MBC AI Shorts MVP

긴 방송/예능 영상을 업로드하면 AI가 쇼츠 후보를 추천하고, 브라우저에서 자막/크롭/오버레이를 조정한 뒤 MP4로 export하는 로컬 개발용 MVP입니다.

현재 버전은 클라우드 서비스가 아니라 내 컴퓨터에서 웹 서버와 영상 처리 worker를 같이 실행하는 방식입니다. 업로드한 원본 영상, 프록시, STT 결과, 렌더 결과는 모두 로컬 storage/ 폴더에 저장됩니다.

제출 소스 코드 구조는 CODEBOOK.md에 정리되어 있고, 제품 기능과 데이터/API/worker 상세 기준 문서는 MBC_CLIPOPS_MASTER_SPEC.md입니다. 기존 스펙/피드백 문서가 서로 다른 시점의 내용을 담고 있을 때는 마스터 스펙을 우선합니다.

먼저 알아둘 것

코드를 받기만 하면 바로 실행되는 앱은 아닙니다. Node.js, Python, FFmpeg 설치가 필요합니다.
Windows는 네이티브 PowerShell 대신 WSL2 Ubuntu 환경을 권장합니다. FFmpeg, 자막 렌더링, Python worker가 더 안정적으로 동작합니다.
기본 후보 분석은 AI 분석 CLI provider를 사용합니다. 초기 검증은 Codex CLI 기반 provider로 했고, 서버에 codex login이 되어 있어야 합니다.
기본 STT는 whisper.cpp 로컬 실행입니다. 모델 파일 경로와 실행 파일 경로를 설정해야 실제 변환이 됩니다.
화자 분리는 STT가 아니라 pyannote.audio 선택 단계입니다. 켜려면 optional dependency와 Hugging Face token/model access가 필요합니다.
비용 없이 흐름만 확인하려면 .env.local에서 STT_PROVIDER=mock, CANDIDATE_PROVIDER=rules를 쓰면 됩니다.
1시간 영상은 CPU를 오래 사용합니다. 노트북 팬이 돌고 발열이 생기는 것은 정상입니다.

필요한 프로그램

항목	용도	권장 버전
Node.js	Next.js 웹 앱 실행	24.x
Python	영상 처리 worker `.venv` 생성/실행	3.11 이상
FFmpeg / ffprobe	프록시, 오디오, 렌더링 생성	최신 stable
rsvg-convert	자막 PNG overlay 생성	`librsvg` 패키지
AI 분석 CLI provider	세그먼트/제목/요약 분석	초기 검증은 Codex CLI
whisper.cpp	로컬 STT	Metal/CUDA/Vulkan/CPU 빌드
pyannote.audio	선택 화자 분리	Hugging Face token 필요
yt-dlp	YouTube VOD 다운로드	최신 stable
Git	코드 다운로드	최신 stable

Mac 설치

터미널 앱을 열고 아래 순서대로 실행합니다.

1. Homebrew 설치 확인

brew --version

명령이 없다고 나오면 Homebrew 안내에 따라 설치한 뒤 다시 진행합니다.

2. 필수 프로그램 설치

brew install node@24 python ffmpeg librsvg git

Node 24가 기본 node로 잡히지 않으면 아래를 실행합니다.

brew link --overwrite --force node@24

3. AI 분석 CLI provider 준비

초기 검증과 같은 후보 분석 경로를 쓰려면 Codex CLI가 필요합니다. 이미 설치된 환경이면 이 단계는 건너뛰고, 없으면 아래처럼 설치한 뒤 로그인합니다.

npm install -g @openai/codex

4. 설치 확인

node -v
python3 --version
ffmpeg -version
ffprobe -version
rsvg-convert --version
codex --version

node -v가 v24...로 시작하고, python3 --version이 3.11 이상이면 됩니다. 시스템 Python을 직접 쓰지 않고, 아래 앱 설정 단계에서 프로젝트 전용 .venv를 만듭니다.

