---
title: "콜센터 통화 녹음 전사: 코드가 포함된 파이프라인 | BroadRouter"
description: "스테레오 통화를 채널별로 나누고, 발화 구간을 자르고, 아랍어와 영어를 전사하고, 개인정보를 가리고, LLM으로 통화를 요약합니다. 비용까지 담은 Python 파이프라인입니다."
url: https://broadrouter.com/ko/blog/transcribe-call-center-recordings/
lang: ko
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/blog/transcribe-call-center-recordings/) (2026-11-14 업데이트).

# 콜센터 녹음 전사하는 법: 아랍어까지 지원하는 파이프라인

BroadNet Inference 팀 · 4분 분량 · 게시 2026-11-14

콜센터 녹음을 전사하려면 스테레오 파일을 상담원과 고객 채널로 나누고, 채널마다 발화 구간으로 자른 뒤, 구간마다 올바른 언어 코드로 전사하고, 시작 시각 순으로 합치세요. LLM이 통화를 요약하기 전에 전사본에서 카드 번호와 전화번호를 가리세요. 모노 녹음에는 별도의 화자 분리 단계가 필요합니다.

## 핵심 요약

-   대부분의 통화 녹음기는 상담원과 고객을 서로 다른 스테레오 채널에 저장합니다. 채널을 나누면 화자 분리 없이도 완벽한 화자 라벨을 얻습니다.
-   채널마다 무음 지점에서 자르면 발화 순서를 알 수 있고, 무음 구간에 비용을 내지 않아도 됩니다.
-   가리기 전에 동부 아랍 숫자를 정규화하세요. 그렇지 않으면 카드 번호와 전화번호가 빠져나갑니다.
-   요약 단계 전에 전사본의 개인정보를 가리고, LLM에는 구조화된 JSON을 요청하세요.
-   분당 $0.0042 요금이면 아랍어 음성 1,000시간 전사에 $252.00 금액이 듭니다.

**이 페이지의 내용**

1.  1단계: 녹음이 스테레오인가요, 모노인가요?
2.  2단계: ffmpeg로 스테레오 채널을 어떻게 나누나요?
3.  3단계: 채널을 발화 구간으로 어떻게 자르나요?
4.  4단계: 구간마다 어떻게 전사하나요?
5.  5단계: 구간을 어떻게 대화로 합치나요?
6.  모노 녹음은 어떻게 하나요?
7.  6단계: 아랍 숫자까지 포함해 개인정보를 어떻게 가리나요?
8.  7단계: LLM으로 통화를 어떻게 요약하나요?
9.  분석 전에 어떤 품질 검사를 해야 하나요?
10.  통화 전사 비용은 얼마인가요?
11.  BroadNet Inference의 역할

_[image: A support agent with a headset beside a screen showing a call transcript, with the text "Every call becomes insight."]_

Illustration of an app you could build; not a BroadNet product screenshot.

콜센터는 한 달에 수천 시간의 오디오를 만들어 내지만, 그중 읽히는 것은 거의 없습니다. 전사본이 있으면 통화를 검색할 수 있고, 요약이 있으면 검토할 수 있습니다. 이 글은 방언, 아랍어와 영어의 혼용, 동부 아랍 숫자라는 아랍어 관점을 담아 파이프라인을 처음부터 끝까지 만듭니다.

단계는 다음과 같습니다.

1.  녹음 확인: 스테레오인가, 모노인가?
2.  스테레오를 상담원과 고객 채널로 분리.
3.  채널마다 발화 구간으로 자르기.
4.  구간마다 올바른 언어로 전사.
5.  시작 시각 순으로 구간을 합쳐 대화로 만들기.
6.  텍스트에서 개인정보(PII) 가리기.
7.  LLM으로 구조화된 필드에 요약.

## 1단계: 녹음이 스테레오인가요, 모노인가요?

```bash
ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6   -> stereo, 8 kHz telephone audio, 6.9 minutes
```

콘택트 센터 녹음기 중에는 상담원을 한 채널에, 고객을 다른 채널에 저장하는 것이 많습니다. [AssemblyAI의 콘택트 센터 가이드](https://www.assemblyai.com/docs/contact-center-best-practices)도 같은 점을 지적합니다. 채널이 분리되어 있으면 화자 분리 없이도 화자를 구분할 수 있습니다. 몇 건의 통화로 어느 쪽이 누구인지 확인하세요. 상담원이 항상 왼쪽에 있는 것은 아닙니다.

