Communitygithub.com

ASoudy/AGS

오디오 녹음 파일을 LLM 통합을 통한 지능형 요약과 함께 전문적인 Markdown 문서로 변환합니다.

AGS란 무엇인가요?

이 스킬은 오디오-텍스트 변환을 자동화하여 전문 Markdown 출력을 생성하는 AI 에이전트 스킬입니다. Faster-Whisper 또는 OpenAI Whisper를 자동으로 감지 및 사용하며, 사용자 설정 없이도 즉시 동작합니다. 회의록, 인터뷰, 강의, 콘텐츠 분석 등에 이상적이며, 음성 인식(화자 분리), 타임스탬프, 파일 메타데이터(크기, 길이, 언어)를 추출하고, LLM을 통해 회의록, 실행 항목, 결정 사항, 주제별 요약을 자동 생성합니다. 지원 플랫폼은 Claude Code, Codex, Cursor, Copilot 등이며, 자동 설치 스크립트를 통해 종속성을 간편하게 설정할 수 있습니다. 사용자 정의 프롬프트를 지원하고, 프롬프트를 개선하는 기능도 포함되어 있어 생산성을 극대화합니다.

지원 대상✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/ASoudy/AGS/tree/HEAD/claude_skills_libraries/landing-page-mastery/skills/audio-transcriber

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

목적

이 스킬은 오디오-텍스트 변환을 자동화하여 전문 Markdown 출력을 생성하고, 풍부한 기술 메타데이터(화자, 타임스탬프, 언어, 파일 크기, 길이)를 추출하며, 구조화된 회의록 및 경영진 요약을 생성합니다. Faster-Whisper 또는 Whisper를 설정 없이 사용하며, 하드코딩된 경로나 API 키 없이 프로젝트 전반에서 작동합니다.

Plaid와 같은 도구에서 영감을 받아, 이 스킬은 원시 오디오 녹음을 실행 가능한 문서로 변환하여 회의, 인터뷰, 강의, 콘텐츠 분석에 이상적입니다.

사용 시기

다음과 같은 경우 이 스킬을 호출하세요:

  • 사용자가 오디오/비디오 파일을 텍스트로 변환해야 하는 경우
  • 사용자가 녹음으로부터 회의록을 자동 생성하려는 경우
  • 사용자가 대화에서 화자 식별(화자 분리)을 필요로 하는 경우
  • 사용자가 자막(SRT, VTT 형식)을 필요로 하는 경우
  • 사용자가 긴 오디오 콘텐츠의 경영진 요약을 원하는 경우
  • 사용자가 "이 오디오를 텍스트로 변환해줘", "녹음 파일을 텍스트로 바꿔줘", "회의록을 생성해줘" 등의 변형된 요청을 하는 경우
  • 사용자가 일반적인 형식(MP3, WAV, M4A, OGG, FLAC, WEBM)의 오디오 파일을 가지고 있는 경우

워크플로우

단계 0: 검색 (자동 변환 도구 감지)

목표: 사용자 설정 없이 사용 가능한 변환 엔진을 식별합니다.

작업:

감지 명령을 실행하여 설치된 도구를 확인합니다:

# Faster-Whisper 확인 (선호 - 4-5배 빠름)
if python3 -c "import faster_whisper" 2>/dev/null; then
    TRANSCRIBER="faster-whisper"
    echo "✅ Faster-Whisper 감지됨 (최적화됨)"
# 대체: 원본 Whisper
elif python3 -c "import whisper" 2>/dev/null; then
    TRANSCRIBER="whisper"
    echo "✅ OpenAI Whisper 감지됨"
else
    TRANSCRIBER="none"
    echo "⚠️  변환 도구를 찾을 수 없음"
fi

# ffmpeg 확인 (오디오 형식 변환)
if command -v ffmpeg &>/dev/null; then
    echo "✅ ffmpeg 사용 가능 (형식 변환 활성화됨)"
else
    echo "ℹ️  ffmpeg를 찾을 수 없음 (제한된 형식 지원)"
fi

변환기를 찾을 수 없는 경우:

제공된 스크립트를 사용한 자동 설치를 제안합니다:

echo "⚠️  변환 도구를 찾을 수 없음"
echo ""
echo "🔧 종속성을 자동 설치하시겠습니까? (권장)"
read -p "설치 스크립트를 실행하시겠습니까? [Y/n]: " AUTO_INSTALL

if [[ ! "$AUTO_INSTALL" =~ ^[Nn] ]]; then
    # 스킬 디렉토리 가져오기 (리포지토리 및 심볼릭 링크 설치 모두 작동)
    SKILL_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
    
