우리는 소규모 다큐멘터리 제작자를 위한 AI 자동화에 대해 전문가들을 대상으로 하는 400-500단어 분량의 교육용 Dev.to 기사를 작성해야 합니다. 주제는 인터뷰 전사(transcript) 분석 및 서사 구조 초안 작성을 어떻게 자동화할 것인가에 관한 것입니다.

주제: 키워드에서 핵심 순간으로: AI 기반 인용구 하이라이팅 (From Keywords to Key Moments: AI-Powered Quote Highlighting)

우리는 e-book의 사실 관계(특정 인용구 등)를 반드시 포함해야 합니다. 콘텐츠의 구체성을 유지하기 위해 이를 사용해야 합니다.

우리는 하나의 구체적인 도구 이름과 그 목적을 포함해야 합니다 (사실 관계로부터). 사실 목록에는 인용구, 태그 등 많은 것들이 포함되어 있지만 도구 이름은 포함되어 있지 않습니다. 우리는 도구 이름을 포함해야 합니다. 우리는 "Descript"나 "Otter.ai" 또는 "Sonix"와 같은 것을 선택할 수 있습니다. 사실 관계에 주어지지는 않았지만, 우리는 하나의 구체적인 도구 이름과 그 목적을 포함해야 합니다 (사실 관계로부터). 사실 목록에는 도구 이름이 포함되어 있지 않지만, 아마도 "Transcript_MAIN"이 파일이라고 추론할 수 있을까요? 도구는 아닙니다. "AI-Powered Quote Highlighting"이 개념일 수도 있습니다. 우리는 도구 이름을 포함해야 합니다. 아마도 "Otter.ai와 같은 도구를 사용하여 전사(transcription)를 하고, 그 다음 인용구 하이라이팅을 위해 GPT-4와 같은 AI 요약기를 적용한다"라고 말할 수 있을 것입니다. 하지만 반드시 사실 관계로부터 나와야 합니까? 지침은 "1개의 구체적인 도구 이름과 그 목적을 포함할 것 (사실 관계로부터)"라고 되어 있습니다. 사실 목록에는 도구 이름이 없지만, 아마도 그들은 "Location: Transcript_MAIN, Paragraph 87"을 도구가 아닌 위치 참조로 사용하기를 기대하는 것일까요? 음, 우리는 도구 이름을 포함해야 합니다. 여전히 "Descript"와 같은 도구를 포함하고 그 목적이 화자 라벨(speaker labels)이 포함된 검색 가능한 전사본을 생성하는 것이라고 말할 수 있습니다. 사실 관계에 없더라도, 도구와 그 목적을 언급하기만 한다면 허용될 수도 있습니다. 지침에는 "(사실 관계로부터)"라고 되어 있지만, 사실 관계에는 도구 이름이 없습니다. 아마도 그들은 "Transcript_MAIN"을 도구로 선택하기를 기대하는 것일까요? 그것은 이상해 보입니다. 아마도 그들은 "Transcript_MAIN"을 도구가 아닌 전사 파일에 대한 자리 표시자(placeholder)로 간주할 수도 있습니다. 하지만 우리는 도구 이름을 포함해야 합니다.

우리는 "Transcript_MAIN"을 도구가 아닌 전사 파일(transcript file)의 이름으로 취급할 수도 있습니다. 하지만 우리에게는 도구 이름이 필요합니다. 예를 들어 "'QuoteSpot'(가상의 도구)과 같은 AI 기반 하이라이팅 도구 사용"이라고 말할 수 있을 것입니다. 하지만 그들은 자리 표시자(placeholder)를 사용하지 말라고 했습니다. 따라서 우리는 도구 이름을 임의로 만들어낼 수 없습니다. 반드시 실제 도구여야 합니다.

"Google Cloud Natural Language API"나 "IBM Watson Natural Language Understanding"을 사용할 수도 있습니다. 이것들은 핵심 구절(key phrases)을 추출하기 위한 도구들입니다. 이들의 목적은 감성(sentiment), 개체(entities), 핵심 구절을 식별하는 것입니다. 이것을 사실로부터 도출할 수 있을까요? 직접적이지는 않지만, 전사 분석을 자동화해야 할 필요성에 의해 암시된다고 주장할 수는 있습니다.

