Awesome Blender × Seedance 딥다이브
— AI가 스스로 만들고 검증하는 "AI 영화 제작 레시피 도감"

1프로젝트 한줄 요약

이 저장소가 대체 무엇인가.

README의 자기소개는 이렇다: "We collect real-world Blender, Blender MCP, viewport, previs, FBX, Mixamo, ComfyUI, and agent-assisted workflows that creators used to control Seedance video generation." — "크리에이터들이 Seedance 영상 생성을 제어하려고 실제로 쓴 Blender·Blender MCP·뷰포트·프리비스·FBX·Mixamo·ComfyUI·에이전트 워크플로를 모은다." 핵심 동사는 control(제어)이다. AI 영상은 프롬프트만으론 카메라·동선이 마음대로 안 되는데, Blender로 그 "제어"를 잡아준다는 게 이 저장소 전체의 주제다.

2왜 주목받는가

Seedance 2.0 · AI 영화 붐 · "참조 영상 조건화"라는 구체적 노하우 · 에이전트 프리비스 · 깐깐한 큐레이션.

이 저장소가 만들어진 지 며칠 만에(2026-06-29 생성) TrendShift 월간 순위에 오른 데는 시점과 내용이 겹쳤다. 첫째, Seedance 2.0을 둘러싼 AI 영상 생성 붐이 정점이다. 텍스트로 영상을 뽑는 시대가 열렸지만, 크리에이터들의 진짜 고민은 "카메라와 동선을 내 뜻대로 제어하는 법"이었다. 둘째, 이 저장소는 그 해법으로 "Blender 참조 영상 조건화"라는 구체적이고 재현 가능한 노하우를 25건이나 모아 놨다.

프롬프트만으로는 왜 부족한가

주목도를 끌어올린 구체적 요인은 다음과 같다.

① "에이전트 프리비스"의 등장. 케이스 10·11·22를 보면 Codex나 Claude가 Blender MCP를 통해 3D 장면·카메라·모션을 자동으로 짜고 MP4 참조 영상까지 뽑는다. Blender를 손으로 못 다뤄도 "5초짜리 카메라 블록아웃 만들어 줘"라고 시키면 된다는 것. AI 에이전트 + 3D 툴의 결합이 실전에서 통한다는 증거로 화제가 됐다.
② hype가 아니라 "재현 가능한 절차와 한계". 이 저장소는 성공 사례만 늘어놓지 않는다. Limits, Tests & Troubleshooting 카테고리(케이스 20·25·28)에서 발이 미끄러지는 문제, 천 물리가 깨지는 스트레스 테스트까지 솔직히 기록한다. 각 케이스에 원본 출처·크리에이터·게시일·근거 유형이 붙어 있어 신뢰도가 높다.
③ 깐깐한 큐레이션. 171개 원시 수집 → 35개 후보 → 수작업 오리지널리티 감사 → 25개 최종이라는 걸러내기 과정이 docs/에 문서로 남아 있다(뒤에서 자세히). "링크만 잔뜩 모은 Awesome"과 급이 다르다.

3기술 스택 전체 지도

이건 "앱"이 아니라 "문서 생성 파이프라인" — 런타임 스택이 아니라 빌드·콘텐츠·도메인 스택으로 읽어야 한다.

대부분의 트렌딩 저장소는 실행되는 소프트웨어지만, 이 저장소는 실행 결과가 "문서"인 생성 파이프라인이다. 그래서 기술 스택을 세 층으로 나눠 봐야 한다 — ① 문서를 찍어내는 생성기, ② 생성기가 먹는 데이터, ③ 문서가 가리키는 실제 도메인 도구(AI 영상 워크플로).

① 생성기 (파이썬)

② 데이터 (소스 → 큐레이션)

③ 산출물 (생성기가 뱉는 것)

④ 도메인 도구 — 문서가 실제로 가리키는 AI 영상 워크플로

4아키텍처 심화 분석

수집 퍼널(171→35→25) → 생성기 → 산출물 → 자기 검증. "소스가 진실, 문서는 빌드 결과물."

