텍스트 기반 영상 편집이란? 전사문으로 컷을 만드는 방법

텍스트 기반 영상 편집은 전사문을 편집해 영상을 편집하는 방식입니다. 텍스트에서 단어나 문장을 지우면, 그에 해당하는 화면과 소리 구간이 영상에서 잘려 나갑니다. 이 방식이 가능한 이유는 전사된 단어마다 시작 시간과 끝 시간이 있어서, 남긴 단어들이 그대로 렌더링할 시간 구간이 되기 때문입니다.

Sume API에서는 이 파이프라인을 직접 만듭니다. 영상 검사로 클립을 전사하고, 남긴 단어를 구간으로 바꾼 다음, 그 구간들을 Timeline 1.0으로 렌더링하세요. 아래 내용은 2026-09-28에 확인한 영상 검사, Timeline 1.0, 오디오 분리 문서와 Sume API 레퍼런스를 기준으로 합니다. 현재 동작이라고 설명한 내용은 Sume의 코드에서 확인한 것입니다.

전사문 편집은 어떻게 컷이 되나요?

전사문의 모든 단어에는 영상 시간을 기준으로 한 시작과 끝이 있습니다. 단어를 지우면 남은 단어들이 연속된 묶음을 이루고, 남긴 단어의 묶음 하나하나가 첫 단어의 시작부터 마지막 단어의 끝까지인 구간 하나가 됩니다. 이 구간들을 차례로 이어 재생한 것이 편집된 영상이며, 구간 사이의 경계 하나하나가 컷입니다. 아래 표는 각 요소를 담는 Sume 필드를 보여 줍니다.

단어 타이밍이 담긴 전사문은 어떻게 받나요?

클립을 transcribe: true와 함께 POST /v1/video-inspect로 보내세요. frames: false를 넣으면 스틸을 건너뜁니다. 클립은 워크스페이스에 있는 media.sume.com 아티팩트나 에셋이어야 하며, language_code는 선택 사항인 힌트입니다(생략하면 자동 감지). 문장 단위로 편집하려면 segmentation을 추가하세요. 전사문은 오디오 분당 $0.01로 과금되고 duration_seconds 힌트를 기준으로 예약되며(생략하면 일 분), 프로브 자체는 과금되지 않습니다.

curl -X POST https://api.sume.com/v1/video-inspect \
  -H "Authorization: Bearer $SUME_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: talk-transcript-001" \
  -d '{
    "video_url": "https://media.sume.com/artifacts/artf_demo/talk.mp4",
    "frames": false,
    "transcribe": true,
    "segmentation": { "mode": "sentence" }
  }'

남긴 단어는 어떻게 구간으로 바꾸나요?

어떤 단어를 지웠는지는 여러분의 편집 도구가 기록합니다. 아래 함수는 나머지 단어를 (source_in, duration) 쌍으로 바꿉니다. API 레퍼런스는 word만 필수로 표시하므로, 이 함수는 타이밍이 없는 항목을 건너뜁니다.

def kept_ranges(words, deleted):
    """(source_in, duration) for each run of kept words.
    words: transcript.words[]; deleted: indexes the editor removed."""
    ranges, run = [], None
    for i, w in enumerate(words):
        if i in deleted:
            run = None  # a deleted word ends the run
        elif "start" in w and "end" in w:
            if run is None:
                run = [w["start"], w["end"]]
                ranges.append(run)
            else:
                run[1] = w["end"]  # same run, later end
    return [(s, round(e - s, 3)) for s, e in ranges]

컷은 어디에 두어야 하나요?

• 쉼 안에 두세요. 단어 가장자리가 잘리지 않도록 남긴 각 단어의 end 뒤에 약간의 여유를 두되, 다음에 오는 지운 단어에는 닿지 않게 하세요. 여유를 두는 코드는 영상에서 무음 구간을 제거하는 방법에서 보여 줍니다.
• 문장 단위로 편집한다면 문장 경계에 두세요. API 레퍼런스는 segments[]를 갭 없는 문장으로 설명하므로, 문장을 지우면 정확히 그 문장의 구간만 빠지고 남긴 문장들은 경계에서 맞닿습니다.
• 구간이 Timeline 슬롯의 최소 길이인 0.2초보다 짧아질 만큼 컷을 가깝게 두지 마세요. 그렇게 짧은 구간은 이웃 구간과 합치거나 버리세요.

편집한 영상은 어떻게 렌더링하나요?

구간들을 Timeline 1.0 렌더 한 번에서 차례로 이어 재생하세요. 각 구간은 원본 클립의 video[] 슬롯 하나와, POST /v1/audio-detach로 분리한 클립 소리의 audio.parts[] 조각 하나가 되며, 둘 다 그 구간의 source_in과 duration을 씁니다. API로 영상 일부 잘라내기는 구간이 20개를 넘을 때의 처리를 포함해 이 렌더를 단계별로 만들고, 영상에서 무음 구간을 제거하는 방법은 지운 단어 대신 쉼을 기준으로 같은 종류의 컷 목록을 만듭니다.

렌더는 API 요금에 출력 분당 $0.10로 나와 있습니다. 각 단계는 따로 과금되며, 기본적으로 5.5% 에이전트 수수료가 더해집니다.

한도는 어떻게 되나요?

• Sume API는 전사문과 렌더를 제공합니다. 사람이 단어를 지우는 화면은 직접 만들어야 합니다.
• 전사문의 duration_seconds 힌트는 600초(10분)가 상한이므로, 더 긴 영상은 영상 트림으로 여러 부분으로 나눈 뒤 각각 전사하세요.
• 오디오 트랙이 없는 클립은 inspect_source_has_no_audio로 실패합니다.
• 컷은 단어 타이밍이 가리키는 곳에만 들어갑니다. 게시하기 전에 편집본을 처음부터 끝까지 재생해 보세요.