    # 설치 스크립트 실행
    if [[ -f "$SKILL_DIR/scripts/install-requirements.sh" ]]; then
        bash "$SKILL_DIR/scripts/install-requirements.sh"
    else
        echo "❌ 설치 스크립트를 찾을 수 없음"
        echo ""
        echo "📦 수동 설치:"
        echo "  pip install faster-whisper  # 권장"
        echo "  pip install openai-whisper  # 대체"
        echo "  brew install ffmpeg         # 선택 사항 (macOS)"
        exit 1
    fi
    
    # 설치 성공 확인
    if python3 -c "import faster_whisper" 2>/dev/null || python3 -c "import whisper" 2>/dev/null; then
        echo "✅ 설치 성공! 변환을 진행합니다..."
    else
        echo "❌ 설치 실패. 수동으로 설치해주세요."
        exit 1
    fi
else
    echo ""
    echo "📦 수동 설치 필요:"
    echo ""
    echo "권장 (가장 빠름):"
    echo "  pip install faster-whisper"
    echo ""
    echo "대체 (원본):"
    echo "  pip install openai-whisper"
    echo ""
    echo "선택 사항 (형식 변환):"
    echo "  brew install ffmpeg  # macOS"
    echo "  apt install ffmpeg   # Linux"
    echo ""
    exit 1
fi

이렇게 하면 사용자가 한 번의 확인으로 종속성을 설치하거나, 원하는 경우 수동 설치를 선택할 수 있습니다.

변환기를 찾은 경우:

단계 0b(CLI 감지)로 진행합니다.

단계 1: 오디오 파일 검증

목표: 파일이 존재하는지 확인하고, 형식을 검사하며, 메타데이터를 추출합니다.

작업:

  1. 사용자로부터 파일 경로 또는 URL 수락:

    • 로컬 파일: meeting.mp3
    • URL: https://example.com/audio.mp3 (임시 디렉토리에 다운로드)
  2. 파일 존재 확인:

if [[ ! -f "$AUDIO_FILE" ]]; then
    echo "❌ 파일을 찾을 수 없음: $AUDIO_FILE"
    exit 1
fi
  1. ffprobe 또는 파일 유틸리티를 사용하여 메타데이터 추출:
# 파일 크기 가져오기
FILE_SIZE=$(du -h "$AUDIO_FILE" | cut -f1)

# ffprobe를 사용하여 길이 및 형식 가져오기
DURATION=$(ffprobe -v error -show_entries format=duration \
    -of default=noprint_wrappers=1:nokey=1 "$AUDIO_FILE" 2>/dev/null)
FORMAT=$(ffprobe -v error -select_streams a:0 -show_entries \
    stream=codec_name -of default=noprint_wrappers=1:nokey=1 "$AUDIO_FILE" 2>/dev/null)

# 길이를 HH:MM:SS로 변환
DURATION_HMS=$(date -u -r "$DURATION" +%H:%M:%S 2>/dev/null || echo "알 수 없음")
  1. 파일 크기 확인 (클라우드 API의 경우 큰 파일 경고):
SIZE_MB=$(du -m "$AUDIO_FILE" | cut -f1)
if [[ $SIZE_MB -gt 25 ]]; then
    echo "⚠️  큰 파일 ($FILE_SIZE) - 처리에 몇 분 정도 걸릴 수 있음"
fi
  1. 형식 검증 (지원: MP3, WAV, M4A, OGG, FLAC, WEBM):
EXTENSION="${AUDIO_FILE##*.}"
SUPPORTED_FORMATS=("mp3" "wav" "m4a" "ogg" "flac" "webm" "mp4")

if [[ ! " ${SUPPORTED_FORMATS[@]} " =~ " ${EXTENSION,,} " ]]; then
    echo "⚠️  지원하지 않는 형식: $EXTENSION"
    if command -v ffmpeg &>/dev/null; then
        echo "🔄 WAV로 변환 중..."
        ffmpeg -i "$AUDIO_FILE" -ar 16000 "${AUDIO_FILE%.*}.wav" -y
        AUDIO_FILE="${AUDIO_FILE%.*}.wav"
    else
        echo "❌ 형식을 변환하려면 ffmpeg를 설치하세요: brew install ffmpeg"
        exit 1
    fi
fi

단계 3: Markdown 출력 생성

목표: 메타데이터, 변환 내용, 회의록, 요약이 포함된 구조화된 Markdown을 생성합니다.

