Search

Create with AI

Search
Gallery
gif

관련 페이지

Stay up all night
gif
Desert
gif
Deployment
gif
Prototype
gif
Flight
gif
Silhouette
Consciousness
gif
Countach

개요

생성 AI로 Audio를 생성하는 하는 것에 대한 테스트, 서비스를 사용하는 것 이외에 Audio를 생성하려고 했을 때 사용할 수 있는 선택지가 많이 없었다. (Suno, Udio서비스에 대한 비공식적인 API들은 있다.) 가장 빠르게 해볼 수 있는 것이 좀 오래되었지만 Stable Audio Open 1.0이 있었고 모델을 빠르게 테스트하기 위해서 UI를 Streamlit으로 작성했다.
Stable Audio Open 1.0은 Stability AI가 개발한 오픈소스 텍스트-오디오 합성 모델로, 텍스트 프롬프트를 기반으로 고품질의 스테레오 오디오를 생성하는 데 최적화되어 있다. 아래는 이 모델에 대한 주요 특징과 세부 사항이다.

주요 특징

•
오디오 생성 능력: 최대 47초 길이의 스테레오 오디오를 44.1kHz 샘플레이트로 생성할 수 있다. 이는 드럼 비트, 악기 리프, 주변 소리, 효과음(Foley recording) 등 다양한 오디오 샘플을 생성하는 데 적합하다.
•
아키텍처: 잠재 확산(Latent Diffusion) 모델을 기반으로 하며, 트랜스포머 아키텍처와 T5 기반 텍스트 임베딩을 통합해 텍스트 조건에 따라 오디오를 생성한다. 이 모델은 오디오 파형을 압축하는 오토인코더와, 그 잠재 공간에서 작동하는 확산 트랜스포머(DiT)를 포함한다.
•
훈련 데이터: Creative Commons 라이선스(CC0, CC-BY, CC-Sampling+) 하에 제공되는 486,492개의 오디오 레코딩(약 7,300시간)으로 훈련되었다. 데이터는 Freesound(472,618개)와 Free Music Archive(FMA, 13,874개)에서 수집되었으며, 저작권 침해 방지를 위해 PANNs 분류기와 Audible Magic의 콘텐츠 감지 서비스를 통해 필터링되었다.

기술적 세부 사항

•
파라미터: 약 12.1억 개의 파라미터를 가지며, 연구와 실험을 위한 기반을 제공한다.
•
훈련 과정: 오토인코더는 5초 길이의 고품질 오디오 조각으로 훈련되었고, DiT는 1,024개의 잠재 토큰(약 47초 오디오에 해당)에 대해 훈련되었다. AdamW 최적화와 학습률 스케줄링이 적용되어 안정성과 성능을 강화했다.
•
평가: AudioCaps(효과음 및 필드 레코딩)와 Song Describer(기악 음악) 데이터셋에서 테스트되었으며, FD_openl3(78.24, 낮을수록 좋음), KL_passt(2.14, 낮을수록 좋음), CLAP 점수(0.29, 높을수록 좋음) 등의 지표로 실력과 프롬프트 관련성을 평가받았다. 음악 생성에서는 Stable Audio보다 약간 뒤지지만, MusicGen(최고의 오픈 모델)보다 약간 나은 성능을 보였다.

용도 및 한계

Audio Loop Generator : Stable Audio Open 1.0

Tutorials

Search
Generative Video Model
최근 AI 기술의 발전은 비디오 콘텐츠 제작의 방식을 혁신적으로 변화시키고 있습니다. 과거에는 전문적인 장비와 많은 시간이 필요했던 영상 제작 과정이, 이제는 텍스트나 이미지와 같은 간단한 입력만으로도 가능 해졌습니다. 특히, 텍스트를 기반으로 영상을 생성하는 T2V(Text-to-Video), 이미지를 비디오로 변환시키는 I2V (Image-to-Video) 그리고 영상을 다른 스타일로 변환 시켜주는 V2V (Video-to-Video)기술은 콘텐츠 제작의 접근성을 대폭 확대하며, 창의적 작업의 새로운 가능성을 열어주고 있습니다.
생성 AI 비디오 모델은 단순히 사용자 경험을 향상시키는 데 그치지 않고, 마케팅, 교육, 엔터테인먼트 등 다양한 분야에서 혁신적인 도구로 자리 잡고 있습니다. 이 기술을 통해 사용자는 자신의 아이디어를 더 빠르고 직관적으로 시각화 할 수 있으며, 기존의 비디오 제작 과정에서 발생하는 시간과 비용을 절감할 수 있습니다.
이 글에서는 현재 가장 대표적인 생성형 AI 영상 플랫폼들 OpenAI의 Sora, KuaiShou의 Kling AI, RunwayML의 Gen-3, LumaAI의 Dream Machine(Ray2)그리고 최근 API통해서 공개된 Google DeepMind의 Veo2를 중심으로 설명을 하도록 하겠습니다.

1-1. T2V (Text-to-Video) 텍스트 입력으로 비디오를 생성

Text-to-Video 기술은 자연어 설명을 기반으로 동영상을 생성하는 기술입니다. 2025년 현재, 이 분야는 Google, Meta등의 거대 테크기업과 OpenAI등의 스타트업들에 의해서 활발한 연구와 발전이 이루어지고 있습니다. 이 기술은 대규모 언어 모델(LLM)과 생성형 AI를 결합하여 작동합니다. 텍스트 입력을 분석하여 장면의 구성 요소, 움직임, 시각적 특성 등을 파악하고, 이를 바탕으로 연속된 프레임을 생성합니다.
OpenAI Sora, KuaiShou의 Kling AI, RunwayML의 Gen-3, LumaAI의 Dream Machine(Ray2) 그리고 Google DeepMind의 Veo2 등 주요 생성형 AI 영상 플랫폼은 텍스트, 이미지 그리고 영상을 기반으로 AI 영상을 생성하며, 사용자 친화적인 UI를 제공합니다. 그중 Text-to-Video는 사용자가 간단한 텍스트 프롬프트를 입력하여 장면, 스타일, 색감 등을 설정할 수 있으며, 각 플랫폼의 모델은 이를 분석해 시각적 표현을 구현합니다. 또한 비율, 해상도, 길이 및 여러가지 옵션 기능들로 다양한 출력과 결과물 수정 및 확장 기능을 지원해 사용자가 원하는 결과를 쉽게 얻을 수 있게 합니다. 이러한 플랫폼들의 공통점은 쉬운 접근성과 효율성을 중심으로 하여 비전문가도 얼마든지 쉽게 창의적인 비디오 제작이 가능하도록 돕는 데 초점을 맞추고 있습니다.