## 2단계: ffmpeg로 스테레오 채널을 어떻게 나누나요?

```bash
ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav
```

`pan` 필터는 채널 하나만 남기고, `-ar 16000`은 BroadNet 문서가 전화 녹음에 쓰는 형식인 16kHz로 리샘플링합니다.

## 3단계: 채널을 발화 구간으로 어떻게 자르나요?

이것은 [음성 활동 감지(VAD)](https://broadrouter.com/ko/glossary/vad/)의 간단한 형태입니다. 채널 전체를 보내도 작동하지만, 상대방이 말하는 동안의 무음 1초 1초에 모두 비용을 내게 되어 스테레오 통화에서는 청구액이 대략 두 배가 됩니다. 발화 순서도 잃게 됩니다. 무음 지점에서 자르면 둘 다 해결됩니다.

```python
import re, subprocess

def speech_turns(wav, noise="-35dB", min_silence=0.6):
    """Return (start, end) seconds of speech, using ffmpeg silencedetect."""
    log = subprocess.run(
        ["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
        capture_output=True, text=True).stderr
    dur = float(subprocess.run(
        ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
        capture_output=True, text=True).stdout)
    starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
    ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
    turns, cursor = [], 0.0
    for s, e in zip(starts, ends + [dur]):
        if s - cursor > 0.4:
            turns.append((cursor, s))
        cursor = e
    if dur - cursor > 0.4:
        turns.append((cursor, dur))
    return turns
```

`noise`는 자체 녹음으로 조정하세요. 잡음이 많은 회선에는 `-30dB`처럼 더 높은 임계값이 필요합니다.

## 4단계: 구간마다 어떻게 전사하나요?

```python
import os, tempfile
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def transcribe_turns(wav, speaker, language="ar"):
    out = []
    for start, end in speech_turns(wav):
        with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
            subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
                            "-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
            with open(seg.name, "rb") as audio:
                text = client.audio.transcriptions.create(
                    model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
        out.append({"start": start, "speaker": speaker, "text": text.strip()})
    return out
```

`language`는 항상 보내세요. 지정하지 않으면 아랍어가 라틴 문자로 돌아올 수 있습니다. 영어 상담 큐에는 `broadnet/cohere-transcribe`를 `language="en"`과 함께 쓰세요. 워커 풀은 작게 유지하세요. 종량제 키는 동시 요청 4개, 분당 30개를 허용하며, [오류와 재시도 가이드](https://broadrouter.com/ko/guides/errors-and-retries/)에서 429 발생 시 백오프하는 법을 보여 줍니다.

파일 하나는 25MiB 미만이어야 합니다. 16kHz 모노 WAV(초당 약 32KB)로 된 긴 독백은 약 13분에서 이 한도를 넘으므로 `-f segment -segment_time 600`으로 나누세요.

## 5단계: 구간을 어떻게 대화로 합치나요?

```python
turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))
```

겹쳐서 말한 부분은 시작 시각이 가까운 구간 두 개로 나타나는데, 사람 검토자가 기대하는 모습도 이와 같습니다.

## 모노 녹음은 어떻게 하나요?

채널이 없으면 누가 언제 말했는지 판단하는 **[화자 분리](https://broadrouter.com/ko/glossary/diarization/)** 단계가 필요합니다. 선택지는 다음과 같습니다.

| 선택지 | 방법 | 장단점 |
| --- | --- | --- |
| 오픈소스 화자 분리 | 자체 서버에서 [pyannote.audio](https://github.com/pyannote/pyannote-audio)를 실행한 뒤 화자 구간마다 전사 | 모델을 직접 호스팅하며, 오디오가 내부에 머뭅니다 |
| 화자 분리를 내장한 제공업체 | 여러 STT API가 화자 라벨을 반환합니다. 추가 비용은 [가격 비교](https://broadrouter.com/ko/blog/speech-to-text-api-pricing-compared/)를 참고하세요 | 데이터 경로에 공급업체가 하나 더 늘어납니다 |
| LLM 역할 라벨링 | 구간을 전사한 다음, LLM에게 문맥으로 각 구간을 상담원 또는 고객으로 라벨링하게 함 | 저렴하지만, 짧거나 모호한 구간에서는 틀립니다 |
| 근본적으로 해결 | 녹음기를 듀얼 채널로 전환 | 장기적으로 가장 좋은 답 |

BroadNet은 화자 분리를 제공하지 않으므로, 모노 오디오에는 처음 세 가지 선택지 중 하나와 함께 쓰세요.