Windows 서버 운영 설정

Windows 서버는 WSL2 Ubuntu 실행을 권장합니다. 네이티브 Windows에서도 가능하지만 FFmpeg, Python worker, 자막 렌더링은 WSL2에서 더 안정적입니다.

worker를 실행할 같은 계정에서 초기 검증용 AI 분석 CLI 로그인을 먼저 마칩니다.

codex login
codex exec --help

권장 .env.local 예시:

STT_PROVIDER=whisper_cpp
CANDIDATE_PROVIDER=codex_cli
CODEX_CLI_EXECUTABLE_PATH=codex
CODEX_CLI_MODEL=gpt-5.5
WHISPER_CPP_BINARY_PATH=/home/mbc/bin/whisper-cli
WHISPER_CPP_MODEL_PATH=/home/mbc/models/ggml-large-v3.bin
WHISPER_CPP_BACKEND=cuda
WHISPER_CPP_THREADS=0
YT_DLP_BINARY_PATH=yt-dlp

CUDA가 준비되지 않았으면 WHISPER_CPP_BACKEND=cpu 또는 vulkan으로 낮춰 시작하세요.

Mac Studio 운영 설정

Mac Studio는 권장 운영 환경입니다.

1. AI 분석 CLI provider 준비

초기 검증은 Codex CLI 기반 provider로 진행했습니다. 서버 운영 계정에서 한 번 로그인합니다.

codex login
codex exec --help

worker는 로그인된 CLI provider를 통해 후보 분석 요청을 실행합니다.

2. whisper.cpp 준비

Mac에서는 Homebrew whisper-cpp와 프로젝트 로컬 모델 디렉터리를 쓰는 구성을 권장합니다.

brew install whisper-cpp
npm run whisper:download

npm run whisper:download는 models/whisper/ 아래에 tiny, base, small, medium, large-v3-turbo, large-v3 GGML 모델을 내려받습니다. 이 폴더는 git에 포함하지 않습니다. 설정 화면의 STT 섹션에서 다운로드된 모델을 선택할 수 있습니다.

models/whisper/는 whisper.cpp STT 모델 전용입니다. pyannote 화자 분리 모델은 이 폴더에 직접 넣지 않습니다.

.env.local 예시:

STT_PROVIDER=whisper_cpp
CANDIDATE_PROVIDER=codex_cli
CODEX_CLI_EXECUTABLE_PATH=codex
CODEX_CLI_MODEL=gpt-5.5
CODEX_CLI_TIMEOUT_SEC=180
WHISPER_CPP_BINARY_PATH=/opt/homebrew/bin/whisper-cli
WHISPER_CPP_MODEL_DIR=./models/whisper
WHISPER_CPP_MODEL_PATH=./models/whisper/ggml-large-v3.bin
WHISPER_CPP_BACKEND=metal
WHISPER_CPP_THREADS=0
OPENAI_API_KEY=

Gemini API provider로 전환해 테스트하려면 아래 값을 사용합니다.

CANDIDATE_PROVIDER=gemini
GEMINI_API_KEY=...
GEMINI_MODEL=gemini-3.5-flash
GEMINI_TIMEOUT_SEC=180

Windows 설치

Windows에서는 WSL2 Ubuntu를 사용합니다. 이후 명령은 Ubuntu 터미널에서 실행합니다.

1. WSL2 Ubuntu 설치

PowerShell을 관리자 권한으로 열고 실행합니다.

wsl --install -d Ubuntu

설치가 끝나면 컴퓨터를 재시작하고, 시작 메뉴에서 Ubuntu를 엽니다. 처음 실행할 때 Ubuntu 사용자 이름과 비밀번호를 만듭니다.

이미 WSL이 설치되어 있다면 아래로 확인합니다.

wsl --list --verbose

2. Ubuntu 패키지 설치

Ubuntu 터미널에서 실행합니다.

sudo apt update
sudo apt install -y curl git python3 python3-venv ffmpeg librsvg2-bin

3. Node.js 24 설치

Ubuntu 터미널에서 실행합니다.

curl -fsSL https://deb.nodesource.com/setup_24.x | sudo -E bash -
sudo apt install -y nodejs

4. AI 분석 CLI provider 준비

초기 검증과 같은 후보 분석 경로를 쓰려면 Codex CLI가 필요합니다.

npm install -g @openai/codex

5. 설치 확인

node -v
python3 --version
ffmpeg -version
ffprobe -version
rsvg-convert --version
codex --version

node -v가 v24...로 시작하면 됩니다.

프로젝트 받기

GitHub URL은 공유받은 주소로 바꿔서 실행합니다.

git clone <공유받은-repo-url>
cd mbc

이미 폴더를 zip으로 받았다면 압축을 풀고 터미널에서 해당 폴더로 이동합니다.

cd /path/to/mbc

Windows WSL에서는 되도록 Ubuntu 홈 아래에 프로젝트를 두세요.

cd ~
git clone <공유받은-repo-url>
cd mbc

/mnt/c/... 아래에서 실행하면 대용량 영상 처리 속도가 느릴 수 있습니다.

