chore: Notion 동기화 2026-07-16 17:00

Author: sungbin1015

blog/.notion-sync.json

@@ -22,22 +22,22 @@
   },
   "399e15b4-0359-80bc-a362-f310d7425d86": {
     "file": "blog/2026-07-10-07-faster-whisper-한국어-음성인식-최적화-경험-공유.md",
-    "last_edited": "2026-07-16T05:56:00.000Z",
-    "content_hash": "2484ae6c271dc8eddb75f6c408f2136a6187769f41d7f7a7d05e1c8cf9a5c828",
+    "last_edited": "2026-07-16T07:59:00.000Z",
+    "content_hash": "47e1ce4a0b23e0246e351a71d4ef16935f29397fb1078ce7c3723664f52ab4eb",
     "order": 4,
     "parent_id": null
   },
   "39ce15b4-0359-8051-a39e-d78c277e3c7e": {
     "file": "blog/2026-07-13-07-langgraph-기반-방송-워크플로우-설계.md",
-    "last_edited": "2026-07-16T06:23:00.000Z",
-    "content_hash": "a9f3d04ae3442563a1b2f7d323d643c14a25f736c6cfb44c76e4fedf08553229",
+    "last_edited": "2026-07-16T07:55:00.000Z",
+    "content_hash": "67864471065d1bdfae51edde63f7b0fc7f918e96ef0df57b0295c9b4aa2356b5",
     "order": 5,
     "parent_id": null
   },
   "39ce15b4-0359-80cc-afdb-fad276333f56": {
     "file": "blog/2026-07-13-07-rag-파이프라인-구축.md",
-    "last_edited": "2026-07-16T06:56:00.000Z",
-    "content_hash": "de096b7cbdd4247f8a4685825fd26577661e2dc3419944a90582cf5c9ba1a4be",
+    "last_edited": "2026-07-16T07:56:00.000Z",
+    "content_hash": "4be4b5a40e964cf6784c4e5c2d810cb40463a5e4f4e9d9271049ceb05a84d615",
     "order": 6,
     "parent_id": null
   },

blog/2026-07-10-07-faster-whisper-한국어-음성인식-최적화-경험-공유.md

@@ -12,28 +12,28 @@ last_update:
 
 ---
 
-`faster-whisper large-v3` 를 한국 방송 콘텐츠에 그대로 돌리면 자막은 "그럭저럭" 나온다.
+`faster-whisper large-v3` 를 한국 방송 콘텐츠에 그대로 돌리면 자막이 원하는대로  나오지 않는다.
 
 <!--truncate-->
 
 ```text
 # 일부 추출 결과
 [01:12:30.9~01:12:32.7|S???|ko] 길다가 저랬다고
-[01:12:34.2~01:12:37.7|S???|ja] ご視聴ありがとうございました     <- 아무도 이런 말을 하지 않았다
+[01:12:34.2~01:12:37.7|S???|ja] ご視聴ありがとうございました     # 아무도 이런 말을 하지 않았다
 [01:12:38.7~01:12:40.3|S???|ko] 서클
 ```
 
 위 로그는, 발화가 없는 구간에 학습 데이터의 자막 패턴이 튀어나온 것이다. 
 
-PoC 로 모델별 비교와 정확도 테스트를 하면서 이런 실패를 반복해서 만났고, 그 과정에서 **최적화의 중요성** 을 알게 되었다.
+PoC 로 모델별 비교 / 정확도 테스트를 하면서 위 실패를 여러차례 만났고, **최적화의 중요성** 을 알게 되었다.
 
 이 글은 그 실패들을 하나씩 잡아간 기록이다. 다만 기법을 시간순으로 나열하는 대신, **"무엇을 최적화하는가"** 라는 축으로 묶었다. 
 
 ---
 
-#### 최적화 지도
+#### 최적화 기준
 
-먼저 전체 그림. 각 기법이 무엇을 겨냥하는지부터 정리한다.
+크게 4가지로 나누어 보았다. 
 
 | 최적화 대상 | 적용한 기법 |
 | --- | --- |
@@ -49,7 +49,7 @@ PoC 로 모델별 비교와 정확도 테스트를 하면서 이런 실패를 
 그리고 이 모델을 한국 방송 6종(뉴스·다큐·드라마·사극·예능·스포츠)에 붙이자, 반복되는 실패 세 가지가 드러났다.
 
 1. **유령 자막** — 발화 없는 침묵/BGM 구간에 학습 데이터의 자막 패턴이 튀어나온다. `ご視聴ありがとうございました` , `Thanks for watching` , 아랍어 자막 크레딧까지.
-2. **무한 반복** — `감사합니다 감사합니다 감사합니다...` 같은 루프.
+2. **무한 반복** — `감사합니다 감사합니다 감사합니다...` (실제 발생하지는 않았으나, 가능하다 판단)
 3. **언어 오분류** — 12초 한국어가 일본어/중국어로 인식되거나, 한국어 모드인데 가나·한자를 뱉는다.
 
 이 셋을 각각 다른 축에서 막는 것이 최적화의 전부였다.

blog/2026-07-13-07-langgraph-기반-방송-워크플로우-설계.md

@@ -10,7 +10,7 @@ last_update:
 
 ---
 
-- 해당 글에서는 이미 설계된 Langraph 이용하여, 방송 서비스를 어떻게 새로 만들지를 보여준다\
+- 해당 글에서는 이미 설계된 Langraph 이용하여, 방송 서비스를 어떻게 새로 만들지를 보여준다
 - 글에는 기술적인거 아니라, 어떠한 입력을 주고, 어떠한 방송 서비스 만들지만 적기
 
 <!--truncate-->

blog/2026-07-13-07-rag-파이프라인-구축.md

@@ -24,25 +24,27 @@ RAG 를 간단히 표현하면 세 단계라고 할 수 있다.
 ![image](/img/blog/07-rag-파이프라인-구축/img-00.png)
 
 
-우리는 영상을 짜르고~~~~~  
-- RAG 우리꺼 설명한거 테이블 화 
-- mermaid 도입하여 그림화
+---
 
+### 파이프라인
 
-이 프로젝트에서 표현하자면 아래와 같다.
+우리의 파이프라인은 아래와 같다
 
 ![image](/img/blog/07-rag-파이프라인-구축/img-01.png)
 
-```json
-[색인 = Indexing 쪽]  agent-scenario
-   영상 분석 결과 → 임베딩 → Milvus 4개 컬렉션에 upsert
-        │
-        ▼   (Milvus: segment / dialogue / scene / chapter)
-        │
-[검색·생성 = Retrieval + Generation 쪽]  agent-search
-   질의 → 임베딩 → 벡터 검색(retrieve) → 맥락 확장(expand) → LLM 판정(select)
+- 민트색: LLM 추론 구간으로, 아래와 같은 프롬프트 입력값이 들어있는 상태이다.  
+  ```graphql
+  [1] scope
+  SCOPE_SYS = """너는 방송 시리즈 검색 플래너다. 요청과 관련 있는 회차의 v_id 만 고른다. {이하 생략}"""
+
+  [2] plan 
+  PLAN_SYS = """너는 방송 영상 재가공 검색 플래너다. {이하 생략} 클립을 찾기 위한 검색 계획(beats)을 JSON 으로 출력한다 """
+
+  [3] select
+  SELECT_SYS= """"너는 방송 클립 편집자다. beat(찾으려는 장면)과 검색 후보 + 주변 타임라인을 보고
+  그 beat 을 가장 잘 보여주는 클립 1개의 구간을 확정한다.  {이하 생략}"""
+  ```
 
-```
 
 ### 마무리