## 6단계: 아랍 숫자까지 포함해 개인정보를 어떻게 가리나요?

고객은 카드 번호, IBAN, 전화번호를 소리 내어 읽습니다. 전사본에는 이것이 서양 숫자(0-9)나 동부 아랍 숫자(٠-٩)로 적힐 수 있습니다. 먼저 정규화한 다음 가리세요.

```python
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")

def redact(text):
    text = text.translate(EASTERN)
    text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
    text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
    text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
    return text
```

숫자를 단어로 말할 수도 있으며(“خمسة أربعة…”), 이런 것은 정규식이 놓칩니다. 전사본을 직접 표본 검사하고 발견한 것에 맞춰 규칙을 추가하세요. 더 넓은 접근법은 [민감한 데이터를 LLM API로 보내기](https://broadrouter.com/ko/blog/llm-api-sensitive-data/)에 있습니다.

## 7단계: LLM으로 통화를 어떻게 요약하나요?

```python
import json
summary = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
                                      "reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
        {"role": "user", "content": redact(dialogue)},
    ],
).choices[0].message.content
print(json.loads(summary))
```

Qwen3.8 27B는 [구조화된 출력](https://broadrouter.com/ko/glossary/structured-output/)을 지원합니다. 응답은 항상 파싱하고 검증하세요([방법](https://broadrouter.com/ko/blog/structured-output-json-schema/)). BroadNet의 자체 테스트에서는 이 모델이 걸프와 이집트 방언도 이해하는 것으로 나타났습니다. 대시보드가 영어라면 통화가 아랍어여도 영어 JSON을 요청하세요.

## 분석 전에 어떤 품질 검사를 해야 하나요?

잘못된 전사본으로 만든 대시보드도 좋은 전사본으로 만든 대시보드만큼 그럴듯해 보입니다. 파이프라인에 다음 검사를 추가하세요.

-   **채널 뒤바뀜.** 어떤 녹음기나 큐에서 상담원과 고객 라벨이 뒤바뀌면 “상담원이 말한” 지표가 모두 틀립니다. 첫 구간을 확인하세요. 상담원은 보통 인사와 회사 이름으로 시작합니다.
-   **비어 있거나 아주 짧은 전사본.** 텍스트가 나오지 않는 구간이나 20단어 미만인 통화는 대개 무음, 대기 음악, 손상된 파일입니다. 요약하지 말고 표시해 두세요.
-   **언어 불일치.** 영어 큐에서 갑자기 아랍어 텍스트가 나오거나 아랍어가 라틴 문자로 나오면 `language` 값이 잘못되었다는 뜻입니다.
-   **요약 품질 저하.** 매주 관리자가 요약 20건을 전체 전사본과 비교하게 하세요. `resolved`가 얼마나 자주 틀리는지 추적하세요.

요약만이 아니라 구간별 전사본도 저장하세요. 요약에 이의가 제기되면 구간이 근거가 됩니다.

## 통화 전사 비용은 얼마인가요?

발화 구간으로 자르면 과금되는 오디오가 대화 시간에 가깝습니다. 아랍어 음성 1,000시간 기준으로는 다음과 같습니다.

-   전사: [BroadNet Transcribe Arabic](https://broadrouter.com/ko/models/cohere-transcribe-arabic/)에서 분당 $0.0042 요금으로 $252.00 금액, 영어 큐라면 14개 언어를 지원하는 [BroadNet Transcribe](https://broadrouter.com/ko/models/cohere-transcribe/)로 $120.00 금액.
-   요약: 7분짜리 통화는 대개 수천 토큰입니다. 실제 전사본 길이로 [LLM API 비용 계산기](https://broadrouter.com/tools/llm-api-cost-calculator/)에서 계산하고, 오디오 쪽은 [음성 인식 비용 계산기](https://broadrouter.com/tools/speech-to-text-cost-calculator/)에서 계산하세요.