앱 설정

1. 패키지 설치

npm install

2. Python worker 환경 만들기

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

이후 worker 관련 명령은 .venv가 활성화된 터미널에서 실행합니다. 특정 Python으로 venv를 만들고 싶으면 python3 대신 해당 실행 파일을 사용하세요. 예: /opt/homebrew/bin/python3 -m venv .venv.

화자 분리까지 실행하려면 optional dependency를 추가로 설치합니다.

python -m pip install -e '.[diarization]'

3. 환경 파일 만들기

cp .env.example .env.local

.env.local을 열고 값을 확인합니다.

기본 운영값:

STT_PROVIDER=whisper_cpp
CANDIDATE_PROVIDER=codex_cli
CODEX_CLI_EXECUTABLE_PATH=codex
CODEX_CLI_MODEL=gpt-5.5
WHISPER_CPP_BINARY_PATH=/absolute/path/to/whisper-cli
WHISPER_CPP_MODEL_DIR=/absolute/path/to/models/whisper
WHISPER_CPP_MODEL_PATH=/absolute/path/to/models/whisper/ggml-large-v3.bin
WHISPER_CPP_BACKEND=auto
FFMPEG_BINARY_PATH=ffmpeg
YT_DLP_BINARY_PATH=yt-dlp
LIVE_CHUNK_DURATION_SEC=30
LIVE_RECORD_DURATION_SEC=300
OPENAI_API_KEY=

화자 분리를 켤 때 추가할 값:

DIARIZATION_PROVIDER=pyannote
PYANNOTE_AUTH_TOKEN=hf_...
PYANNOTE_MODEL=pyannote/speaker-diarization-community-1

STT_DIARIZATION_PROVIDER=pyannote도 허용됩니다. token은 HF_TOKEN 또는 HUGGINGFACE_TOKEN으로 넣어도 됩니다. pyannote 모델 약관을 Hugging Face에서 승인하지 않았거나 token이 없으면 STT는 계속 성공하고 analysis/diarization.json에 skipped 사유가 저장됩니다.

화자 분리 모델 준비는 Hugging Face 쪽에서 합니다.

Hugging Face 계정으로 pyannote/speaker-diarization-community-1 모델 접근 약관을 승인합니다.
read 권한 token을 발급해 PYANNOTE_AUTH_TOKEN, HF_TOKEN, 또는 HUGGINGFACE_TOKEN에 넣습니다.
첫 실행 때 pyannote.audio가 모델을 내려받아 기본 Hugging Face 캐시에 저장합니다. macOS/Linux 기본 위치는 ~/.cache/huggingface/hub/models--pyannote--speaker-diarization-community-1/입니다.

따라서 제출/복사본에는 pyannote 모델 파일을 포함하지 않습니다. 캐시 위치를 바꾸고 싶으면 실행 환경에서 HF_HOME 또는 Hugging Face 캐시 관련 환경변수를 별도로 지정하세요.

비용 없이 테스트만 할 때:

STT_PROVIDER=mock
CANDIDATE_PROVIDER=rules
OPENAI_API_KEY=

OpenAI STT fallback을 명시적으로 쓸 때:

STT_PROVIDER=openai
CANDIDATE_PROVIDER=codex_cli
OPENAI_API_KEY=...
OPENAI_TRANSCRIBE_MODEL=whisper-1
OPENAI_TRANSCRIBE_LANGUAGE=ko

API key는 절대 GitHub, 메신저, 문서에 그대로 올리지 마세요.

실행 방법

터미널 2개를 열어야 합니다.

먼저 .venv가 준비되어 있어야 합니다.

source .venv/bin/activate
python --version

터미널 1: 웹 앱 실행

npm run dev

브라우저에서 엽니다.

http://localhost:3000

터미널 2: 영상 처리 worker 실행

npm run worker:run

업로드, 분석, STT, 후보 생성, export 작업은 이 worker가 처리합니다. 웹 화면만 켜고 worker를 켜지 않으면 큐가 진행되지 않습니다.

