종단간 비디오 모델을 넘어서: 교육용 비디오 생성을 위한 LLM 기반 다중 에이전트 시스템

Beyond End-to-End Video Models: An LLM-Based Multi-Agent System for Educational Video Generation

최근 종단간(End-to-End) 비디오 생성 모델들이 시각 중심의 콘텐츠 제작에서 인상적인 성능을 보여주고 있지만, 교수 및 교육 매체와 같이 엄격한 논리적 정합성과 정확한 지식 표현이 요구되는 시나리오에서는 여전히 한계를 보입니다. 이러한 문제를 해결하기 위해, 우리는 교육 문제로부터 고품질의 교육 영상을 생성하는 계층적 LLM 기반 다중 에이전트 시스템인 LAVES를 제안합니다. LAVES는 교육용 비디오 생성을 정확한 단계별 추론, 교육학적으로 일관된 내레이션, 의미적으로 충실한 시각적 시연, 그리고 정밀한 오디오-비주얼 정렬을 동시에 요구하는 다목적 과제로 정식화합니다. 낮은 절차적 충실도, 높은 제작 비용, 제한적인 제어 가능성 등 기존 접근 방식의 한계를 해결하기 위해, LAVES는 생성 워크플로우를 명시적인 품질 게이트와 반복적 비평 메커니즘을 갖춘 중앙 '조정 에이전트(Orchestrating Agent)'가 조율하는 전문화된 에이전트들로 분해합니다. 구체적으로 조정 에이전트는 엄밀한 문제 해결을 위한 '풀이 에이전트(Solution Agent)', 실행 가능한 시각화 코드를 생성하는 '도해 에이전트(Illustration Agent)', 그리고 학습자 지향적인 교육 스크립트를 작성하는 '내레이션 에이전트(Narration Agent)'를 감독합니다. 또한, 작업 에이전트들의 모든 결과물은 의미론적 비평, 규칙 기반 제약 조건, 그리고 도구 기반 컴파일 검사를 거치게 됩니다. 이 시스템은 픽셀을 직접 합성하는 대신, 템플릿 기반 조립 규칙을 사용하여 동기화된 시각 자료와 내레이션으로 결정론적으로 컴파일되는 구조화된 '실행 가능한 비디오 스크립트'를 구축하며, 이를 통해 수동 편집 없는 완전 자동화된 종단간 제작이 가능합니다. 대규모 배포 환경에서 LAVES는 하루 100만 개 이상의 비디오 처리량을 달성했으며, 높은 수락률을 유지하면서도 현재 업계 표준 방식 대비 95% 이상의 비용 절감 효과를 입증했습니다.

Although recent end-to-end video generation models demonstrate impressive performance in visually oriented content creation, they remain limited in scenarios that require strict logical rigor and precise knowledge representation, such as instructional and educational media. To address this problem, we propose LAVES, a hierarchical LLM-based multi-agent system for generating high-quality instructional videos from educational problems. The LAVES formulates educational video generation as a multi-objective task that simultaneously demands correct step-by-step reasoning, pedagogically coherent narration, semantically faithful visual demonstrations, and precise audio--visual alignment. To address the limitations of prior approaches--including low procedural fidelity, high production cost, and limited controllability--LAVES decomposes the generation workflow into specialized agents coordinated by a central Orchestrating Agent with explicit quality gates and iterative critique mechanisms. Specifically, the Orchestrating Agent supervises a Solution Agent for rigorous problem solving, an Illustration Agent that produces executable visualization codes, and a Narration Agent for learner-oriented instructional scripts. In addition, all outputs from the working agents are subject to semantic critique, rule-based constraints, and tool-based compilation checks. Rather than directly synthesizing pixels, the system constructs a structured executable video script that is deterministically compiled into synchronized visuals and narration using template-driven assembly rules, enabling fully automated end-to-end production without manual editing. In large-scale deployments, LAVES achieves a throughput exceeding one million videos per day, delivering over a 95% reduction in cost compared to current industry-standard approaches while maintaining a high acceptance rate.