리뷰 영상은 말로 다 한다: STT로 제품 USP 키워드 캐내기

리뷰 글은 정제돼 있다. 별점 5개에 “만족합니다” 한 줄. 그런데 영상 리뷰는 다르다. 사람들이 카메라 앞에서 3분 동안 떠드는 그 말 속에, “이거 때문에 샀다”는 진짜 이유가 흘러나온다. 문제는 그게 텍스트가 아니라 음성이라 검색도 집계도 안 된다는 점이다.

그래서 나는 리뷰 영상의 음성을 텍스트로 바꾼 다음(STT, Speech-to-Text), 그 텍스트에서 사람들이 반복해서 말하는 표현을 세어보기로 했다. 반복되는 말이 곧 셀링포인트니까. 이 글은 그 파이프라인을 합성 데이터로 재구성한 기록이다.

⚠️ 이 글의 모든 대사·수치·표는 합성(더미) 데이터다. 실제 브랜드·인물·채널·제품은 등장하지 않는다. 가상의 “제품X”(휴대용 블렌더 컨셉)를 예로 든다.

전체 그림은 어떻게 되나?

먼저 손에 잡히는 지도부터. 영상 하나가 “USP 키워드 후보”가 되기까지 거쳐가는 길이다.

flowchart LR
  A["리뷰 영상<br/>(음성)"]:::src --> B["① 오디오 추출"]:::step
  B --> C["② STT 변환<br/>말 → 텍스트"]:::step
  C --> D["③ 정제<br/>잡음·군말 제거"]:::step
  D --> E["④ 형태소 분석<br/>명사·형용사 추출"]:::step
  E --> F["⑤ 빈도·감성 집계"]:::step
  F --> G["USP 키워드 후보<br/>카피 재료"]:::out
  classDef src fill:#fff3bf,stroke:#e67700,color:#8a5a00;
  classDef step fill:#e7f5ff,stroke:#1c7ed6,color:#10548f;
  classDef out fill:#d3f9d8,stroke:#2f9e44,color:#1d6b2c;

핵심은 오른쪽 끝의 “USP 키워드 후보”다. USP(Unique Selling Point)는 그 제품만의 강점, 즉 “왜 이걸 사야 하는가”의 답이다. 이걸 내 머리로 상상하는 게 아니라, 리뷰어 여러 명이 입 모아 반복하는 말에서 통계적으로 뽑아내자는 게 이 글의 전부다.

왜 굳이 영상 음성까지 뒤지나?

텍스트 리뷰만 봐도 되지 않냐고 물을 수 있다. 그런데 채널이 다르면 나오는 정보의 결이 다르다.

소스	정보 밀도	솔직함	수집 난이도
별점 텍스트 리뷰	낮음(짧고 정형)	중간	낮음
상세페이지 후기	낮음(호평 편향)	낮음	낮음
블로그 리뷰	중간	중간	중간
영상 리뷰(STT)	높음(말이 길다)	높음(즉흥 발화)	높음

영상 리뷰의 강점은 “말이 길다”는 것이다. 카메라 앞에서 5분을 채우려면 구체적으로 말할 수밖에 없다. “충전 한 번 하면 일주일 쓴다”, “소리가 생각보다 조용하다” 같은 문장이 자연스럽게 나온다. 이 구체어가 바로 카피 재료다.

대신 대가가 있다. 수집·변환 난이도가 제일 높다. 그래서 자동화가 필요하다.

음성을 어떻게 텍스트로 바꾸나?

STT는 이제 로컬에서도 꽤 잘 돈다. 아래는 오픈소스 STT 모델을 쓴다고 가정한 골격 코드다. 실제 모델명은 상황에 맞게 바꾸면 된다.

