ASR 기반 텍스트 생성에서 Forced Alignment 기반 타이밍 추출로의 소스 설계 전환

Context

기존 자막 생성 워크플로우는 Audio-to-Text 방식의 ASR을 Source of Truth로 처리하여 승인된 스크립트가 존재함에도 텍스트 변형이 발생하는 한계 존재. 특히 기술 용어의 정규화나 숫자 표기 변경으로 인한 데이터 오염 및 컴플라이언스 리스크 발생 가능성 상존.

Technical Solution

• Script-First 워크플로우 설계를 통한 텍스트 소유권의 스크립트 고정
• ASR 모델을 텍스트 생성기가 아닌 Acoustic Evidence 및 타이밍 증거 추출 도구로 역할 재정의
• Forced Alignment 기법을 적용하여 기정의된 텍스트의 오디오 내 위치를 찾는 구조로 전환
• Text Normalization 및 Audio Segmentation 단계를 거쳐 정밀한 Cue Generation 수행
• ASR 출력값과 스크립트 간의 Mismatch Detection 로직을 통해 수동 검토가 필요한 지점만 표면화
• 기계적 자동 수정 대신 Uncertainty Signal을 제공하여 사용자 신뢰도를 높인 Review-driven 구조 설계