1-1-1 각 플랫폼의 Text-to-Video UI

OpenAI Sora Sora의 사이트 주소는 https://sora.com/ 입니다. 사용하기 위해서는 가입과 플랜을 선택해서 구동이 필요한데 이런 부분들이 기초적인 것이기 때문에 여기서는 굳이 설명하지 않도록 하겠습니다. 나머지 플랫폼에 대해서도 설명을 생략하도록 하겠습니다. 가입과 플랜을 선택하면 아래와 같은 화면을 볼 수 있습니다.
1-1. 비디오 생성 AI 모델과 서비스에 대한 설명
Image-to-Video는 단일 이미지나 여러 장의 이미지를 입력해 자연스러운 동영상을 생성하는 생성 AI 기술입니다. 이 기술은 딥러닝 모델을 사용하여 이미지에 담긴 객체들의 움직임을 예측하고 생성합니다. 모델은 수많은 이미지와 영상 데이터로 학습되어 있기에 물리 법칙과 자연스러운 움직임의 패턴을 파악할 수 있습니다. 모델은 입력된 이미지를 분석하여 각 객체의 특성을 파악하고, 시간의 흐름에 따른 자연스러운 변화를 만들어냅니다.
주요 특징:
1.
시간적 일관성 생성된 영상에서 객체들은 시간의 흐름에 따라 일관된 움직임을 보입니다. 예를 들어, 강물이 흐르는 장면에서는 물의 흐름이 자연스럽게 연결됩니다.
2.
공간적 정확성 객체들 간의 상호작용과 원근감이 현실적으로 표현됩니다. 그림자, 반사, 조명 등의 요소들도 움직임에 따라 적절히 변화합니다.
3.
컨텍스트 이해 AI는 이미지의 전반적인 상황과 맥락을 이해하여 적절한 움직임을 생성합니다.
Text-to-Video 와 비교한 Image-to-Video의 장점:
1.
시각적 정확성 Text-to-Video는 텍스트 설명만으로 영상을 생성하기 때문에 사용자가 원하는 정확한 시각적 결과를 얻기 어려울 수 있습니다. Image-to-Video는 이미 원하는 시각적 요소가 이미지에 담겨있어, 사용자의 의도를 더 정확하게 반영할 수 있습니다.
2.
일관된 스타일 유지 Text-to-Video는 동일한 프롬프트를 사용해도 매번 다른 스타일의 결과물이 나올 수 있습니다. Image-to-Video는 입력 이미지의 스타일과 특성을 그대로 유지하면서 움직임만 더해주므로 일관된 결과물을 얻을 수 있습니다.
3.
세부 사항의 통제 Text-to-Video는 세부적인 요소들을 텍스트로 모두 설명하기 어렵습니다. Image-to-Video는 이미지에 포함된 모든 세부 요소들(의상 디테일, 배경 요소, 조명 등)이 자동으로 반영됩니다.
4.
프롬프트 엔지니어링 부담 감소 Text-to-Video는 원하는 결과를 얻기 위해 복잡한 프롬프트 작성이 필요할 수 있습니다. Image-to-Video는 시각적 참조가 이미 제공되므로 복잡한 프롬프트 없이도 원하는 결과를 얻을 수 있습니다.
5.
특정 대상의 정확한 재현 Text-to-Video로는 특정 인물이나 장소를 정확하게 묘사하기 어렵습니다. Image-to-Video는 입력 이미지의 특정 대상을 그대로 활용할 수 있습니다.
1-2. I2V (Image-to-Video) 이미지를 입력해서 비디오를 생성하기
Video-to-Video는 입력된 영상의 움직임, 구조, 그리고 장면 정보를 유지하면서도, 새로운 스타일이나 특성을 부여해 전혀 다른 느낌의 영상으로 변환하는 기술입니다. 최근에는 모델의 발전으로 인해 단순한 필터 수준을 넘어, 사실적인 합성이나 특정 화풍·조명·질감 등을 재현할 수 있을 정도로 발전하고 있습니다. 현재(20205,02,23) Video-to-Video를 지원하는 플랫폼은 OpenAI Sora와 RunwayML Gen-3 Alpha 입니다.
주요 기능과 특징:
OpenAI Sora의 특징
RunwayML Gen-3 Alpha/Alpha Turbo의 특징
현재의 한계
각 플랫폼에서의 Video-to-Video 예시
OpenAI Sora: Remix Sora의 Remix 기능은 사용자가 기존 영상을 자연어 명령을 통해 손쉽게 변형하거나 재구성할 수 있도록 도와주는 Video-to-Video 기술입니다.
Sora의 하단 프롬프트 입력창에서 + 아이콘을 누른 후 준비한 영상을 업로드 합니다. 이 튜토리얼에서는 Choose from library를 선택해서 기존에 만들었던 영상을 선택했습니다.
1-3. V2V (Video-to-Video) 비디오를 입력해서 비디오를 생성하기
I2V(Image-to-Video) 기술은 한 장의 이미지를 움직이는 영상으로 만들어 주는 강력한 생성형 AI 기술입니다. 하지만 ‘어떤 이미지를 입력으로 사용하느냐’에 따라 결과물의 스타일과 품질이 크게 달라질 수 있습니다. 따라서 I2V를 활용해 영상을 만들고자 할 때는 먼저 원하는 장면과 캐릭터, 분위기에 최적화된 이미지를 준비하는 과정이 필요합니다. 아래에서는 대표적으로 사용되는 이미지 생성 모델들과 원하는 이미지를 생성하기 위해서 간단히 오픈소스 이미지 모델을 추가 학습 하는 방법들을 소개하도록 하겠습니다.

