🧩 사용자 흐름(유저 플로우) 구조 요약

🎬 [사전 진행] (운영자 측, 한 번만 수행)

단계 설명
1. 특징 추출 원곡 오디오로부터 pitch / tempo / rhythm / timbre 추출
2. 결과 저장 JSON 파일에 {곡명}/{악기명} 키로 저장예: "Yesterday/vocals"

👤 [사용자 행동 이후]

단계 설명
3. 사용자가 연주 완료 프론트엔드에서 업로드 → 오디오 서버 저장 (이 부분은 이미 준비됨)
4. 사용자 오디오 분석 동일한 방식으로 pitch, tempo, onset, MFCC 특징 추출
5. 비교 및 점수화 원곡 특징과 사용자 연주 특징을 비교 → analyze_* 함수로 점수 계산
6. 결과 반환 점수 및 세부 유사도 분석 결과를 백엔드로 반환 (예: JSON 응답)

✅ 이 구조의 장점


⚠️ 잠재적인 걸림돌 & 해결 방안

문제 설명 해결 방안
1. 원곡/커버 매칭 불일치 원곡의 "{곡명}/{악기}" 키와 커버 업로드 시 인식된 곡명/악기가 다르면 비교 불가 업로드 시 곡 ID, 악기 ID 명시 or 음원 저장 경로 규격화
2. 오디오 길이 차이 커버 연주자가 중간에 멈췄거나 템포가 다르면 길이 mismatch librosa.util.fix_length() or dynamic time alignment 활용
3. feature extraction 재현성 문제 pyin, onset 같은 특징 추출은 sampling/추출 frame에 따라 미세하게 차이 남 sampling rate, frame length, hop length 등 모든 설정 고정
4. JSON 저장 크기 증가 악기 수 많고 분석 항목 많아질수록 JSON 파일 커짐 features.json과 results.json을 분리 관리
5. 사용자 음원의 품질 문제 녹음이 너무 작거나 noise가 심한 경우 특징 추출 정확도 낮아짐 최소 신호 레벨 체크, SNR 기준 필터링 또는 클리핑 처리
6. 실시간 응답 부담 pitch, onset 등 느린 feature 추출 시 요청 대기 시간 발생 가능 비동기 큐 처리 (Celery, RQ 등) or 실시간 버전에서는 Fast 평가로 다운그레이드

💡 실제로 구현 시 권장 패턴