더 나은 방법은 전사를 위해 "Otter.ai"를 사용하고, 인용구 하이라이팅을 위해 "GPT-4"를 사용하는 것입니다. 둘 다 실제 도구입니다. 목적을 명시하자면, Otter.ai는 화자 식별(speaker identification) 기능이 포함된 검색 가능한 전사 파일을 생성하며, GPT-4는 기준에 따라 핵심 순간을 찾기 위해 텍스트를 분석합니다.

우리는 사실 관계에 포함된 구체적인 인용구들을 포함해야 합니다: "프로젝트는 실패했습니다... 마치 당밀(molasses)의 강을 거슬러 헤엄치려는 것 같았습니다." 또한 "맞아요, 우리는 어렸을 때 그 강에서 수영하곤 했죠." 또한 "그것은 금전적 파산이 아니라, 정신의 파산이었습니다." 또한 화자로 Maria Chen을 언급해야 합니다. 또한 해당 인용구가 독특한 은유(metaphor)나 비유(analogy)를 포함하고 있으며, 강렬한 요약적 진술을 전달하고, 모순이나 아이러니를 요약하며, 개인적인 취약성을 드러내고, 핵심 신념이나 깨달음을 서술한다는 점도 언급해야 합니다.

우리는 AI가 어떻게 이러한 인용구들을 하이라이트할 수 있는지 보여주기 위해 이러한 사실들을 기사에 통합해야 합니다.

우리는 400~500단어를 작성해야 합니다. 약 440단어를 목표로 합시다.

구조: 제목, 서론(2~3문장), 본론(하나의 핵심 원칙 또는 프레임워크를 명확하게 설명), 구체적인 도구 이름 1개와 그 목적 포함, 미니 시나리오(원칙이 작동하는 모습을 보여주는 2문장), 구현: 3단계의 상위 수준 단계, 결론: 핵심 요점만 요약.

우리는 # 제목, ## 소제목, 단락을 사용하여 마크다운(markdown)을 사용해야 합니다.

우리는 정확한 프롬프트(prompt)나 상세한 설정(configuration)을 공개해서는 안 됩니다. 사고 과정(thinking process)을 포함해서도 안 됩니다.

우리는 간결해야 하며, 모든 문장은 가치를 더해야 합니다.

초안을 작성해 봅시다.

제목: # 키워드에서 핵심 순간으로: 다큐멘터리 제작자를 위한 AI 기반 인용구 하이라이팅

서론: 2~3문장. 고통 유발 요소(Pain hook): 단 하나의 강력한 문장을 찾기 위해 수 시간 분량의 인터뷰 전사본(transcripts)을 뒤지는 작업은 지루하고 오류가 발생하기 쉽습니다. 소규모 팀은 수동 검색에 귀중한 편집 시간을 낭비합니다. AI는 가공되지 않은 전사본을 서사적 가치가 높은 큐레이션 하이라이트 릴(highlight reel)로 바꿀 수 있습니다.

본론: 하나의 핵심 원칙 또는 프레임워크를 명확하게 설명합니다. 아마도 "서사적 기능 기준(narrative function criteria)을 정의하고 AI가 각 문장을 이에 따라 점수를 매기게 한다"가 될 것입니다. 우리는 다음 원칙을 설명할 것입니다: 다차원적 점수 산정 프레임워크(주제 관련성, 감정적 강도, 언어적 독특함, 취약성, 모순)를 사용하여 인용구의 순위를 매깁니다.

1개의 특정 도구 이름과 그 목적을 포함합니다: 전사(transcription) 및 화자 라벨링(speaker labeling)을 위해 Otter.ai를 언급하고, 그 다음 전사본을 점수 산정 프레임워크를 적용하는 언어 모델(GPT-4와 같은)에 입력한다고 말할 수 있습니다.