2-1-1. MidJourney 웹 인터페이스 개요

미드저니 AI 기반 이미지 생성 플랫폼으로, 사용자가 입력한 텍스트 프롬프트를 기반으로 독창적인 아트워크, 일러스트, 사진 스타일의 이미지를 생성하는 서비스입니다. 그동안은 주로 Discord에서 봇에 명령 입력해 이미지를 생성해왔지만, 최근에는 웹 인터페이스를 지원하여 아티스트가 보다 직관적인 환경에서 작업할 수 있게 되었습니다.
2-1. Imag-to-Video(I2V)를 위한 이미지 생성 작업하기

2-2-1. Flux에 대해서

Black Forest Labs에서 개발한 FLUX는 텍스트를 기반으로 이미지를 생성하는 최첨단 모델입니다. 이 모델은 자연어 설명을 입력 받아 해당하는 이미지를 생성하는 능력을 갖추고 있습니다. Flux가 공개된 이후로 Stable Diffusion보다 Flux를 더 많이 사용하고 있습니다. Stable Diffusion은 오픈소스 AI 생성 모델로 강력한 커뮤니티와 확장성을 가지고 있지만, 속도, 품질, 모델 최적화 측면에서 Flux가 더 뛰어난 성능을 제공하고 있기 때문입니다. 하지만 AI 이미지 생성 기술이 급격하게 발전하면서 AI 영상 작업에 대한 요구가 늘어나고 있어서 사용빈도는 생성 AI 비디오 모델을 더 많이 사용하고 있습니다. 하지만 AI 영상을 만들기 위해서는 이미지 프롬프팅이 가장 효과적이고 빠르게 작업하 때는 Midjourney를 사용하고 있지만 디테일한 커스터마이징이 필요하거나 개발이 필요한 작업은 Flux를 여전히 사용하고 있습니다.
FLUX 모델은 다양한 버전으로 제공되며, 각 버전은 다음과 같은 특징을 가지고 있습니다:
•
FLUX.1 [dev]: FLUX.1 [pro]에서 직접 증류된 오픈 웨이트 모델로, 비상업적 용도로 사용됩니다. 유사한 품질과 프롬프트 추종 능력을 가지며, 동일한 크기의 표준 모델보다 효율적입니다. 이 버전의 웨이트는 Hugging Face에서 제공되며, Replicate, Fal.ai, Mystic, Deepinfra, TensorOpera, Hyperbolic 등을 통해 직접 사용해볼 수 있습니다.
•
FLUX.1 [schnell]: 가장 빠른 모델로, 로컬 개발 및 개인 사용을 위해 최적화되었습니다. Apache 2.0 라이선스 하에 공개되어 있으며, Hugging Face에서 웨이트를 제공하고 GitHub에서 추론 코드를 찾을 수 있습니다. Replicate, Fal.ai, Mystic, Deepinfra, TensorOpera, Together.ai 등을 통해서도 이용 가능합니다.
또한, FLUX.1 Tools라는 도구 모음이 제공되어, 기본 텍스트-이미지 모델인 FLUX.1에 제어 및 조정 기능을 추가합니다. 이 도구에는 다음과 같은 기능이 포함됩니다:
•
FLUX.1 Fill: 텍스트 설명과 이진 마스크를 사용하여 실제 및 생성된 이미지를 편집하고 확장할 수 있는 최첨단 인페인팅 및 아웃페인팅 모델입니다.
•
FLUX.1 Depth: 입력 이미지에서 추출한 깊이 맵과 텍스트 프롬프트를 기반으로 구조적 지도를 가능하게 하는 모델입니다.
•
FLUX.1 Canny: 입력 이미지에서 추출한 캐니 에지와 텍스트 프롬프트를 기반으로 구조적 지도를 가능하게 하는 모델입니다.
•
FLUX.1 Redux: 입력 이미지와 텍스트 프롬프트를 혼합하여 새로운 버전을 생성할 수 있는 어댑터입니다.
이러한 도구들은 FLUX.1 [dev] 모델 시리즈의 오픈 액세스 모델로 제공되며, BFL API를 통해 FLUX.1 [pro]와 함께 사용할 수 있습니다.
BFL API는 Black Forest Labs에서 제공하는 개발자용 인터페이스로, 최첨단 이미지 생성 모델인 FLUX의 기능을 애플리케이션이나 서비스에 통합할 수 있도록 지원합니다.
FLUX 모델은 다양한 플랫폼(Replicate, Fal.ai, Freepik 등)에서 사용할 수 있으며, GitHub의 공식 저장소에서 추론 코드를 제공하고 있습니다.
2-2. Flux에서 이미지 생성하기
Flux 모델을 위한 LoRA 학습을 진행하려면, 특정 인물의 특징을 반영할 수 있는 충분한 양질의 이미지 데이터셋이 필요합니다. 그러나 인터넷에서 가져온 사진이나 실제 인물의 사진을 사용할 수 없는 법적·윤리적 제약이 있기 때문에, 학습에 적합한 데이터를 직접 생성해야 합니다. 이를 해결하기 위해 생성 AI 기반 비디오 모델을 활용하여 LoRA 학습용 이미지를 제작하려고 합니다.
생성 AI 비디오 모델을 이용하면 일관된 스타일과 조명을 유지하면서도, 다양한 각도와 표정을 포함한 고품질 데이터셋을 구축할 수 있습니다. 특히, 특정 스타일이나 개성을 가진 인물을 학습시키려면 다양한 포즈와 조명 환경에서 촬영된 이미지가 필요한데 비디오 모델을 사용하면 이러한 요구를 충족하는 프레임을 쉽게 추출할 수 있습니다.
기술적으로는 AI 비디오 생성 모델을 사용하여 5~10초 길이의 클립을 제작한 후, 이를 프레임 단위로 분해하여 이미지 데이터셋을 구성하는 방식이 이상적입니다. 이후, Flux 모델의 특성에 맞게 이미지 보정, 해상도 및 노이즈 정리 등의 전처리 과정을 거쳐 학습을 위한 데이터셋을 준비하려고 합니다.
이러한 접근 방식은 기존의 데이터셋을 사용할 수 없는 환경에서도 맞춤형 인물 LoRA 학습을 가능하게 하며, 원하는 개성을 반영한 이미지를 생성하는 것이 가능하게 합니다. 다음 섹션에서는 이러한 생성 데이터를 효율적으로 정리하고 전처리하는 방법에 대해 다루겠습니다.

