용하세요. H3는 레퍼런스 트랙에서의 음성 클로닝도 지원합니다.

어떻게 써볼 수 있나요?

MiniMax H3는 Pixo Playground에서 바로 사용할 수 있습니다 — 4–15초 샷을 768p 또는 2K로 생성하세요. 신규 가입 시 무료 크레딧 200개가 제공되며, 현재 플랜 최대 55% 할인 중입니다.

MiniMax H3는 지금 Pixo Playground에서 사용할 수 있습니다 — 이미지·비디오·오디오 레퍼런스와 함께 4–15초 샷을 768p 또는 2K로 생성하세요. 지금 가입하면 신규 사용자에게 무료 크레딧 200개가 제공되며, 현재 플랜 최대 55% 할인 중입니다. 제품을 화면에 올리시나요? H3로 만드는 이커머스 제품 영상을 참고하세요.