기본 사용 흐름

http://localhost:3000 접속
작업 생성: 프리셋, Reference Channel, 비디오/썸네일 템플릿을 선택하고 필요하면 오토 모드를 켭니다.
오토 모드만 켜면 선택된 top N 구간이 검수 및 업로드 준비까지 자동 진행되고, SNS Connect 자동 업로드도 켠 경우에만 실제 private YouTube 업로드를 시도합니다.
로컬 파일 작업은 생성 요청에서 원본을 함께 업로드하고, YouTube URL 작업은 worker 큐에 등록되어 yt-dlp로 VOD를 다운로드합니다.
worker 터미널 또는 Job Space live log에서 분석/렌더/export/publish 진행을 확인합니다.
수동 워크플로우는 Job Space에서 세그먼트 검수, 자막 편집, AI 문안/메타데이터, 클립 디자인, 썸네일 디자인을 차례로 진행합니다.
pyannote 화자 분리가 완료된 작업은 자막 편집 UI에서 SPEAKER_00 같은 화자 라벨과 색상 스와치를 보여줍니다. 최종 렌더 자막에는 화자 라벨을 넣지 않습니다.
썸네일 디자인 진입 시 AI 프레임 추천이 없으면 1회 자동 실행되고, 추천 1순위 프레임이 편집기의 기본 이미지로 들어갑니다.
최종 검수 및 업로드 페이지에서 MP4 렌더/재생성, 썸네일 PNG 생성/재생성, 다운로드, 게시 메타데이터 저장을 진행합니다.
SNS 자동 업로드 또는 수동 게시 액션으로 YouTube/Meta/TikTok 게시 큐를 등록하거나 완료된 MP4/PNG를 다운로드합니다.

외부 계정과 인증

기본 실행은 로그인 없이 열립니다. 내부망 운영에서 로그인을 강제하려면 .env.local에 아래를 추가합니다.

MBC_REQUIRE_AUTH=true

처음에는 /login에서 최초 관리자 탭으로 관리자 계정을 만들고, 이후 같은 화면에서 로그인합니다. 역할은 admin, editor, viewer를 사용하며, 작업 생성/게시 같은 변경 API는 editor 이상, 설정/OAuth 연결은 admin 권한을 요구합니다.

YouTube 실제 연동:

GOOGLE_CLIENT_ID=...
GOOGLE_CLIENT_SECRET=...
GOOGLE_REDIRECT_URI=http://localhost:3000/api/accounts/youtube/callback
YOUTUBE_UPLOAD_MODE=real

서버에 이미 access token을 주입하는 운영 방식이면 YOUTUBE_ACCESS_TOKEN을 사용할 수 있습니다. YouTube URL 다운로드는 YT_DLP_BINARY_PATH로 지정한 yt-dlp를 worker가 실행합니다.

Meta/TikTok 실제 게시:

META_ACCESS_TOKEN=...
META_PAGE_ID=...
TIKTOK_ACCESS_TOKEN=...
PUBLIC_ASSET_BASE_URL=https://your-public-host.example

Meta/TikTok 게시 API는 외부 플랫폼이 접근할 수 있는 최종 영상 URL이 필요합니다. 요청에 publicVideoUrl을 직접 넘기거나, 렌더 결과의 renderedAssetId와 PUBLIC_ASSET_BASE_URL을 설정해 /api/rendered-assets/{assetId}/download 공개 URL을 자동 생성합니다. 로컬 localhost URL은 외부 플랫폼에서 접근할 수 없으므로 실제 운영에서는 NAS/CDN/공개 사내 미디어 게이트웨이 도메인을 사용해야 합니다.

비용 기준

STT_PROVIDER=whisper_cpp, CANDIDATE_PROVIDER=codex_cli 조합은 OpenAI API 과금 없이 서버 로컬 리소스와 로그인된 AI 분석 CLI provider를 사용합니다.

STT_PROVIDER=openai일 때 STT API 비용이 발생합니다.

현재는 영상 전체 오디오를 STT에 보냅니다.
실제 말한 시간만큼만 과금되는 구조는 아직 아닙니다.
같은 원본 파일, 같은 STT provider/model/language/diarization 설정으로 다시 분석하면 storage/stt-cache/를 재사용해 STT를 다시 호출하지 않습니다.
pyannote가 켜져 있고 캐시된 diarization이 completed가 아니면 캐시된 STT 전사는 재사용하되 diarization만 다시 시도합니다.
다른 컴퓨터에서는 캐시가 없으므로 같은 영상도 STT 비용이 다시 발생할 수 있습니다.

