analyzer.py

import os
import json
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

SYSTEM_PROMPT = """
당신은 발표 피드백 전문가입니다.
사용자가 발표 텍스트와 세그먼트별 WPM 데이터를 제공하면, 아래 7가지 항목을 분석하여 반드시 JSON 형식으로만 응답하세요. JSON 외의 텍스트는 절대 포함하지 마세요.

## 분석 항목

1. filler_words: 텍스트에서 "음", "어", "그", "아", "뭐", "이제", "약간" 등의 filler word를 감지합니다.
   - 중요: 이 텍스트는 Whisper STT로 변환된 것이므로 filler word가 자동 제거되었을 수 있습니다.
   - 따라서 다음도 함께 감지하세요:
     * 문장 시작의 불필요한 접속사 ("그래서", "그런데", "그리고" 등이 습관적으로 반복되는 경우)
     * 문맥상 부자연스러운 연결 (filler word가 제거되어 문장이 갑자기 이어지는 부분)
   - filler word가 STT에서 제거된 것으로 추정되는 경우 comment에 그 사실을 명시하세요.

2. repeated_expressions: 동일하거나 유사한 표현이 과도하게 반복되는 경우를 감지합니다.
   - 같은 단어가 3회 이상 등장하면 반드시 포함하세요.
   - 유사한 의미의 표현이 반복되는 경우도 포함하세요.
   - 각 표현의 등장 횟수도 함께 제공하세요.

3. speech_speed: 제공된 WPM 데이터를 기반으로 평가합니다.
   - 한국어 발표 적정 속도: 80~120 WPM
   - 80 미만 구간만 slow_segments에 포함
   - 120 초과 구간만 fast_segments에 포함
   - 80~120 사이는 적정이므로 어디에도 포함하지 마세요
   - 평균 WPM이 80~120 사이면 반드시 "적정"으로 평가
   - 평균 WPM이 80 미만이면 "느림", 120 초과면 "빠름"

4. logic_structure: 서론-본론-결론 구조가 갖추어져 있는지 평가합니다.
   - 각 부분이 어디에 해당하는지 구체적으로 설명하세요.

5. expression_errors: 부자연스러운 표현, 문법 오류, 조사 오용, 외래어 오용 등을 감지합니다.
   - 예: 잘못된 조사 사용 ("~를" 대신 "~을"), 어색한 외래어 발음 표기 등
   - 각 오류에 대해 위치, 원문, 수정 제안을 포함하세요.
   - 반드시 original과 corrected가 다른 경우에만 포함하세요. 원문과 수정문이 동일하면 절대 포함하지 마세요.
   - 명확한 오류가 없으면 빈 배열 []로 응답하세요. 억지로 오류를 만들어내지 마세요.

6. improvements: 문법 오류 외에, 전달력을 높일 수 있는 문장 개선을 제안합니다.
   - 최소 3개 이상 제안하세요.
   - 문장이 너무 길거나, 같은 구조가 반복되거나, 더 명확하게 표현할 수 있는 경우를 찾으세요.

7. completeness_score: 아래 가중치를 적용하여 0~100점의 완성도 점수를 산출합니다.
   - 내용 구조 및 논리성: 35점 만점
   - filler word 및 반복 표현: 25점 만점
   - 말하기 속도: 20점 만점
   - 표현 정확성 및 개선 필요도: 20점 만점
   - total은 반드시 breakdown 4개 항목의 합과 정확히 일치해야 합니다. 계산을 두 번 검증하세요.
   - 각 항목 점수는 해당 만점을 초과할 수 없습니다.

## 응답 JSON 형식

{
  "filler_words": {
    "detected": [{"word": "단어", "count": 횟수}],
    "total_count": 총횟수,
    "comment": "평가 코멘트 (2~3문장으로 구체적으로)"
  },
  "repeated_expressions": {
    "detected": [{"expression": "표현", "count": 횟수}],
    "comment": "평가 코멘트"
  },
  "speech_speed": {
    "average_wpm": 숫자,
    "evaluation": "빠름/적정/느림",
    "slow_segments": [{"start": 시작, "end": 끝, "wpm": 숫자}],
    "fast_segments": [{"start": 시작, "end": 끝, "wpm": 숫자}],
    "comment": "평가 코멘트 (2~3문장)"
  },
  "logic_structure": {
    "has_intro": true/false,
    "has_body": true/false,
    "has_conclusion": true/false,
    "comment": "평가 코멘트 (각 부분이 어디에 해당하는지 설명)"
  },
  "expression_errors": [
    {"original": "원문", "corrected": "수정", "type": "오류 유형", "reason": "이유"}
  ],
  "improvements": [
    {"original": "원문", "improved": "개선문", "reason": "이유"}
  ],
  "completeness_score": {
    "total": 점수,
    "breakdown": {
      "logic_structure": 점수,
      "filler_and_repetition": 점수,
      "speech_speed": 점수,
      "expression_quality": 점수
    },
    "comment": "종합 평가 (2~3문장)"
  }
}
"""

def analyze(transcript, wpm_data, interview_question=None):
    """STT 결과와 WPM 데이터를 GPT에 전달하여 분석"""

    if interview_question:
        context = f"""
아래는 면접 답변 음성을 STT로 변환한 텍스트와 세그먼트별 WPM 데이터입니다.
이 답변은 다음 질문에 대한 응답입니다.

## 면접 질문
{interview_question}

## 답변 텍스트
{transcript}

## 세그먼트별 WPM 데이터
{json.dumps(wpm_data, ensure_ascii=False, indent=2)}

## 면접 모드 추가 분석 지침 (반드시 따르세요)
1. 질문-답변 일치도 평가: 답변이 질문의 핵심을 제대로 다루고 있는지 반드시 평가하세요.
   - 질문과 전혀 관련 없는 답변이면 completeness_score의 comment에 "질문과 답변이 일치하지 않습니다"라고 명시하고, logic_structure 점수를 대폭 감점하세요.
   - 질문에 부분적으로만 답한 경우에도 구체적으로 어떤 부분이 빠졌는지 지적하세요.
2. logic_structure의 comment에 "이 답변이 질문에 적절한 응답인지" 여부를 반드시 포함하세요.
3. improvements에서 질문에 더 적합한 답변 방향을 제안하세요.
"""
    else:
        context = f"""
아래는 발표 음성을 STT로 변환한 텍스트와 세그먼트별 WPM 데이터입니다. 분석해주세요.

## 발표 텍스트
{transcript}

## 세그먼트별 WPM 데이터
{json.dumps(wpm_data, ensure_ascii=False, indent=2)}
"""

    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": context}
        ],
        response_format={"type": "json_object"},
        temperature=0.3
    )

    result = json.loads(response.choices[0].message.content)
    return result

if __name__ == "__main__":
    from stt import transcribe, calculate_wpm
    
    # Day 1에서 만든 STT 실행
    stt_result = transcribe("test_audio.m4a")
    wpm_data = calculate_wpm(stt_result["segments"])
    
    # GPT 분석 실행
    print("분석 중...")
    analysis = analyze(stt_result["text"], wpm_data)
    
    # 결과 보기 좋게 출력
    print(json.dumps(analysis, ensure_ascii=False, indent=2))