2-3-1. Google DeepMind ImageFX를 활용한 인물 인물 제작

ImageFX는 Google DeepMind의 최신 텍스트-이미지 생성 모델인 Imagen 3을 기반으로 한 도구로, 사용자가 텍스트 프롬프트를 입력하면 고품질의 이미지를 생성합니다. 이 도구는 Expression Chips 기능을 통해 다양한 스타일과 분위기의 이미지를 손쉽게 탐색할 수 있도록 지원합니다. 특히, ImageFX는 동양인 이미지를 매우 사실적으로 표현하는 데 탁월한 성능을 보입니다.(최근에 RunwayML에서 공개한 Text-to-Image 모델인 Frames도 동양인을 잘 표현해 냅니다. ImageFX의 표현은 콘트라스트가 Frames에 비해서 좀 강한 것 같습니다.) 이는 다양한 데이터 학습과 향상된 모델의 표현력 덕분이라고 생각이 됩니다, 한국인을 포함한 동양인의 특징을 자연스럽게 반영하고, 사용자 친화적인 인터페이스를 제공하여 누구나 쉽게 접근하고 창의적인 이미지를 ImageFX에서 생성할 수 있습니다.
여러가지 이미지를 생성했었고 최종적으로 아래와 같은 이미지를 선택 했습니다. 이 이미지는 AI 학습용 데이터로 활용하기 위해 제작된 것으로, 자연스럽고 사실적인 인물 표현을 목표로 했습니다. 배경은 미니멀한 스튜디오 톤으로 설정하여 피사체에 집중할 수 있도록 하였으며, 의상은 심플한 화이트 셔츠와 데님을 선택해 깔끔한 인상을 강조했습니다. 얼굴은 부드러운 조명과 적절한 대비를 통해 세밀한 피부 질감과 구조를 강조하며, 눈빛과 표정에서 자연스러움과 진정성을 담아내는 것을 목표로 했습니다. 또한, 헤어 스타일은 자연스러운 웨이브와 질감을 유지하면서도 선명한 디테일이 표현되었습니다.
2-3. Flux용 LoRA를 만들기 위한 합성 데이터 만들기
fal.ai는 개발자를 위한 생성 미디어 플랫폼으로, 고성능 AI 모델 추론 및 훈련 기능을 제공합니다. 이 플랫폼은 특히 이미지 생성 분야에서 Flux API를 통해 최적화된 추론 엔진을 제공하며, 이를 통해 개발자들은 고품질의 생성 미디어 모델에 접근할 수 있습니다.
아래의 링크를 통해서 Flux용 LoRA를 간편하고 빠르게 학습시킬 수 있습니다.
2-4. Fal.ai를 활용한 추가 학습
Fal.ai에서 트레이닝 시킨 LoRA파일을 다운받아 ComfyUI의 LoRA 디렉토리에 위치 시킵니다. 저의 경우 flux폴더를 따로 만들어서 관리하고 있습니다.
ComfyUI_windows_portable\ComfyUI\models\loras\flux
ComfyUI을 실행시키도록 합니다. ComfyUI의 설치는 챕터 "2-2. Flux에서의 이미지 생성"을 참고하거나 공식 문서를 확인해서 설치하면 됩니다.
2-5. ComfyUI에서 제작한 LoRA를 이용해서 이미지 생성하기
FluxGym은 BlackForest Lab의 Flux 모델을 더욱 쉽게 추가 학습(튜닝)할 수 있도록 설계된 툴입니다. 이 도구는 모델 학습 과정에서의 반복적인 실험과 조정을 간소화하여, 사용자가 효율적으로 모델을 만들 수 있도록 도와줍니다. FluxGym의 저장소는 아래의 링크를 통해서 접근할 수 있습니다.
정상적으로 실행하면 아래와 같이 cmd에서 localhost:7860 포트를 통해서 연결된 브라우저로 바로 FluxGym 웹UI가 뜨는 것을 확인할 수 있습니다. 자동을 웹브라우저가 뜨지 않을 경우 위의 포트로 웹 브라우저에서 접근하면 됩니다.
2-6. FluxGym 에서 추가 학습
이미지 업스케일링 항상 겪는 문제는 특히 인물일 경우 인상이 변화한다는 점입니다. 아래에서 소개하고 있는 모델과 서비스는 그동안 사용한 업스케일러 중에서 그나마 인상의 변화가 상대적으로 적었습니다.

InvSR

InvSR은 Diffusion Inversion을 이용한 이미지 초해상도(SR) 기술입니다. 부분적인 노이즈 예측(Partial Noise Prediction)을 통해 중간 상태를 구성하고 이를 시작점으로 삼아 샘플링을 진행합니다. 그리고 딥 노이즈 예측기를 활용해 최적의 노이즈 맵을 예측하고, 이를 바탕으로 샘플링을 초기화하여 고해상도 이미지를 생성합니다.
InvSR의 경우 ComfyUI, HuggingFace Space, Colab등에서 사용할 수 있습니다.
InvSR
zsyOAOA
•
* !python inference_invsr.py -i testdata/AIGC/ComfyUI_00078_.png -o outputs/AIGC/ --chopping_size 128 --num_steps 1 # 이 부분에 파일명을 인자로 넣어야지 스크립트가 작동합니다.
2-7. 이미지 업스케일링
Search
Midjourney

0. 원문

원문은 astro의 "Midjourney V7 프롬프트 작성 가이드 정식 버전(초보자용)"이고 스터디 삼아서 Claude로 번역을 했고 이미지들은 번역하면서 테스트 한 결과들입니다. 예제들중 몇 가지는 취향에 따라 프롬프트를 수정을 해서 이미지를 생성 했습니다.

1. 시작하며

MidJourney v7은 프롬프트의 이해력과 이미지 생성 품질이 크게 향상된 최신 모델입니다. 본 가이드에서는 v7에서의 최적한 프롬프트 구성, 주요 업데이트, 스타일 지정, 인물이나 복잡한 장면의 묘사 방법, 신기능(드래프트 모드와 퍼스널라이즈) 등을 일본어로 설명합니다. MidJourney를 활용하는 모든 크리에이터를 위한 실용적이고 포괄적인 가이드입니다.

2. MidJourney v7의 주요 업데이트

새 아키텍처에 의한 이해력과 충실성의 향상

•
v7에서는 완전히 새로운 모델 구조 채택 했습니다.
•
프롬프트의 해석력이 비약적으로 향상 되었습니다.
•
인물의 손이나 표정, 신체의 일관성, 물체의 형상, 질감의 재현력 강화되었습니다.