후보/세그먼트 추천은 초기 검증 기준으로 CANDIDATE_PROVIDER=codex_cli를 사용합니다. Gemini API provider를 쓸 경우 CANDIDATE_PROVIDER=gemini와 GEMINI_API_KEY를 설정하세요. 비용 없이 테스트하려면 rules를 사용하세요.

데이터 저장 위치

기본 저장 위치는 storage/입니다. Next.js 서버와 Python worker가 같은 MBC_STORAGE_ROOT를 사용해야 하며, DB에는 절대 경로가 아니라 storage root 기준 상대 경로를 저장합니다.

storage/
  mbc.sqlite                         # metadata, queue, settings, auth, publish state
  mbc.sqlite-wal
  mbc.sqlite-shm
  stt-cache/
    {cache_key}/
      transcript.json
      word_timestamps.json
      diarization.json
  projects/
    {project_id}/
      source/
        upload_{id}/
          source.{mp4|mov|m4v}        # immutable uploaded original
      proxy/
        proxy.mp4
      audio/
        audio.wav
        audio_stt.m4a
      analysis/
        ffprobe.json
        metadata.json
        transcript.json
        word_timestamps.json
        diarization.json
        candidate_clips.json
        analysis_summary.json
      thumbnails/
        thumb_000001.jpg
      overlays/
        {asset_id}.{png|jpg|jpeg}
      edits/
        {candidate_id}/
          render_config.json
      renders/
        {render_job_id}/
          final.mp4
          render_manifest.json
          ffmpeg.log
      jobs/
        {queue_job_id}/
          status.json
          worker.log

storage/는 Git에 올라가지 않습니다. 컴퓨터마다 별도 데이터가 생깁니다.

SQLite는 storage/mbc.sqlite 한 파일을 metadata와 queue DB로 사용합니다. 핵심 테이블은 projects, source_videos, queue_jobs, clip_candidates이며, 전체 schema는 db/schema.sql에 있습니다.

Queue 규칙:

Next.js 서버는 queue_jobs.status = "queued" 작업을 생성합니다.
Python worker는 BEGIN IMMEDIATE로 가장 오래된 eligible queued job을 claim하고 running, locked_by, locked_at, locked_until, stage, progress를 갱신합니다.
locked_until이 지난 stale running job은 attempt_count < max_attempts일 때 다시 queued 처리됩니다.
완료 job은 artifact 상대 경로를 result JSON에 저장하고, 실패 job은 error_message를 기록합니다.
STT cache는 source_sha256 + provider + model + language + diarization fingerprint 기준이며, pyannote 활성/비활성 실행이 서로 섞이지 않습니다.

Path 규칙:

사용자가 올린 파일명은 storage 파일명으로 사용하지 않습니다.
기본 업로드 제한은 MBC_MAX_UPLOAD_BYTES이며 기본값은 10GB입니다.
API는 proxy, audio, metadata 같은 known file type만 제공합니다.
작업 삭제는 작업 산출물을 삭제하되 STT cache는 보존합니다.

문서 구조

제출본 문서는 루트에만 둡니다.

README.md: 설치, 실행, 환경변수, 운영/검증 방법.
CODEBOOK.md: 제출 소스 코드 구조와 주요 실행 단위 안내.
MBC_CLIPOPS_MASTER_SPEC.md: 제품 기능, UI 방향, 데이터/저장소/worker/API 스펙.

로컬 데이터 초기화

모든 프로젝트, 업로드 영상, STT 캐시, 렌더 결과를 지우고 새로 시작하려면 앱과 worker를 끈 뒤 실행합니다.

rm -rf storage

Windows WSL에서도 Ubuntu 터미널에서 같은 명령을 사용합니다.

테스트와 검증

코드가 정상인지 확인하려면 실행합니다.

source .venv/bin/activate
npm run verify

이 명령은 TypeScript, ESLint, unit test, Python worker test, Next.js build를 순서대로 실행합니다.

