유튜브 채널 분석을 사람이 직접 하려면 영상 수백 개를 다 봐야 합니다. 이 글은 그 일을 자동화하는 파이프라인을 다룹니다. 채널 URL 하나만 넣으면 yt-dlp가 전 영상의 자막을 받아오고, Claude가 영상마다 핵심을 정제해 Obsidian에 지식 노트로 쌓은 뒤, 채널 전체를 관통하는 인사이트 리포트까지 자동으로 만들어 줍니다. 결과물은 검색 가능한 텍스트 지식베이스입니다.
직전 편 Discord 유튜브 봇 → Notion 아카이브가 영상을 한 개씩 저장하는 도구였다면, 이번 편은 채널을 통째로 분석하는 확장판입니다.
1. 왜 이게 필요한가 — 영상은 닫힌 데이터다
유튜브 영상은 검색도, 정리도, 패턴 분석도 안 되는 닫힌 데이터입니다. 정보가 음성 안에 갇혀 있어 텍스트처럼 다룰 수 없습니다. 이 한계에 부딪히는 사람은 대체로 셋으로 나뉩니다.
경쟁 채널을 벤치마킹하려는 사람 (유튜버·콘텐츠 기획자)
잘나가는 경쟁 채널에 영상이 100개, 300개씩 쌓여 있는데 다 볼 시간이 없습니다. "이 채널은 어떤 주제로 떡상했지?", "조회수 터진 영상들의 공통점은?"을 알고 싶지만, 영상을 하나하나 돌려봐야만 알 수 있습니다. 결국 감으로 추측할 뿐 데이터로 패턴을 보지 못합니다.
특정 주제를 아카이빙·학습하려는 사람 (지식 수집가)
좋아하는 전문가 채널의 핵심 지식이 영상 수십 개에 흩어져 있습니다. "그 사람이 그 얘기 어느 영상에서 했더라?" 싶어도 영상은 텍스트가 아니라 검색이 안 됩니다. 다시 보려면 영상을 처음부터 재생해야 하고, 메모하며 보면 정리는 되지만 시간이 너무 많이 듭니다.
인사이트·전략을 추출하려는 사람 (분석가·사업가)
영상 100개에서 반복되는 주제·관점·전략을 사람이 직접 뽑아내는 건 사실상 불가능합니다. 채널 전체를 관통하는 "이 사람의 핵심 메시지"를 한눈에 보기 어렵습니다.
걸리는 지점은 결국 하나입니다. 영상이라는 비정형 데이터를 사람이 다룰 수 있는 형태로 바꾸지 못한다는 것이죠. 이 도구는 채널 전체를 검색 가능한 텍스트 지식베이스 + 인사이트 리포트로 변환해 이 문제를 한 번에 해결합니다.
여기서 핵심은, 목적마다 도구를 따로 돌리는 게 아니라는 점입니다. 채널을 한 번 분석하면 한 리포트 안에 [지식] 핵심 정리 · [전략] 반복 방법론 · [경쟁] 콘텐츠 패턴 세 관점이 함께 나옵니다. 벤치마킹하러 온 사람도, 지식을 정리하러 온 사람도, 전략을 뽑으러 온 사람도 같은 리포트에서 각자 필요한 섹션을 가져갑니다.
2. 파이프라인 구조
채널 URL (@핸들)
↓
[1] fetch — yt-dlp로 전 영상 자막(.srt) + 메타(.info.json) 전수 다운로드
↓ Channel-Insights/raw/youtube/<채널>/ (원문 데이터 — 기계 적재)
[2] refine — 영상별 텍스트 정리 (검색 가능한 원문 노트)
↓ 영상 1개 = 노트 1장
[3] insight — Claude(LLM)가 raw 전체를 읽고 분석 → 주제 클러스터·전략·벤치마킹·기회
↓
Obsidian Channel-Insights/insights/<채널>/index.md + master_index.md 갱신
설계의 핵심은 두 가지입니다. 첫째, raw(원문 데이터)와 insights(LLM 분석 결과물)를 분리합니다. raw에는 자막 원문 텍스트를 가공하지 않고 그대로 쌓고(기계적 적재), insights에는 LLM이 그 raw 전체를 읽고 뽑아낸 분석을 둡니다. raw를 날것으로 남겨두면 나중에 다른 관점으로 다시 분석할 수 있습니다. 이 분리가 RAG의 정석입니다. 둘째, 이미 처리한 영상은 다시 처리하지 않습니다. 각 영상의 고유 ID(video_id)를 기준으로 중복을 거르기 때문에, 같은 채널을 다시 돌려도 기존 영상은 건너뛰고 새로 올라온 영상만 추가됩니다. 채널이 업데이트될 때마다 부담 없이 재실행할 수 있고 중복 노트도 쌓이지 않습니다.