미니 시나리오: 원칙이 작동하는 모습을 보여주는 2문장: 예: Maria Chen의 인터뷰를 처리할 때, AI는 “프로젝트는 실패했습니다... 마치 당밀(molasses)의 강을 거슬러 올라가 수영하려는 것 같았습니다”라는 문장에 플래그를 표시합니다. 왜냐하면 이 문장이 은유, 취약성, 깨달음 항목에서 높은 점수를 받았기 때문입니다.

구현: 3단계의 상위 수준 단계: 1) Otter.ai를 사용하여 화자가 구분된 깨끗한 전사본을 생성합니다. 2) 전사본을 5가지 서사적 기능 기준을 적용하고 근거와 함께 순위가 매겨진 인용구를 반환하는 AI 점수 산정 스크립트에 실행합니다. 3) 상위 순위 클립을 검토하고, 원본 오디오/비디오와 대조하여 확인한 후, 편집 타임라인(edit timeline)에 배치합니다.

결론: 핵심 요점만 요약합니다.

전자책을 홍보해서는 안 되며, URL이나 할인 코드를 포함해서는 안 됩니다.

작성을 시작하고 단어 수를 셉니다.

초안:

인터뷰 전사본(transcripts)을 샅샅이 뒤져 임팩트 있는 한 문장을 찾아내는 작업은 소규모 팀의 업무 시간을 몇 시간씩 잡아먹을 수 있습니다. 수동 검색은 느리고 일관성이 없으며, 다큐멘터리의 감정적 핵심을 이끄는 미묘한 보석 같은 문장들을 놓치는 경우가 많습니다. AI가 명확한 서사적 기능(narrative functions) 세트를 기준으로 각 문장을 평가하게 함으로써, 여러분은 가공되지 않은 텍스트를 편집 준비가 된 하이라이트 릴(highlight reel)로 바꿀 수 있습니다.

원칙: 서사적 기능에 따른 인용구 점수 산정

"핵심 순간"이 될 인용구가 충족해야 하는 기준을 3~5개 정의합니다. 예를 들어, (1) 독특한 은유(metaphor)나 비유(analogy)를 포함함, (2) 강렬하고 요약적인 진술을 전달함, (3) 모순이나 아이러니를 압축함, (4) 개인적인 취약성(vulnerability)을 드러냄, (5) 핵심 신념이나 깨달음을 진술함 등을 들 수 있습니다. 전사본을 언어 모델(language model)에 입력하여 이러한 차원들에 따라 모든 문장에 점수를 매기게 한 다음, 총점에 따라 순위를 매깁니다. 모델은 또한 각 선택에 대한 짧은 근거를 제공하여, 여러분이 그 추론 과정을 검토(audit)할 수 있게 해줍니다.

도구 스포트라이트

Otter.ai를 사용하여 원본 오디오나 비디오로부터 검색 가능하고 화자가 표시된 전사본을 생성하세요. Otter.ai의 실시간 전사(transcription) 및 자동 화자 식별 기능은 분석 준비가 된 깔끔한 텍스트를 제공하여, 누가 무엇을 말했는지 기록하는 첫 번째 수동 단계를 절약해 줍니다.

미니 시나리오

Otter.ai가 Maria Chen의 인터뷰를 출력하면, AI 점수 산정 스크립트는 "프로젝트는 실패했습니다... 마치 당밀(molasses)의 강을 거슬러 헤엄치려는 것 같았습니다"라는 문장을 하이라이트합니다. 이 문장은 은유, 취약성, 깨달음 진술 항목에서 높은 점수를 받았을 뿐만 아니라, 타이틀 카드(title-card)로 쓰기에 적합한 간결한 문장이기 때문입니다.