출력 템플릿:

# 오디오 변환 보고서

## 📊 메타데이터

| 필드 | 값 |
|-------|-------|
| **파일 이름** | {filename} |
| **파일 크기** | {file_size} |
| **길이** | {duration_hms} |
| **언어** | {language} ({language_code}) |
| **처리 날짜** | {process_date} |
| **식별된 화자 수** | {num_speakers} |
| **변환 엔진** | {engine} (모델: {model}) |


## 📋 회의록

### 참가자
- {speaker_1}
- {speaker_2}
- ...

### 논의된 주제
1. **{topic_1}** ({timestamp})
   - {key_point_1}
   - {key_point_2}

2. **{topic_2}** ({timestamp})
   - {key_point_1}

### 결정 사항
- ✅ {decision_1}
- ✅ {decision_2}

### 실행 항목
- [ ] **{action_1}** - 담당자: {speaker} - 마감일: {date_if_mentioned}
- [ ] **{action_2}** - 담당자: {speaker}


*오디오-변환기 스킬 v1.0.0 생성*  
*변환 엔진: {engine} | 처리 시간: {elapsed_time}초*

구현:

지능형 요약을 위해 AI 모델(Claude/GPT)과 함께 Python 또는 bash 사용:

def generate_meeting_minutes(segments):
    """변환 내용에서 주제, 결정 사항, 실행 항목을 추출합니다."""
    
    # 주제별로 세그먼트 그룹화 (타임스탬프 기준 간단한 클러스터링)
    topics = cluster_by_topic(segments)
    
    # 실행 항목 식별 (키워드: "해야 함", "할 것", "~할 필요가 있음", "action")
    action_items = extract_action_items(segments)
    
    # 결정 사항 식별 (키워드: "결정됨", "합의됨", "승인됨")
    decisions = extract_decisions(segments)
    
    return {
        "topics": topics,
        "decisions": decisions,
        "action_items": action_items
    }

def generate_summary(segments, max_paragraphs=5):
    """AI(API 또는 로컬 모델을 통한 Claude/GPT)를 사용하여 경영진 요약을 생성합니다."""
    
    full_text = " ".join([s["text"] for s in segments])
    
    # 밀집도 체인 접근 방식(프롬프트 엔지니어 프레임워크에서) 사용
    summary_prompt = f"""
    다음 변환 내용을 {max_paragraphs}개의 간결한 단락으로 요약하세요.
    주요 주제, 결정 사항 및 실행 항목에 초점을 맞추세요.
    
    변환 내용:
    {full_text}
    """
    
    # AI 모델 호출 (플레이스홀더 - 사용자가 Claude API를 통합하거나 로컬 모델을 사용할 수 있음)
    summary = call_ai_model(summary_prompt)
    
    return summary

출력 파일 명명:

# v1.1.0: 덮어쓰기를 방지하기 위해 타임스탬프 사용
TIMESTAMP=$(date +%Y%m%d-%H%M%S)
TRANSCRIPT_FILE="transcript-${TIMESTAMP}.md"
ATA_FILE="ata-${TIMESTAMP}.md"

echo "$TRANSCRIPT_CONTENT" > "$TRANSCRIPT_FILE"
echo "✅ 변환 내용 저장됨: $TRANSCRIPT_FILE"

if [[ -n "$ATA_CONTENT" ]]; then
    echo "$ATA_CONTENT" > "$ATA_FILE"
    echo "✅ 회의록 저장됨: $ATA_FILE"
fi

시나리오 A: 사용자 정의 프롬프트 제공

워크플로우:

  1. 사용자의 프롬프트 표시:

    📝 사용자가 제공한 프롬프트:
    ┌──────────────────────────────────┐
    │ [사용자 프롬프트 미리보기]          │
    └──────────────────────────────────┘
    
  2. 프롬프트 엔지니어로 자동 개선 (사용 가능한 경우):

    🔧 프롬프트 엔지니어로 프롬프트 개선 중...
    [호출: gh copilot -p "이 프롬프트를 개선: {user_prompt}"]
    
  3. 두 버전 모두 표시:

    ✨ 개선된 버전:
    ┌──────────────────────────────────┐
    │ 역할: 당신은 문서 작성자입니다...  │
    │ 지침: 다음을 변환...             │
    │ 단계: 1) ... 2) ...             │
    │ 최종 목표: ...                  │
    └──────────────────────────────────┘
    