이 저장소의 아키텍처는 "콘텐츠 컴파일러(content compiler)"로 이해하면 정확하다. 원시 트위터 수집본이라는 소스 코드가 있고, generate_repo.py라는 컴파일러가 그걸 12개 언어 문서라는 바이너리로 빌드하며, verify_repo.py라는 테스트가 빌드 결과를 검사한다. 전체 흐름은 아래 깔때기(funnel)로 압축된다.

패턴 1 — 소스와 생성물의 엄격한 분리

docs/maintenance.md가 못박는다: "Source of Truth = blender-seedance-usecase-curated.json + data/primary-use-case-posts.json". 25개 케이스를 바꾸려면 README가 아니라 소스 JSON과 생성기의 상수 테이블을 고쳐야 한다. 이 분리 덕에 12개 언어 문서가 서로 절대 어긋나지 않는다 — 하나의 소스에서 한 번에 찍히기 때문이다.

패턴 2 — 생성기가 "자기 검증기"를 낳는다 (self-emitting verifier)

가장 영리한 대목. 생성기 안의 write_verify_script() 함수가 현재 상태의 기대값(케이스 25개, 케이스 라벨 목록, 5개 CTA URL 등)을 파이썬 리터럴로 박아 넣어 verify_repo.py를 출력한다. 그래서 검증기의 기대값은 언제나 생성기의 상태와 일치한다. "코드 생성기가 자기 테스트를 함께 써낸다"는 자기검증 루프다.

# verify_repo.py 가 강제하는 핵심 규칙(발췌·요약)
# ① 12개 README 각각: 정확히 25개 케이스 앵커, 그리고
#    앵커 목록 == 케이스 제목 목록 (순서까지 동일)
anchors = re.findall(r'^<a id="case-([0-9]+)"></a>', text, re.M)
heads   = re.findall(r'^### Case ([0-9]+): \[', text, re.M)
if anchors != heads: fail("앵커와 케이스 제목이 어긋남")

# ② 마케팅 거버넌스: 모든 evolink.ai 링크는 UTM 필수
for url in re.findall(r'https://evolink\.ai[^\s)]+', text):
    if "utm_source=github" not in url or "utm_campaign=..." not in url:
        fail("UTM 태그 빠진 EvoLink 링크")

# ③ 영상 26행의 첨부 URL이 12개 README 전부에 embed 됐는지
# ④ 필수 파일 존재: banner.png · LICENSE · 템플릿 · curated JSON …

패턴 3 — i18n = 하드코딩 문자열 테이블 + 자동 파생

번역은 외부 API가 아니라 파이썬 딕셔너리에 통째로 박혀 있다. LOCALE은 11개 언어 키를 갖고, 각 언어마다 ~22개의 UI 라벨 문자열이 들어 있다. 케이스 본문은 번역하지 않고 영어(또는 중국어)를 재사용한다. 특히 번체 중국어(zh-TW)는 별도 번역 없이 zh_tw() 함수가 간체→번체 글자 치환(약 35개 매핑)으로 자동 파생한다.

# 개념 예시 — LOCALE 문자열 테이블(발췌)
LOCALE = {
  "en": {"menu": "Menu", "type": "Type", "date": "Date",
         "preview": "Video preview:"},
  "ko": {"menu": "메뉴", "type": "유형", "date": "날짜",
         "preview": "영상 미리보기:"},
  # … es · pt · ja · de · fr · tr · zh-CN · zh-TW · ru
}

# 번체 중국어는 간체에서 글자 치환으로 자동 생성
def zh_tw(text):                 # 예: 视频→影片, 预→預 …
    for simp, trad in ZH_TW_MAP.items():
        text = text.replace(simp, trad)
    return text

패턴 4 — 마케팅 UTM을 CI로 관리

일반적인 Awesome 저장소엔 없는 특이점. 생성기의 evolink_url() 헬퍼가 모든 마케팅 링크를 한 곳에서 만들며 utm_source/utm_medium/utm_campaign/utm_content를 일관되게 붙인다. 그리고 검증기가 "UTM이 빠진 evolink.ai 링크가 하나라도 있으면 빌드 실패"로 못박는다. 즉 이 저장소는 추적 파라미터의 무결성을 소프트웨어 테스트처럼 다룬다. 마케팅 관점에선 영리하고, 사용자 관점에선 "이건 리드젠 채널"이라는 신호다.