웹 UI 없이 로컬 영상으로 전처리 파이프라인만 테스트할 수도 있습니다.

npm run pipeline:preprocess -- /absolute/path/to/video.mp4

여러 파일도 한 번에 처리할 수 있습니다.

npm run pipeline:preprocess -- /path/a.mp4 /path/b.mov

JSON 요약이 필요하면 --json을 붙입니다.

npm run pipeline:preprocess -- --json /absolute/path/to/video.mp4

이 명령은 로컬 영상을 storage/projects/{project_id}/source/upload_{id}/source.{ext}로 복사하고, storage/mbc.sqlite에 project/source/queue row를 만든 뒤 worker와 같은 경로로 analyze_video 작업을 처리합니다. 성공하면 analysis/ffprobe.json, analysis/metadata.json, analysis/transcript.json, analysis/word_timestamps.json, analysis/diarization.json, analysis/candidate_clips.json, analysis/analysis_summary.json, proxy/proxy.mp4, audio/audio.wav, audio/audio_stt.m4a, thumbnails/thumb_000001.jpg가 생성됩니다.

기본 샘플 명령은 아래 파일을 기대합니다. 이 영상 파일은 제출본에 포함하지 않습니다.

npm run pipeline:sample

.video/나혼산.mp4

마지막으로 기록된 샘플 baseline은 약 25분 05초, 94MB H.264/AAC 영상입니다. 전처리 결과 예시는 transcript segment 636개, word 1467개, 후보 5개, 9:16 렌더 샘플 12.012초/1080x1920/약 2.5MB입니다. OpenAI whisper-1을 쓸 경우 같은 길이 기준 STT 비용은 약 $0.15였고, whisper.cpp를 쓰면 STT는 로컬 모델로 처리됩니다.

자주 나는 문제

업로드 후 분석이 멈춘 것처럼 보임

npm run worker:run이 켜져 있는지 확인하세요. worker가 꺼져 있으면 큐가 처리되지 않습니다.

`ffmpeg` 또는 `ffprobe`를 찾을 수 없음

FFmpeg가 설치되지 않았거나 터미널 PATH에 없습니다. Mac은 brew install ffmpeg, Windows WSL은 sudo apt install -y ffmpeg를 실행하세요.

자막이 export에 안 보임

rsvg-convert가 설치되어 있는지 확인하세요.

Mac:

brew install librsvg

Windows WSL:

sudo apt install -y librsvg2-bin

자막 편집 UI에 화자 라벨이 안 보임

analysis/diarization.json의 status를 확인하세요. completed가 아니면 pyannote가 실행되지 않았거나 Hugging Face token/model access가 막힌 상태입니다. DIARIZATION_PROVIDER=pyannote, PYANNOTE_AUTH_TOKEN 또는 HF_TOKEN, optional dependency 설치 상태를 확인하세요.

OpenAI key 오류

.env.local에 OPENAI_API_KEY가 들어 있는지 확인하세요. 실제 STT를 쓰려면 STT_PROVIDER=openai도 설정되어 있어야 합니다.

1시간 영상 처리 중 컴퓨터가 뜨거워짐

정상입니다. 프록시 생성, 오디오 추출, 렌더링은 FFmpeg가 CPU를 많이 사용합니다. 다른 무거운 프로그램을 닫고 전원 연결 상태에서 실행하세요.

현재 운영상 주의점

업로드와 렌더링은 서버/worker가 실행되는 컴퓨터에서 처리됩니다.
STT 비용 최적화용 VAD 처리는 아직 후속 TODO입니다.
pyannote 화자 분리는 별도 로컬 단계이며, whisper.cpp 자체 화자 분리 기능으로 취급하지 않습니다.
YouTube/Meta/TikTok 실제 게시에는 각 플랫폼의 OAuth, 앱 심사, quota, 공개 미디어 URL 제약이 적용됩니다.
Meta/TikTok은 로컬 파일 직접 업로드가 아니라 공개 URL 기반 게시 경로로 구현되어 있습니다.

Name		Name	Last commit message	Last commit date
Latest commit History 2 Commits
config		config
db		db
public		public
scripts		scripts
src		src
tests		tests
worker		worker
.env.example		.env.example
.gitignore		.gitignore
CODEBOOK.md		CODEBOOK.md
MBC_CLIPOPS_MASTER_SPEC.md		MBC_CLIPOPS_MASTER_SPEC.md
README.md		README.md
eslint.config.mjs		eslint.config.mjs
next-env.d.ts		next-env.d.ts
next.config.ts		next.config.ts
package-lock.json		package-lock.json
package.json		package.json
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt
tsconfig.json		tsconfig.json
vitest.config.ts		vitest.config.ts

Folders and files

Latest commit

History

Repository files navigation