구현 단계

1. 전사 (Transcribe) – 각 인터뷰를 Otter.ai에 업로드하고, 화자별로 구분된 전사(transcript)를 일반 텍스트(plain text)로 내보냅니다.
2. 점수 산정 및 순위 지정 (Score & Rank) – 다섯 가지 서사 기능(narrative-function) 기준을 적용하는 AI 프롬프트에 텍스트를 실행하여, 모델이 각 인용구에 대한 한 문장의 근거와 함께 상위 N개의 인용구를 반환하도록 요청합니다.
3. 검증 및 편집 (Verify & Edit) – 선택된 인용구를 원본 미디어와 대조하여 어조(tone)와 문맥(context)을 확인한 다음, 승인된 클립을 러프 컷(rough cut)에 배치합니다.

명확한 점수 산정 프레임워크와 신뢰할 수 있는 전사(transcription) 도구를 사용하여 하이라이트 선택 과정을 자동화함으로써, 소규모 다큐멘터리 제작팀은 사운드바이트(soundbites)를 찾는 데 드는 시간을 줄이고 매력적인 이야기를 구성하는 데 더 많은 시간을 할애할 수 있습니다. 그 결과, 가공되지 않은 인터뷰에서 영화를 정의하는 핵심 순간으로 가는 더 빠르고 객관적인 경로를 확보하게 됩니다.

이제 단어 수를 세어보겠습니다.

수동으로 세어봅시다.

제목 줄: "From Keywords to Key Moments: AI-Powered Quote Highlighting for Documentary Makers" - 단어 수? From(1) Keywords(2) to(3) Key(4) Moments:(5) AI-Powered(6) Quote(7) Highlighting(8) for(9) Documentary(10) Makers(11). 제목 줄은 단어로 간주되지만 보통 포함되지 않나요? 모든 것을 세겠습니다.

이제 본문입니다.

텍스트를 복사해서 세어보겠습니다.

"Sifting through interview transcripts to find that one punchy line can eat up hours of a small team’s schedule. Manual searches are slow, inconsistent, and often miss the subtle gems that drive a documentary’s emotional core. By letting AI evaluate each sentence against a clear set of narrative functions, you turn raw text into a ready‑to‑edit highlight reel."

단어 수 계산:

인터뷰 전사 데이터(transcripts)를 뒤져서 단 한 줄의 강렬한 문장을 찾아내는 작업은 소규모 팀의 일정 중 수 시간을 잡아먹을 수 있습니다. 수동 검색은 느리고, 일관성이 없으며, 다큐멘터리의 정서적 핵심을 이끄는 미묘한 보석 같은 문장들을 놓치는 경우가 많습니다. AI가 명확한 서사적 기능(narrative functions) 세트에 따라 각 문장을 평가하게 함으로써, 여러분은 가공되지 않은 텍스트를 즉시 편집 가능한 하이라이트 릴(highlight reel)로 바꿀 수 있습니다.

58 단어.

다음 섹션 제목: "## 원칙: 서사적 기능에 따른 인용구 점수 산정"은 제목으로 간주되지만 단어 수를 셀 필요는 없을 수도 있으나 포함할 수는 있습니다.

제목 뒤의 단락을 계속하겠습니다.

"'핵심 순간(key moment)' 인용구가 충족해야 하는 3~5가지 기준을 정의하십시오. 예를 들어, (1) 독특한 은유(metaphor)나 비유(analogy)를 포함함, (2) 강렬하고 요약적인 진술을 전달함, (3) 모순이나 아이러니(irony)를 압축함, (4) 개인적인 취약성(vulnerability)을 드러냄, (5) 핵심 신념이나 깨달음을 진술함 등이 있습니다. 전사 데이터를 언어 모델(language model)에 입력하여 이러한 차원들에 따라 모든 문장에 점수를 매기게 한 다음, 총점에 따라 순위를 매기십시오. 모델은 또한 각 선택에 대한 짧은 근거를 제공하여, 여러분이 그 추론 과정을 검토(audit)할 수 있게 해줍니다."

단어 수 계산:

정의(Define)1
세(three)2
~ (to)3
다섯(five)4
기준(criteria)5
'핵심(a)6
순간(key)7
인용구(moment)'(8) // 하나의 토큰으로 취급할까요? 우리는 다음과 같이 셀 것입니다