    📝 원본 버전:
    ┌──────────────────────────────────┐
    │ [사용자의 원본 프롬프트]         │
    └──────────────────────────────────┘
    
  4. 사용할 버전 확인:

    💡 개선된 버전을 사용하시겠습니까? [s/n] (기본값: s):
    
  5. 선택한 프롬프트로 처리:

    • "s"인 경우: 개선된 버전 사용
    • "n"인 경우: 원본 사용

LLM 처리 (두 시나리오 모두)

프롬프트가 확정되면:

from rich.progress import Progress, SpinnerColumn, TextColumn

def process_with_llm(transcript, prompt, cli_tool='claude'):
    full_prompt = f"{prompt}\n\n---\n\n변환 내용:\n\n{transcript}"
    
    with Progress(
        SpinnerColumn(),
        TextColumn("[progress.description]{task.description}"),
        transient=True
    ) as progress:
        progress.add_task(
            description=f"🤖 {cli_tool}로 처리 중...",
            total=None
        )
        
        if cli_tool == 'claude':
            result = subprocess.run(
                ['claude', '-'],
                input=full_prompt,
                capture_output=True,
                text=True,
                timeout=300  # 5분
            )
        elif cli_tool == 'gh-copilot':
            result = subprocess.run(
                ['gh', 'copilot', 'suggest', '-t', 'shell', full_prompt],
                capture_output=True,
                text=True,
                timeout=300
            )
    
    if result.returncode == 0:
        return result.stdout.strip()
    else:
        return None

진행 상황 출력:

🤖 claude로 처리 중... ⠋
[완료 후:]
✅ 회의록이 성공적으로 생성되었습니다!

최종 출력

성공 (두 파일 모두):

💾 파일 저장 중...

✅ 생성된 파일:
  - transcript-20260203-023045.md  (순수 변환 내용)
  - ata-20260203-023045.md         (LLM으로 처리됨)

🧹 임시 파일 제거됨: metadata.json, transcription.json

✅ 완료! 총 시간: 3분 45초

변환 내용만 (사용자가 LLM 거부):

💾 파일 저장 중...

✅ 생성된 파일:
  - transcript-20260203-023045.md

ℹ️  회의록이 생성되지 않음 (LLM 처리가 사용자에 의해 거부됨)

🧹 임시 파일 제거됨: metadata.json, transcription.json

✅ 완료!

단계 5: 결과 요약 표시

목표: 완료 상태 및 다음 단계를 표시합니다.

출력:

echo ""
echo "✅ 변환 완료!"
echo ""
echo "📊 결과:"
echo "  파일: $OUTPUT_FILE"
echo "  언어: $LANGUAGE"
echo "  길이: $DURATION_HMS"
echo "  화자: $NUM_SPEAKERS"
echo "  단어 수: $WORD_COUNT"
echo "  처리 시간: ${ELAPSED_TIME}초"
echo ""
echo "📝 생성됨:"
echo "  - $OUTPUT_FILE (Markdown 보고서)"
[대체 형식인 경우:]
echo "  - ${OUTPUT_FILE%.*}.srt (자막)"
echo "  - ${OUTPUT_FILE%.*}.json (구조화된 데이터)"
echo ""
echo "🎯 다음 단계:"
echo "  1. 회의록 및 실행 항목 검토"
echo "  2. 참가자와 보고서 공유"
echo "  3. 실행 항목 추적 및 완료"

사용 예시

예시 1: 기본 변환

사용자 입력:

copilot> 오디오를 Markdown으로 변환: meeting-2026-02-02.mp3

스킬 출력:

✅ Faster-Whisper 감지됨 (최적화됨)
✅ ffmpeg 사용 가능 (형식 변환 활성화됨)

📂 파일: meeting-2026-02-02.mp3
📊 크기: 12.3 MB
⏱️  길이: 00:45:32

🎙️  처리 중...
[████████████████████] 100%

✅ 언어 감지됨: 한국어 (ko-KR)
👥 식별된 화자: 4
📝 Markdown 출력 생성 중...

✅ 변환 완료!