3. 단계별 구현
3.1 fetch — 채널 전 영상 자막 전수 다운로드
yt-dlp로 채널의 모든 영상을 enumerate하고 자막과 메타데이터를 받습니다. --flat-playlist로 영상 목록을 먼저 뽑은 뒤 각 영상의 자막(.srt)과 메타(.info.json)를 내려받습니다.
python run.py --channel @채널핸들 --only fetch
자막 언어는 한국어(ko)를 우선하고 없으면 영어(en), 자동생성 자막도 받습니다. 자막이 아예 없는 영상은 건너뜁니다. 테스트할 때는 --max 10으로 10개만 처리해 동작을 먼저 확인하는 것이 좋습니다.
3.2 refine — 영상별 원문 노트 생성 (raw)
다운로드한 자막을 영상 하나씩 읽기 좋은 노트로 정리해 raw에 쌓습니다. 정해진 프롬프트(prompts/01_refine_transcript.md)로 TL;DR·핵심 포인트·태그를 붙이되 원문 맥락은 보존합니다. 영상 1개당 노트 1장이고, 무거운 채널 단위 분석은 하지 않습니다 — 그건 다음 insight 단계의 몫입니다.
python run.py --channel @채널핸들 --only refine
자막이 긴 영상은 토큰 보호를 위해 max_chars(기본 24,000자)에서 자릅니다. LLM 백엔드는 Claude CLI(claude -p), Claude Agent SDK, Anthropic API 중 고를 수 있고 기본은 CLI입니다. 추가 API 키 없이 이미 로그인된 Claude Code를 그대로 씁니다.
3.3 analyze — 채널 인사이트 리포트 생성
정제된 노트 전체를 Claude가 한 번 더 집계합니다(prompts/02_channel_insight.md). 개별 영상이 아니라 채널 전체를 관통하는 분석인데, 한 리포트에 세 관점을 고루 담도록 프롬프트를 설계했습니다.
- [지식] 핵심 정리 — 채널에서 배울 핵심 개념·주장 (학습·아카이빙용)
- [전략] 반복 방법론 — 채널 전반에서 반복되는 전략·도구를 표로 (분석용)
- [경쟁] 콘텐츠·성장 패턴 — 제목·포맷·게시 주기 (벤치마킹용)
여기에 "이 채널만의 관점", 균형 코멘트(과장·한계 점검), 벤치마킹 포인트, 대표 영상 TOP이 더해집니다. 목적이 무엇이든 한 번 돌리면 자기 관점의 섹션을 바로 찾을 수 있습니다.
python run.py --channel @채널핸들 --only analyze
결과는 Channel-Insights/insights/<채널>/index.md에 저장되고 master_index.md(전체 채널 탐색 진입점)가 갱신됩니다. 세 단계를 한 번에 돌리려면 --only 없이 실행하면 됩니다.
python run.py --channel @채널핸들
4. 자주 겪는 문제
4.1 자막이 없는 영상이 많아 분석이 비는 경우
수동 자막이 없고 자동생성 자막도 비활성화된 영상은 건너뜁니다. 이 경우 분석 대상에서 빠지므로, 자막률이 낮은 채널은 결과가 부실할 수 있습니다. 자동생성 자막까지 받도록 설정해 커버리지를 최대한 높이고, 그래도 비는 영상은 리포트에서 제외됨을 감안합니다.
4.2 yt-dlp가 봇으로 감지돼 다운로드가 막히는 경우
4.3 자동생성 자막 품질이 떨어져 정제가 부정확한 경우
자동생성 자막은 고유명사·전문용어를 잘못 받아쓰는 경우가 많습니다. 고유명사 교정 사전(dictionary.path)에 "틀린 표기 → 올바른 표기"를 등록해두면 Claude가 정제 단계에서 바로잡습니다. 채널 주제에 맞는 용어를 미리 채워두면 정확도가 올라갑니다.