퍼스널라이즈 기능(Personalization)의 도입

•
사용 전 '퍼스널라이즈 프로필' 설정 필요합니다.
•
약 200장의 이미지를 평가하여 각자의 취향을 학습합니다.
MidJourney : v7 프롬프트 작성 가이드
Search
Replicate
design

Reference

AI 비디오 생성 모델 'Seedance Pro'를 사용해 타임랩스(timelapse) 프롬프트를 테스트한 결과를 공유. 기본 이미지 프롬프트(여성이 헤드폰을 쓰고 거실에서 일하는 장면)를 기반으로 비디오 프롬프트(빠른 타임랩스에서 낮이 밤으로 바뀌는 장면)를 생성했으나, 모델이 벽에 걸린 사진도 의도치 않게 타임랩스 처리한 점을 이야기한다. 이는 AI 모델의 예상치 못한 행동(hallucination)을 강조하는 것이 포인트다.
•
Seedance Pro (Seedance 1.0 Pro): ByteDance(틱톡 모회사)가 개발한 고품질 AI 비디오 생성 모델. 텍스트 또는 이미지 입력으로 멀티샷 비디오를 생성하며, 시맨틱 이해와 프롬프트 준수에 강점. 2025년 기준으로 전문 스토리텔링, 시네마틱 효과를 지원하는 인기 모델(예: Fal.ai, RunComfy 등 플랫폼에서 사용). 타임랩스 같은 동적 효과에 적합하지만, 트윗처럼 과잉 해석 오류 발생 가능성이 있다.
•
Wan (Wan 2.1/2.2): Alibaba의 AI 비디오 생성 모델. 이미지-to-비디오(i2v) 중심으로 고품질 모션과 다국어 지원. 오픈소스 버전(Wan 2.1 VACE)이 있으며, 비용 효율적. 그러나 출력 길이가 짧은 단점(트윗에서 지적). fofr의 Replicate 모델 'not-real-wan'이 이를 기반으로 현실적 비디오를 생성한다. 이러한 모델들의 타임랩스 성능을 테스트한 실험.

fofr/real-life-anime

A woman is working at her chill desk in a large home living room in a rooftop penthouse, wearing large headphones, a photo of a city outside
•
모델 이름: fofr/real-life-anime
Real Life Anime & SeeDance 1.0 Pro : hallucination
Search
Higgsfield

대시 보드

메뉴

모션 컨트롤

아래는 Higgsfield 플랫폼에 표시된 “MOTION CONTROLS” 전체 목록을 정리한 것입니다.
각 항목마다 ① 영문 이름, ② 자연스러운 한국어 표기(괄호), ③ 효과‧연출의 의미를 간단히 설명했습니다.
표기/해석은 실제 촬영 기법 관용어와 Higgsfield가 예시로 제공하는 VFX·합성 요소를 함께 고려해 의역했습니다.

플랜

인터페이스

Archiving

Search
Gen-AI News
Google DeepMind가 Gemini 모델의 이미지 생성 기능을 대폭 업그레이드. 이는 새로운 최첨단 이미지 생성 및 편집 모델로, 사진 같은 사실적 이미지부터 환상적인 세계까지 생성, 편집, 정제할 수 있게 되었다. 이번 업데이트는 Gemini 2.5 Flash 버전에 적용되며, 추론 능력, 제어, 창의성이 강조 되었다.

주요 기능 개요

Gemini 2.5 Flash는 이미지 생성에서 다음과 같은 향상된 기능을 제공한다.

1. 캐릭터 일관성 (Character Consistency)

•
설명: 참조 이미지를 제공하면, 모델이 캐릭터, 주제, 또는 객체의 유사성을 유지하면서 다양한 포즈, 조명, 환경, 스타일로 새로운 이미지를 생성한다.
•
용도: 서사 중심의 작업(예: 스토리보드, 만화)에 유용하며, 더 설득력 있는 콘텐츠 제작을 지원한다.
•
예시: 동일한 캐릭터를 다른 배경에서 일관되게 재현.

2. 디자인 적용 (Design Application)

•
설명: 특정 예술 스타일, 디자인, 또는 텍스처를 한 이미지에서 다른 이미지로 쉽게 전이한다. 이전 주제의 형태와 세부 사항을 보존한다.
•
용도: 아트웍 재해석이나 브랜딩 작업에 적합.
•
예시: 한 이미지의 스타일을 다른 주제에 적용한 결과물, 예를 들어 텍스처 전이.
Google DeepMind, Gemini 2.5 Flash 이미지 생성 기능 업그레이드 발표
gif

개요

•
GR-2는 2024년 9월 푸리에 인텔리전스에서 출시된 차세대 휴머노이드 로봇으로, 하드웨어·디자인·소프트웨어 업그레이드를 통해 복잡한 작업 수행이 가능하다. 이는 NVIDIA Isaac Gym을 활용한 AI 훈련으로 실현되며, embodied AI(구현된 AI) 탐구를 지원한다.

주요 기술 사양

GR-2의 스펙은 인간과 유사한 움직임을 위해 최적화되어 있으며, 공식 사이트와 관련 자료에서 확인된 내용은 다음과 같다.
•
치수 및 성능:
•
액추에이터(Actuators):
•
손재주(Dexterity):
•
소프트웨어 및 AI:

영상 분석

쓰레드에 첨부된 영상은 GR-2의 운동 능력을 보여주는 몽타주 형식으로, 로봇이 헬스장-like 환경에서 다양한 운동을 수행한다.
•
초반 (0~20초): 로봇이 바닥에서 넘어진 상태에서 일어나는 장면, 푸쉬업(push-up) 수행. 텍스트 오버레이: "Follow that! Your custom vehicle with cutting content" (홍보성 메시지 추정).
•
중반 (20~50초): 스쿼트(squat), 덤벨 컬(dumbbell curl), 무게 측정기 사용. 여러 각도에서 로봇의 관절 움직임 강조.
푸리에 인텔리전스 GR-2 휴머노이드 로봇: 보디빌딩 데모

소개

theworldlabs에서 개발한 "Marble"이라는 시스템은 단일 이미지를 기반으로 3D 세계를 생성하는 혁신적인 접근 방식을 제시한다. Fei-Fei Li이 x에 공유한 내용과 와 JieWang_ZJUI이 사용하면서 관찰을 바탕으로 Marble의 기능과 의의를 살펴본다.
Fei-Fei Li의 x 포스트
“이제 genAI에서는 한 장의 그림이 천 마디 말보다 더 가치가 있다. 한 장의 이미지는 이제 3D 세계로 완벽하게 변환될 수 있다! 그리고 이 정원을 끝없이 거닐어도, 그 정원은 여전히 그곳에 있을 것이다.”