# pip install faster-whisper (예시 - 로컬 STT)
from faster_whisper import WhisperModel
 
def transcribe(audio_path: str) -> str:
    """오디오 파일 -> 전체 텍스트. 합성 예시용 골격."""
    model = WhisperModel("small", device="cpu", compute_type="int8")
    segments, _info = model.transcribe(audio_path, language="ko")
    # segment 단위 텍스트를 이어붙인다
    return " ".join(seg.text.strip() for seg in segments)
 
# 실제로는 영상에서 오디오만 추출해서 넘긴다 (ffmpeg -vn 등)
# 아래는 STT 결과를 흉내 낸 '합성 대사'
sample_transcript = """
    자 이 제품X 써봤는데요 일단 충전이 진짜 오래가요 한 번 충전하면 일주일은 쓰네요
    그리고 소음이 거의 없어요 새벽에 돌려도 조용해서 좋았고요
    무게도 가벼워서 가방에 넣고 다니기 편했습니다 세척도 간편하고요
    솔직히 소음 이거 하나만으로도 살 만한 것 같아요 진짜 조용해요
"""

여기서 얻는 건 그냥 긴 문자열이다. 이제 이걸 셀 수 있는 단위로 쪼개야 한다.

sequenceDiagram
  participant V as 영상 파일
  participant F as ffmpeg
  participant S as STT 모델
  participant T as 텍스트
  V->>F: 오디오 트랙만 추출
  F->>S: wav/mp3 전달
  S->>T: 세그먼트별 인식
  T-->>T: 세그먼트 이어붙이기
  Note over T: 이제 '검색 가능한' 데이터가 됨

말뭉치에서 어떻게 ‘키워드’를 골라내나?

한국어는 조사가 붙어서 “충전이”, “충전은”, “충전도”가 다 다른 단어처럼 보인다. 이걸 그냥 세면 엉망이 된다. 그래서 형태소 분석으로 어근만 남기고, 명사·형용사 위주로 추린다.

from collections import Counter
 
# 실제로는 KoNLPy(Okt 등) 형태소 분석기를 쓴다.
# 여기서는 개념 전달을 위해 간이 토크나이저로 대체(합성 예시)
STOPWORDS = {"이", "그", "저", "거", "요", "진짜", "좀", "그리고", "자"}
 
def extract_terms(text: str) -> Counter:
    """명사/형용사 어근을 흉내 낸 간이 추출. 실제론 형태소 분석 사용."""
    # 합성 데모: 공백 분리 후 조사 꼬리를 러프하게 제거
    tails = ("이", "가", "은", "는", "을", "를", "도", "에", "서", "요")
    terms = []
    for tok in text.split():
        w = tok.strip(".,!?")
        for t in tails:
            if len(w) > 2 and w.endswith(t):
                w = w[:-1]
                break
        if w and w not in STOPWORDS and len(w) >= 2:
            terms.append(w)
    return Counter(terms)
 
counts = extract_terms(sample_transcript)
for term, n in counts.most_common(6):
    print(f"{term:8s} {n}")

여러 영상을 한꺼번에 돌리면 “충전”, “소음/조용”, “가벼움”, “세척”처럼 채널을 넘나들며 반복되는 단어가 위로 떠오른다. 그 반복이 곧 시장이 인정한 셀링포인트다.

그냥 많이 나온 단어면 다 USP인가?

아니다. 여기서 한 겹 더 걸러야 한다. 빈도만 높은 단어는 “제품”, “사용”, “그냥”처럼 아무 의미 없는 것도 많다. 두 개의 축으로 나눠 봐야 한다.

flowchart TB
  subgraph 판별["USP 후보 판별 2축"]
    direction LR
    Q1["자주 나오는가?<br/>(빈도)"]:::b
    Q2["긍정 맥락인가?<br/>(감성)"]:::p
  end
  Q1 --> R1["빈도 높음 + 긍정<br/>→ 강한 USP"]:::good
  Q2 --> R1
  Q1 --> R2["빈도 높음 + 부정<br/>→ 개선 포인트"]:::bad
  Q2 --> R2
  classDef b fill:#e7f5ff,stroke:#1c7ed6,color:#10548f;
  classDef p fill:#f3f0ff,stroke:#7048e8,color:#4b2fa8;
  classDef good fill:#d3f9d8,stroke:#2f9e44,color:#1d6b2c;
  classDef bad fill:#ffe3e3,stroke:#e03131,color:#a01818;

같은 “소음”이라도 “소음이 없어요”는 강력한 USP고, “소음이 커요”는 상세페이지에서 미리 방어해야 할 약점이다. 그래서 단어를 셀 때 주변 문맥의 감성을 같이 봐야 한다. 간단하게는 긍정어(조용, 가벼운, 편한, 오래) 근처에 등장하는 빈도를 별도로 집계하는 식이다.

