영화 제작 아이디어를 시각화하는 AI 도구 CineGraphs 등장!

개발자는 Qwen2.5-7B 모델을 사용하여 영화적 구조를 이해하는 AI 모델을 구축했다. 이를 위해 100편의 영화를 선별하여 장면 수준의 내러티브 비트(Narrative Beats), 캐릭터 관계, 대화 패턴 등을 추출하는 1000+ 라인 파이썬(Python) 파이프라인을 구축했다. 특히, Qwen3-VL을 활용하여 영화의 구조적 특징을 파악하도록 프롬프트를 지속적으로 개선했다. 이러한 과정을 통해 10,000개 이상의 프롬프트-브랜칭 내러티브 쌍으로 구성된 데이터셋을 생성하고, LoRA를 사용하여 모델을 미세 조정했다.

CineGraphs는 브랜칭 내러티브(Branching Narrative) 방식을 통해 스토리텔링의 유연성을 제공한다. 사용자는 아이디어를 입력하고, AI가 생성한 다양한 스토리 전개를 탐색하며, 원하는 방향으로 스토리를 조각할 수 있다. 이는 기존의 선형적인 스토리텔링 방식과 달리, 여러 가능성을 탐색하고 창작 과정(Creative Process)에서 유연성을 확보하도록 돕는다. 또한, Fountain 형식으로 내보내기 기능을 제공하여 전문적인 스크린라이팅 소프트웨어와의 호환성을 높였다.

커뮤니티에서는 CineGraphs의 사용자 인터페이스(User Interface)와 기능 개선에 대한 의견이 제시되었다. 특히, 제안된 노드를 수정하거나 사용자가 직접 노드를 추가하는 기능의 부재에 대한 아쉬움이 제기되었다. 또한, 스토리의 종료 지점을 설정하는 기능의 필요성도 언급되었다. 이러한 피드백은 도구의 사용성(Usability)을 향상시키고, 창작 과정에서의 유연성(Flexibility)을 더욱 높이는 데 기여할 수 있을 것으로 보인다.

개발자는 모델 훈련에 사용된 영화 선택이 결과물의 다양성에 큰 영향을 미친다는 점을 강조했다. 초기에는 주류 영화를 사용하여 모델을 훈련했지만, 실험적이고 국제적인 영화를 추가하면서 생성 결과의 다양성(Variety of Generations)이 향상되었다고 밝혔다. 이는 모델이 스토리 구조를 단순한 공식이 아닌 디자인 공간(Design Space)으로 인식하도록 학습했음을 시사한다. 이러한 접근 방식은 AI 모델이 창작 과정에서 더욱 창의적인 결과를 도출하도록 돕는 데 기여할 수 있다.