5. 실제 적용 — Polymarket 채널 23편을 통째로 분석한 결과
이 파이프라인을 실제로 돌려본 사례입니다. Polymarket(예측 시장) 트레이딩을 다루는 한 영어 유튜브 채널(Kevin Callens)을 분석 대상으로 잡았습니다. 영어 영상이라 직접 다 보기엔 부담이 컸고, 흩어진 전략을 하나로 정리해 학습·리서치하는 것이 목적이었습니다.
채널의 영상 23편을 전수 처리했습니다. 각 영상의 자막을 raw에 원문 텍스트로 쌓고, 그다음 LLM이 23편 전체를 읽어 인사이트 리포트(insights)로 묶었습니다. 사람이 23개 영상을 다 보고 정리했다면 며칠이 걸렸을 일이 한 번의 파이프라인 실행으로 끝났습니다.
1) 흩어진 23편이 6개 전략으로 클러스터링됐습니다. 개별 영상 제목은 "이 봇이 월 8만 달러 번다" 식으로 제각각이었지만, 집계하니 결국 6가지 전략 패턴으로 수렴했습니다. AI가 정리한 전략 지도는 이렇습니다.
| 전략 |
한 줄 요약 |
핵심 도구 |
상대 위험도 |
| 내부자 추적 |
신규 지갑이 단일 마켓에 대규모 집중하는 패턴 탐지 |
HashDive, Polygon Scan |
높음 |
| Copy Trading 봇 |
수익 지갑의 거래를 자동 복사 |
Polybot, PolyCop, Tradeox |
중간 |
| Bond(확정 마켓) |
95%+ 확정 마켓에 막판 진입해 0.4~7% 확보 |
규칙 정독 |
낮음 |
| Front Running |
큰 거래 직후 같은 블록 진입 |
Mempool 모니터링 |
매우 높음(구조적 제약) |
| Airdrop 파밍 |
거래량 쌓아 POLY 토큰 자격 확보 |
Liquidity Rewards |
낮음~중간 |
| 자동화 봇 직접 개발 |
Claude로 CLOB API 직접 연동한 커스텀 봇 |
Safe Wallet, CLOB API |
개발 역량 의존 |
2) 반복되는 표준 도구 스택이 드러났습니다. 영상마다 다른 도구를 소개하는 것 같았지만, 집계해 보니 HashDive(분석) + Polygon Scan(온체인 추적) + Polybot/PolyCop(자동 실행) 3종 조합이 채널 전반의 사실상 표준이었습니다. 한 영상만 봐서는 안 보이는 패턴입니다.
3) AI가 위험 신호도 같이 뽑았습니다. 단순 요약이 아니라 "Front Running은 Polymarket의 admin-only 매칭 구조 때문에 실패하기 쉽다", "모든 대규모 거래가 내부자는 아니다"처럼 채널이 과장한 부분에 대한 균형 잡힌 코멘트까지 리포트에 포함됐습니다.
개별 영상만 봤다면 "이 영상은 이런 내용" 수준에 머물렀겠지만, 채널 전체를 집계하니 "이 채널을 관통하는 전략 지도"가 한 장으로 나왔습니다. 단건 요약으로는 여기까지 오지 못했을 겁니다.
[주의] 분석 대상 자막의 내용(투자 전략 등)은 교육·리서치 목적의 정리이며 투자 권유가 아닙니다. 이 글의 초점은 어디까지나 "채널을 통째로 지식베이스로 만드는 파이프라인"입니다.
마치며
유튜브 영상은 더 이상 닫힌 데이터가 아닙니다. 채널 하나를 통째로 텍스트 지식베이스로 바꿔두면, 검색 한 번으로 원하는 대목을 찾고 채널 전체의 패턴을 한눈에 봅니다. 경쟁 채널을 분석하든, 좋아하는 전문가의 지식을 아카이빙하든, 같은 파이프라인 하나로 해결됩니다.
이 도구는 Discord 콘텐츠 아카이브 시리즈와 같은 "흩어진 콘텐츠를 검색 가능한 자산으로" 흐름의 한 편입니다. 소스 코드는 GitHub 저장소에서 확인하실 수 있습니다.
댓글
댓글 쓰기