📊 결과:
  파일: meeting-2026-02-02.md
  언어: ko-KR
  길이: 00:45:32
  화자: 4
  단어 수: 6,842
  처리 시간: 127초

📝 생성됨:
  - meeting-2026-02-02.md (Markdown 보고서)

🎯 다음 단계:
  1. 회의록 및 실행 항목 검토
  2. 참가자와 보고서 공유
  3. 실행 항목 추적 및 완료

예시 3: 일괄 처리

사용자 입력:

copilot> 이 오디오 파일들을 변환: recordings/*.mp3

스킬 출력:

📦 일괄 모드: 5개 파일 발견됨
  1. team-standup.mp3
  2. client-call.mp3
  3. brainstorm-session.mp3
  4. product-demo.mp3
  5. retrospective.mp3

🎙️  일괄 처리 중...

[1/5] team-standup.mp3 ✅ (2분 34초)
[2/5] client-call.mp3 ✅ (15분 12초)
[3/5] brainstorm-session.mp3 ✅ (8분 47초)
[4/5] product-demo.mp3 ✅ (22분 03초)
[5/5] retrospective.mp3 ✅ (11분 28초)

✅ 일괄 완료!
📝 5개의 Markdown 보고서 생성됨
⏱️  총 처리 시간: 6분 15초

예시 5: 큰 파일 경고

사용자 입력:

copilot> 오디오를 Markdown으로 변환: conference-keynote.mp3

스킬 출력:

✅ Faster-Whisper 감지됨 (최적화됨)

📂 파일: conference-keynote.mp3
📊 크기: 87.2 MB
⏱️  길이: 02:15:47
⚠️  큰 파일 (87.2 MB) - 처리에 몇 분 정도 걸릴 수 있음

계속하시겠습니까? [Y/n]:

사용자: Y

🎙️  처리 중... (10-15분 정도 소요될 수 있음)
[████░░░░░░░░░░░░░░░░] 20% - 예상 남은 시간: 12분

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

ASoudy/AGS

Advanced JavaScript animation library skill for creating complex, high-performance web animations.

ASoudy/AGS

Astropy is the core Python package for astronomy, providing essential functionality for astronomical research and data analysis.

ASoudy/AGS

Build content-focused websites with Astro — zero JS by default, islands architecture, multi-framework components, and Markdown/MDX support.

ASoudy/AGS

One sentence - what this skill does and when to invoke it

ASoudy/AGS

Audit and fix animation performance issues including layout thrashing, compositor properties, scroll-linked motion, and blur effects. Use when animations stutter, transitions jank, or reviewing CSS/JS animation performance.

ASoudy/AGS

Internationalization and localization patterns. Detecting hardcoded strings, managing translations, locale files, RTL support.

ASoudy/AGS

Pull a YouTube video transcript into a queryable markdown vault with yt-dlp subtitle discovery, VTT cleanup, metadata frontmatter, and capture-seed stubs.

ASoudy/AGS

Expert in building portfolios that actually land jobs and clients - not just showing work, but creating memorable experiences. Covers developer portfolios, designer portfolios, creative portfolios, and portfolios that convert visitors into opportunities.

ASoudy/AGS

Generates high-converting Next.js/React landing pages with Tailwind CSS. Uses PAS, AIDA, and BAB frameworks for optimized copy/components (Heroes, Features, Pricing). Focuses on Core Web Vitals/SEO.

ASoudy/AGS

AI-powered animation tool for creating motion in logos, UI, icons, and social media assets.

ASoudy/AGS

CRITICAL: Use for Makepad animation system. Triggers on: makepad animation, makepad animator, makepad hover, makepad state, makepad transition, "from: { all: Forward", makepad pressed, makepad 动画, makepad 状态, makepad 过渡, makepad 悬停效果

ASoudy/AGS

Comprehensive patterns for Next.js 14+ App Router architecture, Server Components, and modern full-stack React development.

ASoudy/AGS

Next.js App Router principles. Server Components, data fetching, routing patterns.

ASoudy/AGS

Expert integration of Supabase Auth with Next.js App Router

ASoudy/AGS

React and Next.js 14+ application development with App Router, Server Components, TypeScript, Tailwind CSS, and modern frontend patterns.

ASoudy/AGS

Best practices for Remotion - Video creation in React

ASoudy/AGS

Generate walkthrough videos from Stitch projects using Remotion with smooth transitions, zooming, and text overlays

ASoudy/AGS

Seek and analyze video content using Memories.ai Large Visual Memory Model for persistent video intelligence

ASoudy/AGS

Writes complete, structured landing pages optimized for SEO ranking, AEO citation, and visitor conversion. Activate when the user wants to write or generate a landing page for a product, service, or offer.

ASoudy/AGS

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

관련 스킬