Fei-Fei Li 교수와 World Labs

Fei-Fei Li 교수는 Stanford University의 컴퓨터 과학 교수로, AI와 특히 컴퓨터 비전 분야에서 세계적으로 인정받고있다. 그녀는 ImageNet 데이터셋을 개발하여 딥러닝의 기초를 다졌으며, AI ethics와 human-centered AI 연구에서도 선구자적인 역할을 했다. 2025년 기준, 그녀는 World Labs의 창립자이자 CEO로 활동하며, AI 기술을 실생활에 적용하는 데 중점을 두고 있다. World Labs는 Fei-Fei Li 교수가 창립한 스타트업으로, AI를 통해 3D 세계를 생성하고 탐색할 수 있는 기술을 개발하는 데 초점을 맞추고 있다. Marble은 World Labs에서 개발한 AI 시스템으로, 단일 이미지를 기반으로 3D 세계를 생성하는 기술을 구현한다. Marble은 2025년 8월 현재 초기 베타 버전(0.1-plus)으로, JieWang_ZJUI가 X에서 공유한 바에 따르면, 이미지를 통해 360도 탐색이 가능한 가상 환경을 생성할 수 있다. Marble은 World Labs의 핵심 프로젝트 중 하나로, Fei-Fei Li 교수의 비전이 기술적으로 실현된 사례이다.
2024년에 Blog에서 발표한 내용을 보면 Hunyuan World Model과 동일 컨셉의 연구를 하고 있던 것으로 보인다.(이 부분 확인이 필요.)
WorldLabs Marble: 단일 이미지를 통한 3D 월드 생성의 가능성

소개

Mirage 2는 Dynamics Lab에서 개발한 실시간 일반 도메인 생성 월드 엔진으로, 온라인에서 플레이할 수 있는 AI 기반 UGC(User-Generated Content) 게임 엔진이다. 사용자가 이미지(사진, 컨셉 아트, 고전 명화, 아이들의 그림 등)를 업로드하면 이를 살아 있는 상호작용 세계로 변환하며, 텍스트 프롬프트를 통해 초현실적인 장면이나 광할한 경관의 장면들을 생성할 수 있다. 링크를 공유하면 친구들이 즉시 참여해 플레이할 수 있다. Mirage 1 출시 한 달 만에 2를 공개하였으며, Google DeepMind의 Genie 3와 비교되지만, Mirage 2는 현재 바로 플레이 가능하다.
•
발표 날짜: 2025년 8월 21일

주요 기능

•
이미지 업로드 기반 월드 생성: 스케치, 컨셉 아트, 스냅샷 등 다양한 이미지를 업로드해 플레이 가능한 환경으로 변환. 예: Ghibli 스타일 마을, 크레용 그림, 세계 불가사의 등.
•
텍스트 프롬프트 제어: 자연어 입력으로 세계를 동적으로 변경 (예: 차량 생성, 도시 스카이라인 확장, 장면 변환).
•
멀티모달 입력 지원: 키보드, 컨트롤러, 텍스트를 통해 실시간 상호작용.
•
클라우드 스트리밍: 다운로드 없이 즉시 크로스플랫폼 플레이 가능.
•
공유 및 커뮤니티: 생성된 세계를 링크로 공유, 친구와 함께 플레이.
•
장르 다양성: 레이싱, RPG, 플랫폼러 등 다양한 장르 지원, 무한 재플레이 가능.
Mirage2 : 지금 바로 플레이할 수 있는Generative World Model
디자인

개요

월드 모델(World Model)은 AI 시스템이 환경의 상태와 사용자 행동을 기반으로 다음 상태를 예측하여 동적이고 상호작용 가능한 비디오를 생성하는 기술이다. 이는 AGI(인공지능 일반)로의 발전과 게임, 자율주행, 엔터테인먼트, 교육 등 다양한 분야에서 혁신을 가능하게 할 것으로 보인다. 여기서는 Google DeepMind의 Genie 3, Yan Team의 Yan, Skywork AI의 Matrix-Game 2.0, Shanghai AI Lab의 Yume, Horizon Robotics의 Epona, Dynamics Lab의 Mirage, Odyssey의 Interactive Video, Tencent Hunyuan의 Hunyuan-GameCraft를 중심으로 월드 모델의 특징, 기술적 접근, 성능, 응용 가능성을 정리한다.

1. 월드 모델이란?

•
정의: 월드 모델은 현재 상태, 과거 상태 이력, 사용자 행동을 입력으로 받아 다음 프레임(세계 상태)을 예측하는 오토리그레시브 모델이다. 비디오 모델(고정된 클립 생성)과 달리, 실시간 상호작용과 유연한 미래 예측이 가능하게 한다.
•
핵심 요소:
•
응용 분야: 게임, 자율주행, 교육, 가상 인간, 로보틱스.

2. 주요 월드 모델 비교

2.1. Genie 3 (Google DeepMind)

•
출처:
•
특징:
•
강점:
World Model of World Models : 지금 까지(2025.08)의 월드 모델들.
Grok Imagene

Google Nano-banana

nano-banana는 LMArena 플랫폼에서 발견된 출처 미상의 이미지 생성 및 편집 AI 모델로, 레딧과 X(트위터) 등 SNS를 통해 화제가 됨. 공식 발표나 개발사 정보는 없으며, 커뮤니티 추측에 따르면 Google(Imagen/Gemini)에서 개발한 비공개 모델로 추측하고 있다.
구글이 8월 20일에 열리는 "Made by Google" Pixel 이벤트를 앞두고 다양한 AI 업데이트를 준비하고 있는데 GEMPIX (제미니 픽셀?) 이미지 생성 업그레이드가 제미니 출시를 위해 준비 중이라고 한다. 이는 LM Arean의 nano-banana 모델과 관련이 있을 수 있다.

관련 커뮤니티 테스트

주요 특징:

• 성능: 뛰어난 프롬프트 충실도와 공간 이해 능력, 텍스트 기반 이미지 편집 가능. Imagen 4나 GPT-Image-1 같은 최상위 모델과 비교되며, 자연스러운 이미지 생성에 강점을 보임.
• 약점: 작은 글자나 세부 텍스트의 왜곡 문제 존재.
• LMArena: LMSYS 운영의 공개 벤치마크 플랫폼으로, 사용자가 두 모델의 결과를 비교·투표하며 순위를 매긴다. ‘나노 바나나’는 https://lmarena.ai/ 에서 무작위로 테스트 가능하다.

