topics-extractor

topics-extractor — 회의 토픽 × 시각 매칭

사명

회의 받아쓰기(transcript)와 회의록 요약(summary)을 결합해, 토픽별 시작/종료 타임스탬프를 가진 topics.json을 만듭니다. 이후 highlights-selector 스킬이 이 결과에서 60초 분량을 선정합니다.

입력

파일	역할
transcript.json	mlx-whisper word-level 받아쓰기. segments[].words[]에 word, start, end.
회의요약.txt (또는 geminiまとめ.txt)	회의록 요약. 토픽 단위로 줄/단락 구분된 텍스트. 어떤 도구가 만든 것이든 무관 (Gemini Meet, Teams, 네이버 웍스, 카카오워크, 수기 메모도 가능).
Meeting Chat.sbv (선택)	Google Meet 채팅 로그. 시각 앵커 보조.

처리 절차

1. 입력 로드

transcript.json → segments[].text를 시간 순서로 이어 붙인 "full transcript" 생성
회의요약.txt → 토픽 단위 단락으로 분할 (보통 빈 줄, 들여쓰기, 또는 헤딩으로 구분됨)

2. 토픽 분할 (요약 기반)

회의요약 텍스트에서 다음 단서로 토픽을 분리합니다.

• 명시적 헤딩 (##, ■, ▶, 1., [토픽1] 등)
• 빈 줄로 구분된 단락
• 명사형 키워드 출현 빈도 변화

최대 토픽 수: 7개. 그보다 많으면 중요도가 낮은 것을 합치거나 제외.

3. 시각 매칭 (transcript 기반)

각 토픽에 대해 transcript에서 매칭되는 구간을 찾습니다.

매칭 원리 (키워드 매칭이 아닌 의미적 매칭):

• 요약 단락의 핵심 명사·동사·고유명사를 추출
• transcript에서 해당 키워드들이 밀집해서 등장하는 구간을 찾음
• 시작 시각: 핵심 키워드가 처음 등장한 word의 start
• 종료 시각: 같은 토픽 키워드 클러스터가 끝나는 마지막 word의 end
• 토픽 간 시각이 겹쳐도 됨 (실제 회의에서는 흔함)

시각 보조 단서:

• Meeting Chat.sbv가 있다면 채팅의 키워드/시각을 앵커로 사용
• 회의요약이 시간 순서를 따른다고 가정 (대부분의 자동 요약은 그러함)

4. 출력 작성

{
  "meeting_date": "2025_12_04",
  "totalDurationSec": 3612.5,
  "topics": [
    {
      "id": 1,
      "title": "12월 출시 일정 확정",
      "summary": "QA 마감일을 12/18 → 12/22로 조정. PM/엔지니어 합의.",
      "startSec": 245.3,
      "endSec": 412.8,
      "anchorTexts": [
        "그래서 QA 마감을 12월 22일로 미루는 게 어떻겠냐는...",
        "엔지니어 입장에서 12/18은 너무 빠듯해서..."
      ],
      "speakers": ["PM", "엔지니어 A"],
      "importance": 0.9
    }
  ]
}

필드 설명:

• id: 1부터 시작하는 정수
• title: 1줄 토픽명 (자막에 그대로 쓸 수 있게)
• summary: 1-2문장 요약
• startSec / endSec: transcript의 word-level 타임스탬프 기준
• anchorTexts: transcript에서 이 토픽을 대표하는 발언 1-3개 (디버깅/검증용)
• speakers: 발언자가 식별 가능하면 배열, 아니면 빈 배열 또는 ["미상"]
• importance: 0.0~1.0. 회의 결과에 미치는 영향, 후속 액션 동반 여부, 의견 대립의 정도로 판단

5. 검증

출력 직전에 다음을 자체 점검합니다.

• 모든 startSec < endSec
• endSec <= totalDurationSec
• 토픽 수가 7개 이하
• 각 토픽의 endSec - startSec이 30초 이상 (그보다 짧으면 의미 있는 클립이 안 나옴)
• anchorTexts가 transcript에 실제 존재하는 표현인지 (LLM 환각 방지)

검증 실패 항목은 출력 후 사용자에게 명시적으로 보고합니다.

출력 위치

기본: meeting_rec/transcribe/topics.json

호출자가 명시적 경로를 지정한 경우 그쪽을 우선합니다.

주의사항

• transcript는 진실, 요약은 가이드: 시각은 반드시 transcript에서 찾습니다. 요약 텍스트는 토픽 분할의 단서일 뿐 시각 출처가 아닙니다.
• 요약에 없는 토픽도 포함 가능: 요약이 누락한 중요 발언(예: 의외의 결정, 예산 변경)을 transcript에서 발견하면 별도 토픽으로 추가하고 summary 끝에 (요약에 없음)을 표기.
• 고유명사 신뢰도: mlx-whisper는 고유명사 받아쓰기 오류가 잦습니다. 회의요약에 명시된 고유명사가 transcript에 비슷한 음으로 잘못 적혀 있다면(예: "아키텍처" → "아키택처"), anchorTexts에는 transcript의 원문 그대로 적되 title/summary는 요약 기준으로 정정합니다.
• 한국어 회의 가정: 입력은 기본적으로 한국어. 일본어/영어 혼용 회의도 처리하지만 출력의 title/summary는 회의의 주 언어를 따릅니다.

자주 빠지는 함정

• 요약 텍스트의 단락 수만큼 토픽을 만들려는 강박 — 일부 단락은 다른 토픽의 부연 설명일 수 있음. 합칠지 판단.
• transcript의 time gap을 토픽 경계로 오인 — 침묵 구간은 토픽 변경이 아닐 수 있음 (잠시 자료 확인 등).
• 시작 시각을 토픽 도입부 발언이 아닌 첫 키워드 등장 시점에 두는 실수 — 도입부("그래서 다음 주제는…") 5-10초를 포함하는 편이 자막 영상에서 자연스럽다.

다음 단계

topics.json 작성이 끝나면 highlights-selector 스킬을 호출해 60초 분량의 highlights.json을 만듭니다.