결과 표는 어떻게 읽나?

여러 영상을 돌렸다고 치고, 합성 집계 결과를 표로 정리하면 이런 그림이 나온다. (반복하지만 아래 숫자는 전부 더미다.)

키워드	등장 영상 수	총 언급	긍정 비율	판정
조용함/저소음	9 / 10	41	95%	강한 USP
배터리/오래감	8 / 10	33	90%	강한 USP
가벼움/휴대	7 / 10	28	88%	USP
세척 간편	5 / 10	15	82%	보조 USP
용량 작음	4 / 10	12	30%	개선/방어 포인트

읽는 법은 단순하다. 위 세 줄이 상세페이지 상단 카피가 될 재료다. “10명 중 9명이 조용하다고 말한 블렌더” 같은 문장은 내가 지어낸 게 아니라 데이터가 말해준 것이다. 맨 아래 “용량 작음”은 USP는 아니지만, 리뷰어들이 자주 지적하니 상세페이지에서 미리 “휴대용 1인 사이즈”라고 프레이밍해 방어할 신호다.

이 방법의 한계는 뭔가?

솔직하게 적어둔다. 만능이 아니다.

stateDiagram-v2
  [*] --> 수집: 영상 확보
  수집 --> 변환: STT
  변환 --> 검수: 오인식 확인
  검수 --> 분석: 통과
  검수 --> 수집: 인식률 낮으면 재작업
  분석 --> [*]
  note right of 변환
    사투리·전문용어·배경음악은
    오인식이 잦다
  end note
  note right of 검수
    사람 눈 검수 한 번은 필수
  end note

• STT 오인식: 제품명이나 전문용어는 엉뚱하게 받아쓴다. 핵심 키워드는 사람이 한 번 눈으로 훑어야 한다.
• 표본 편향: 협찬 영상이 섞이면 긍정 비율이 부풀려진다. 채널 성격을 라벨링해두고 가중치를 조절하는 게 안전하다.
• 저작권·약관: 영상 자체를 재배포하는 게 아니라 내부 분석용 지표로만 쓰는 선을 지켜야 한다. 원문 대사를 그대로 카피에 베끼는 것도 금물이고, 어디까지나 “표현의 빈도”라는 통계만 참고한다.
• 인과가 아니라 상관: “조용하다는 말이 많다”는 그 강점이 잘 팔린다는 증거가 아니라, 사람들이 그걸 자주 언급한다는 사실일 뿐이다. 실제 전환은 A/B로 따로 검증해야 한다.

정리

flowchart LR
  A["영상 음성"]:::a --> B["STT 텍스트"]:::b --> C["형태소·빈도·감성"]:::c --> D["USP 키워드 3줄"]:::d
  classDef a fill:#fff3bf,stroke:#e67700,color:#8a5a00;
  classDef b fill:#e7f5ff,stroke:#1c7ed6,color:#10548f;
  classDef c fill:#f3f0ff,stroke:#7048e8,color:#4b2fa8;
  classDef d fill:#d3f9d8,stroke:#2f9e44,color:#1d6b2c;

핵심 세 줄:

1. 영상 리뷰의 강점은 “말이 길고 솔직하다”는 것 — 그 안에 카피 재료가 숨어 있다.
2. STT로 텍스트화한 뒤 빈도 × 감성 두 축으로 걸러야 진짜 USP만 남는다.
3. STT 오인식·협찬 편향·저작권 선을 인지하고, 최종 카피는 A/B로 검증한다.

리뷰어들이 반복하는 말을 그대로 상단에 배치하는 것 — 결국 마케팅은 고객의 언어를 되돌려주는 일이라는 걸 다시 확인했다.