## BroadNet Inference의 역할

BroadNet은 키 하나와 [base URL](https://broadrouter.com/ko/glossary/base-url/) 하나로 4단계와 7단계를 처리합니다. 전사는 아랍어와 그 밖의 13개 언어를 지원하고, 요약에는 아랍어로 테스트한 채팅 모델을 씁니다. 오디오, 전사본, 프롬프트는 보관되지 않으며([데이터 비보관](https://broadrouter.com/ko/privacy/)), BroadNet은 자사 아랍어 모델이 Open Universal Arabic ASR Leaderboard에서 37개 중 2위 (2026년 9월 기준 수치이며, 2026년 11월 15일 실시간 리더보드에서는 39개 중 4위) 순위라고 보고합니다.

화자 분리, 실시간 전사, 개인정보 가리기는 대신 해 주지 않으므로 이는 여러분의 파이프라인에 남습니다. 도입을 결정하기 전에 [아랍어 방언 음성 인식](https://broadrouter.com/ko/blog/arabic-dialect-speech-recognition/)의 방법으로 자신이 다루는 방언을 시험해 보세요.

관련 무료 도구 (영어)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[무료 도구 (영어)](https://broadrouter.com/tools/)

## 이 글의 용어

[음성 인식(Speech-to-text, STT)](https://broadrouter.com/ko/glossary/speech-to-text/)

음성 인식(STT)은 자동 음성 인식(ASR)이라고도 하며, 말소리 오디오를 글로 변환하는 기술입니다. 음성 인식 API는 오디오 파일이나 스트림을 받아 전사 텍스트를 반환하며, 보통 오디오 분당 요금이 붙습니다. 정확도는 단어 오류율로 측정하며 억양, 방언, 녹음 품질에 따라 달라집니다.

[화자 분리(speaker diarization)](https://broadrouter.com/ko/glossary/diarization/)

화자 분리(speaker diarization)는 오디오 녹음을 화자별 구간으로 나눠 "누가 언제 말했는가"에 답하는 작업입니다. 각 발화 구간에 SPEAKER\_00 같은 익명 화자 ID를 붙이며, 보통 전사본과 결합해 각 줄을 누가 말했는지 보여 줍니다.

[종량제(Pay-as-you-go)](https://broadrouter.com/ko/glossary/pay-as-you-go/)

종량제(pay-as-you-go)는 구독이나 최소 약정 없이 토큰, 요청, 오디오 분 같은 단위로 사용량을 측정해 쓴 만큼만 내는 요금 방식입니다. 대부분의 LLM API가 선불 잔액에서 차감하거나 정기 청구서를 발행하는 식으로 이렇게 과금합니다.

[PII(개인 식별 정보)](https://broadrouter.com/ko/glossary/pii/)

PII(개인 식별 정보)는 이름, 신분 번호, 생체 기록처럼 개인의 신원을 구별하거나 추적하는 데 쓸 수 있는 정보와, 그 사람과 연결되거나 연결될 수 있는 기타 정보입니다. GDPR은 더 넓은 용어인 개인 데이터를 씁니다. LLM 작업에서 PII 마스킹은 프롬프트가 내 시스템을 떠나기 전에 이를 제거합니다.

[도구 호출(tool calling)](https://broadrouter.com/ko/glossary/tool-calling/)

도구 호출(tool calling)은 함수 호출(function calling)이라고도 하며, 모델이 개발자가 정의한 함수를 실행해 달라는 구조화된 요청을 JSON 인자와 함께 반환하는 LLM API 기능입니다. 함수는 애플리케이션이 실행하고 그 결과를 다시 보냅니다. 모델이 직접 코드를 실행하지는 않습니다.

[동시 처리(concurrency)](https://broadrouter.com/ko/glossary/concurrency/)

동시 처리(concurrency)는 클라이언트가 같은 시점에 진행 중인 요청 수입니다. LLM API는 분당 요청 수와 별도로 키나 플랜마다 이를 제한하는 경우가 많습니다. 열려 있는 요청은 응답이 끝날 때까지 GPU 용량을 차지하기 때문입니다.

[음성 활동 감지(VAD)](https://broadrouter.com/ko/glossary/vad/)

음성 활동 감지(VAD)는 오디오를 짧은 프레임으로 나눠 각 프레임이 음성인지 아닌지 분류하는 신호 처리 단계입니다. 음성 시스템은 이를 이용해 무음을 건너뛰고, 긴 녹음을 쉬는 지점에서 나누고, 화자가 말을 마쳤는지 감지하고, 배경 소음을 전사하지 않도록 합니다.