5디렉토리 구조 해부

루트=산출물, scripts=생성기, data=소스 퍼널, docs=큐레이션 방법론, media/images=자산.

① 루트 = 산출물. 우리가 GitHub에서 보는 12개 README와 curated JSON은 전부 생성기의 출력이다. 읽는 용도로는 최고지만, 고칠 때 손대는 곳이 아니다.

② scripts/ = 엔진. generate_repo.py 하나가 모든 문서·JSON·검증기·보일러플레이트를 찍는다. 의존성은 표준 라이브러리 + Pillow(배너 그림)뿐이라, 누구나 python3만 있으면 재현할 수 있다. 명령행 인자(argparse)조차 없다 — main()이 "전부 다시 생성"이라는 단일 동작만 한다.

③ data/ = 소스 퍼널. 여기가 진짜 입력이다. x-search/에는 원시 트위터 수집본(약 171건)과 단계별 필터 슬라이스가 있고, primary-use-case-posts.json이 감사 전 후보 35건, usecase-video-sources.json이 영상 매핑이다. "거친 원료 → 정제된 제품"의 전 과정이 파일로 남아 있어, 콘텐츠 파이프라인을 통째로 학습할 수 있다.

④ docs/ = 방법론. 특히 usecase-originality-audit.md는 "왜 이 15건은 뺐고 저 25건은 남겼나"를 표로 설명한다 — 같은 작성자 중복, 얇은 쇼케이스, 의견/추측글, 티저 등을 걸러낸 근거다. 큐레이션을 "감(感)"이 아니라 문서화된 절차로 만든 모범 사례.

6학습 포인트 (기술별)

이 저장소에서 "무엇을 배울 수 있는가" — 두 갈래(콘텐츠 엔지니어링 + AI 영상 워크플로).

7하드웨어 / 시스템 요구사항

두 갈래 — 저장소 자체 재현은 파이썬만 있으면 되고, 실제 영상 워크플로는 무겁다.

이 저장소는 "무엇을 하느냐"에 따라 요구사항이 극과 극이다. 문서를 다시 생성/검증하는 건 노트북에서 몇 초면 되지만, 실제 Blender→Seedance 영상을 만드는 워크플로는 3D 소프트웨어·GPU·유료 AI API가 필요하다.

8직접 해볼 수 있는 실습 과제

난이도별 5가지 — 앞 3개는 무료(코드/데이터), 뒤 2개는 실제 영상 워크플로.

입문 ★☆☆

git clone --depth=1 https://github.com/Evolink-AI/Awesome-Blender-Seedance-Workflow-Usecases.git
cd Awesome-Blender-Seedance-Workflow-Usecases
python3 scripts/verify_repo.py     # PASS: 12 README, 25 cases each …

python3 -c "import json; d=json.load(open('blender-seedance-usecase-curated.json')); \
print(d['metadata']['selected_count']); print(list(d['items'][0].keys()))"
# 25 / ['case','category','evidence_type','title','author','date','local_media', …]

중급 ★★☆

# generate.py (뼈대)
import json
items = json.load(open("sources.json"))
lines = ["# My Awesome List\n"]
for it in items:
    lines.append(f"- [{it['title']}]({it['url']}) — {it['note']}")
open("README.md","w").write("\n".join(lines))
# verify.py 는 항목 수·필수 키(title/url/note)·중복 링크를 검사

고급 ★★★

9관련 기술 심화 학습 로드맵

4주 코스 — 콘텐츠 엔지니어링(1~2주) → AI 영상 워크플로(3~4주).

10핵심 키워드 사전

이 프로젝트를 읽을 때 반복 등장하는 용어 정리.

11참고 링크

원본을 직접 확인하고 싶을 때.