LMArena란

nano-banana

개요

Meta AI는 DINOv3를 공개하며, 자가 지도 학습(SSL, Self-Supervised Learning)을 통해 이미지 데이터를 활용한 범용 비전 백본(vision backbone)을 개발했다. DINOv3는 웹 이미지와 위성 이미지를 포함한 다양한 도메인에서 최고의 성능을 달성하며, 레이블 데이터 없이도 강력한 고해상도 이미지 피처를 생성한다. 이를 통해 이미지 분류, 객체 탐지, 시맨틱 세그멘테이션 등 다양한 비전 작업에서 뛰어난 성능을 제공한다.

주요 내용

1. DINOv3의 핵심 특징

•
자가 지도 학습(SSL): 인간의 감독이나 레이블 데이터 없이 학습하며, 17억 장의 이미지와 70억 파라미터 규모로 훈련되었다.
•
범용 비전 백본: 단일 백본으로 객체 탐지, 시맨틱 세그멘테이션, 단안 깊이 추정 등 다양한 고밀도 예측 작업에서 전문화된 모델을 능가한다.
•
고해상도 피처: 각 픽셀의 특성을 정밀하게 캡처하여 경량 어댑터를 쉽게 훈련시킬 수 있다.
•
효율성: 백본 파인튜닝 없이도 여러 작업을 동시에 처리하며, 에지 디바이스에서 효율적인 추론이 가능하다.

2. 주요 성과

•
성능: DINOv3는 SigLIP 2, Perception Encoder와 같은 최신 모델을 이미지 분류 벤치마크에서 상회하며, 고밀도 예측 작업에서 성능 격차를 크게 벌린다.
DINOv3: 전례 없는 규모의 비전 자가 지도 학습

익스테리어 예시

Ian Curtis (@XRarchitect)가 2025년 8월 12일에 게시한 X 스레드는 Midjourney에서 시작하여 Astra로 업스케일링하고, Video2Scene을 사용하여 가우시안 스플래팅으로 변환하는 창작 프로세스.

실내 인테리어의 예시

Midjourney 영상

명화를 3D화 한 예시

3D 씬을 만들기 위한 Midjourney, Astra, Video2Scene 파이프라인

개요

BeyondMimic은 인간 모션으로부터 스킬을 학습하여 전신 휴머노이드 제어를 위한 일반화 가능한 정책을 제공하는 프레임워크다. 이 기술은 모션 트래킹과 확산 모델 기반 가이드(diffusion)를 통해 현실 하드웨어에서 동적이고 자연스러운 움직임을 실현한다.

프로젝트 소개

•
목적: 인간 모션 학습을 통해 휴머노이드 로봇의 전신 제어를 위한 일반화 정책을 개발. 기존 문제점(스케일러블한 고품질 모션 트래킹 프레임워크 부족, 모션 프리미티브 학습 및 조합을 위한 증류 접근법 부재)을 해결한다.
•
주요 혁신:
•
적용 사례: 웨이포인트 네비게이션, 조이스틱 텔레오퍼레이션, 장애물 회피 등 다양한 작업 수행. 시뮬레이션-현실 간 브리징 및 인간 모션 프리미티브 합성.

LAFAN1 데이터셋 기반 훈련 정책

•
훈련 세부: 14개의 서로 다른 약 3분 길이 시퀀스를 사용. 동일한 MDP(Markov Decision Process) 설정과 하이퍼파라미터 적용.
•
데모 클립: 24개의 클립 제공. 이는 BeyondMimic 파이프라인을 통해 훈련된 정책의 결과를 보여줌.
•
특징: 모든 클립이 동일한 설정으로 훈련되어 일관된 성능을 강조.

미믹킹을 넘어: 단일 확산 모델 증류

•
접근법: 선택된 정책을 단일 확산 모델로 증류. 테스트 시점 가이드를 통해 제로-샷 downstream 작업 수행.
BeyondMimic: 인간 모션 학습을 통한 휴머노이드 제어 프레임워크
gif

개요

로보틱스 산업은 AI 기술의 발전과 함께 빠르게 성장하고 있지만, 로봇이 생성하는 방대한 데이터가 큰 도전 과제가 되고 있다. AI & Robotics 전문가 Ilir Aliu(@IlirAliu_)가 X에 게시한 스레드에서 로보틱스 데이터의 '혼란(chaos)' 문제를 지적하며, 이를 해결하는 '로보틱스 데이터 스택(robotics data stack)'의 등장에 대해 언급했다. 그는 로봇이 생성하는 테라바이트급 데이터를 효과적으로 관리하지 못하면 산업 전체가 수십억 달러의 손실을 입을 수 있다고 강조한다.
로보틱스 데이터의 규모, 기존 문제점, 그리고 최근 3년간 등장한 혁신적인 도구들(Foxglove, Rerun, Roboto AI 등)에 대해서 소개한다. 이 도구들은 데이터 시각화, 검색, 통합을 통해 엔지니어들이 '데이터 청소부'에서 '로봇 빌더'로 전환할 수 있게 돕는다.
•
스레드 배경: Ilir Aliu의 스레드는 Boston Dynamics의 Atlas 로봇이 실패하는 장면을 시각화한 비디오로 시작한다. 비디오는 로봇의 센서 데이터(포인트 클라우드, 이미지 등)가 녹색 오버레이로 표시되어 데이터의 '혼란'을 상징적으로 보여준다. 로봇 한 대가 시간당 2TB의 데이터를 생성하며, 이는 Netflix 한 달 스트리밍 데이터보다 많다. 그러나 99%의 데이터가 검색 불가능한 '디지털 쓰레기장'에 버려진다고 지적한다.