[구조화된 출력(Structured output)](https://broadrouter.com/ko/glossary/structured-output/)

구조화된 출력(structured output)은 모델의 응답을 개발자가 지정한 형식, 주로 JSON Schema에 맞추도록 제한해 코드가 안정적으로 파싱할 수 있게 하는 LLM API 기능입니다. 유효한 JSON만 보장하고 특정 구조는 보장하지 않는 JSON 모드보다 더 엄격합니다.

## 자주 묻는 질문

### 통화 녹음에서 상담원과 고객을 어떻게 분리하나요?

녹음이 스테레오라면 상담원과 고객은 보통 서로 다른 채널에 있습니다. ffmpeg로 나눈 뒤 채널별로 따로 전사하세요. 모노라면 화자 분리(diarization)가 필요합니다.

### 스테레오 채널 두 개를 모두 전사하면 비용을 두 번 내나요?

채널 전체를 각각 보내면 그렇습니다. 채널마다 통화 길이만큼 길기 때문입니다. 채널을 발화 구간으로 잘라 그 구간만 보내면 과금되는 오디오가 실제 대화 시간에 가까워집니다.

### 영어 단어가 섞인 아랍어 통화도 전사할 수 있나요?

네, 하지만 시험해 보세요. 걸프와 레반트 지역 상담원은 제품명과 숫자를 말할 때 영어로 바꾸는 일이 많습니다. 키워드 검색이나 분석에 의존하기 전에 실제 통화 20건에서 그런 단어가 어떻게 나오는지 확인하세요.

### 개인정보는 오디오에서 가려야 하나요, 텍스트에서 가려야 하나요?

LLM, 분석, 검색으로 보내기 전에 텍스트 전사본에서 가리세요. 오디오를 보관한다면 말한 숫자가 그대로 들어 있으므로, 오디오도 접근을 제한하고 보관 기한을 두세요.

### 오디오 파일 하나는 얼마나 길어도 되나요?

BroadNet은 요청당 26,214,400바이트(25MiB)까지 WAV나 MP3를 받습니다. 16kHz 모노 WAV는 초당 약 32KB이므로 구간을 약 13분 미만으로 유지하거나 MP3를 쓰세요.

## 이어서 읽기

-   [아랍어 회의 녹음으로 회의록 만들기: API 파이프라인](https://broadrouter.com/ko/blog/arabic-meeting-minutes-from-recordings/)
-   [25MB 넘는 긴 오디오 전사하기: 분할, 전송, 이어 붙이기](https://broadrouter.com/ko/blog/transcribe-long-audio-files-api/)
-   [아랍어 음성 인식(STT) API: 2026년 선택 가이드](https://broadrouter.com/ko/blog/arabic-speech-to-text-api-buyers-guide/)
-   [LLM API에 민감한 데이터 보내기: 가리고, 줄이고, 덜 기록하기](https://broadrouter.com/ko/blog/llm-api-sensitive-data/)
-   [아랍어 방언 음성 인식: 걸프, 이집트, 레반트, 마그레브](https://broadrouter.com/ko/blog/arabic-dialect-speech-recognition/)
-   [음성 인식(STT) API 가격 비교: 2026년 분당 요금 총정리](https://broadrouter.com/ko/blog/speech-to-text-api-pricing-compared/)
-   [LLM으로 아랍어 발음 부호 넣기: 프롬프트, 검증, DER](https://broadrouter.com/ko/blog/arabic-diacritization-llm/)
-   [LLM으로 아랍어 문법·맞춤법 교정하기: 실전 가이드](https://broadrouter.com/ko/blog/arabic-grammar-spelling-correction-llm/)
-   [가이드: 아랍어 음성 인식(STT) API 사용법: 단계별 가이드](https://broadrouter.com/ko/guides/arabic-speech-to-text-api/)
-   [가이드: BroadNet Inference 오류 코드와 재시도해야 하는 경우](https://broadrouter.com/ko/guides/errors-and-retries/)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-transcribe-call-center-recordings&utm_content=page-cta) ·

**출처**

-   [FFmpeg 필터 문서(pan, silencedetect)](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI, 콘택트 센터 모범 사례(멀티채널 오디오)](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio, 오픈소스 화자 분리](https://github.com/pyannote/pyannote-audio)
-   [BroadNet Inference API 레퍼런스, 전사와 한도 (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-transcribe-call-center-recordings&utm_content=sources)
-   [BroadNet Inference 기계 판독용 가격(pricing.json) (영어)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-transcribe-call-center-recordings&utm_content=sources)