문제점: 로보틱스 데이터의 '늪지대'

로보틱스 엔지니어들은 데이터 관리로 인해 큰 비효율성을 겪고 있다. 스레드와 관련 자료에서 공통적으로 지적되는 문제는 다음과 같다:
•
데이터 규모와 형식의 다양성: 자율주행차나 로봇이 생성하는 데이터는 이미지, 포인트 클라우드, 로그, 시계열 데이터 등 다중 모달(multimodal)로 구성되며, 호환되지 않는 파일 형식(예: ROS bags)이 많다.
•
수동 관리의 한계: 엔지니어들이 Python 스크립트나 외장 하드 드라이브, 스프레드시트를 사용해 데이터를 추적하지만, 이는 '이상한 버그'가 숨겨진 500GB 로그 파일을 찾는 데 80%의 시간을 소모하게 만든다.
•
결과적 손실: 100만 달러짜리 로봇이 창고에 멈춰 서는 등의 실패가 발생하지만, 원인을 파악하기 어려워 개발 속도가 지연되고 비용이 증가한다. 이는 AI 모델 학습과 디버깅을 방해하며, 로보틱스 산업의 '숨겨진 위기'로 불린다.
이 문제는 로보틱스뿐만 아니라 물리적 AI(physical AI) 분야 전체에 적용되며, 드론, 자율주행차 등에서 유사하게 나타난다.
Robotics Data Stack: AI 기반 로봇 개발을 가속화하는 도구들

테스트 결과

참고 테스트

@camenduru 테스트 영상의 하단을 보면 그라운드의 메쉬가 별도로 있는 것을 확인할 수 있다.
Hunyuan3D World Model

텐센트, 텍스트와 비디오를 고품질 오디오로 변환하는 AI 프레임워크 'HunyuanVideo-Foley' 공개

텐센트(Tencent)가 2025년 8월 28일, 텍스트와 비디오를 기반으로 고품질의 오디오를 생성하는 새로운 AI 프레임워크 'HunyuanVideo-Foley'를 오픈소스로 공개했. 이 프레임워크는 비디오 제작, 영화 제작, 게임 개발 등 다양한 창작 분야에서 시각적 요소와 완벽히 동기화된 전문급 오디오를 생성할 수 있도록 설계되었다.

주요 혁신과 기술적 특징

HunyuanVideo-Foley는 다음과 같은 핵심 혁신을 통해 기존의 비디오-오디오(V2A) 생성 기술의 한계를 극복한다.
1.
대규모 데이터셋 기반의 일반화 능력
2.
균형 잡힌 멀티모달 응답
3.
고품질 오디오 생성

성능과 벤치마크

HunyuanVideo-Foley는 여러 벤치마크에서 최신 기술(State-of-the-Art, SOTA) 성능을 달성하며, 오디오 품질, 시각-의미적 정렬, 시간적 정렬에서 모두 기존 오픈소스 모델을 초월했다. 예를 들어, Hugging Face에서의 평가 결과, 이 모델은 오디오 충실도(Fidelity), 시각-의미적 정렬(Visual-Semantic Alignment), 시간적 정렬(Temporal Alignment)에서 모두 최고 점수를 기록했다. 이는 기존 오픈소스 솔루션들을 모두 능가하는 성능이다.

적용 사례

HunyuanVideo-Foley : 텍스트와 비디오를 고품질 오디오로 변환하는 오픈소스 AI 프레임워크

개요

OpenAI가 코딩 작업에 특화된 GPT-5의 공식 프롬프트 가이드를 발표했다고 밝혔다. 이 가이드는 상세한 인포그래픽과 함께 제공되며, API 또는 통합 코딩 도구를 통해 GPT-5의 잠재력을 극대화하기 위한 6가지 핵심 프롬프트 기술을 제시. 이것은 최신 GPT 모델의 고급 기능을 엿볼 수 있는 기회를 제공한다.

GPT-5 프롬프트 가이드 개요

"GPT-5 for Coding"이라는 제목의 인포그래픽은 GPT-5가 강력한 도구임에도 불구하고 적절한 프롬프트 전략을 통해 성능을 크게 향상시킬 수 있다고 강조한다. 이전 모델들과 달리, GPT-5의 고급 지시 준수 및 추론 능력은 최적의 결과를 얻기 위해 세심한 접근 방식을 요구한다. OpenAI가 실세계 작업 경험을 바탕으로 개발한 이 가이드는 코딩 환경에서 GPT-5의 잠재력을 활용하기 위한 실행 가능한 팁을 제공한다.

6가지 핵심 프롬프트 기술

1.
정확성을 유지하고 모순되는 정보를 피하라
2.
적절한 추론 노력을 사용하라
3.
지시를 구조화하기 위해 XML 스타일 문법을 사용하라
4.
너무 단호한 언어를 피하라
5.
계획과 자기 성찰의 여지를 주라
6.
코딩 에이전트의 열의를 제어하라
GPT-5 for Coding : OpenAI의 공식 프롬프트 가이드
Search
AI Image Service Test
Replicate : Flux Kontext
2025/06/03 01:39
Replicate : Flux Kontext
2025/06/03 01:39
Skybox 360
2023/06/06 17:42
Skybox 360
2023/06/06 17:42
Wave
2023/06/06 16:21
Wave
2023/06/06 16:21
Painting
2023/06/06 16:19
Painting
2023/06/06 16:19
MS Designer
2023/06/06 16:15
MS Designer
2023/06/06 16:15
Car
2023/06/06 15:55
Car
2023/06/06 15:55
Dath Vader
2023/06/06 15:50
Dath Vader
2023/06/06 15:50
3D to 2D
2022/10/17 20:51
3D to 2D
2022/10/17 20:51
Avatar
2022/10/17 20:38
Avatar
2022/10/17 20:38
Pixel Art
2022/10/17 18:01
Pixel Art
2022/10/17 18:01
Flower Headband
2022/10/17 17:52
Flower Headband
2022/10/17 17:52
Flower Garden
2022/10/17 17:50
Flower Garden
2022/10/17 17:50
Balcony
2022/10/17 17:34
Balcony
2022/10/17 17:34
Brown Hair
2022/10/17 17:30
Brown Hair
2022/10/17 17:30
Fantasy Landscape
2022/10/17 17:15
Fantasy Landscape
2022/10/17 17:15
Swap
2022/10/17 17:04
Swap
2022/10/17 17:04
Wave Like
2022/10/17 17:00
Wave Like
2022/10/17 17:00
Refik Anadol Like
2022/10/17 16:58
Refik Anadol Like
2022/10/17 16:58
James Turrell Like
2022/10/17 16:55
James Turrell Like
2022/10/17 16:55
The Boy
2022/10/17 16:25
The Boy
2022/10/17 16:25
The Rock
2022/10/17 16:22
The Rock
2022/10/17 16:22
Cyborg
2022/10/17 16:17
Cyborg
2022/10/17 16:17
Forest
2022/10/17 16:14
Forest
2022/10/17 16:14
The Boy
2022/10/17 16:13
The Boy
2022/10/17 16:13
Horse
2022/10/17 16:09
Horse
2022/10/17 16:09
Load more
Search
Search
Search
Search