hahababy 設計方法論與原創性爭議

1. 目的

本報告以自然語言處理（Natural Language Processing, NLP）方法，分析 hahababy YouTube 頻道的影片逐字稿（transcript）與觀眾留言（comment），試圖回答以下問題：

1. hahababy 的語料由哪些主題構成？內容主題與觀眾討論主題是否一致？
2. 短影片、一般影片、直播三種子集的主題與對齊度有何差異？
3. 品牌是否具備可識別的設計理念、視覺風格與設計方法論？
4. 觀眾對 hahababy 原創性與 SOU・SOU 相似性的質疑，是否在語料中有跡象？
5. hahababy 的設計話語與日本 / 法國 ready-to-wear（RTW）品牌有何結構性差異？

本報告僅基於文字語料進行分析，不做圖像、產品照片或法律層面的比對。所有數字均來自 output/ 與 data/ 中的實際輸出檔案。

2. 資料來源

3. 資料範圍

3.1 影片與文件規模

3.2 子集分類

依 live_status 與 duration 分為三類：

註：short 170 支、livestream 104 支、regular video 67 支為實際分類結果，文件數為 data/unified_meta.parquet 中與該子集影片對應的文件總數。

3.3 語意向量

3.4 傳統 NLP 特徵

已為以下 6 個子集建立 unigram / bigram / trigram / TF-IDF / BM25 / LDA 特徵，輸出於 output/nlp/{subset}/：

• all：23,236 docs
• transcript：9,479 docs
• comment：13,757 docs
• short：1,271 docs
• regular：12,289 docs
• livestream：9,676 docs

LDA 結果位於 output/nlp/lda/lda_{all|transcript|comment}_topics.csv 與 lda_*_doc_topics.csv。

詞頻 / n-gram 示例

unigram 前 5（count）

bigram / trigram 示例（transcript）

• bigram：大 姐姐（569）、一樣 一樣（549）、擁抱 點點（541）、大 大（482）、愛心 餅乾（432）
• trigram：一樣 一樣 一樣（110）、大 大 大（81）、禮拜 禮拜 禮拜（74）、補 補 補（72）、抽 抽 抽（66）

TF-IDF 示例（all）：安全帽（0.0265）、辛苦（0.0196）、可愛（0.0174）、新品（0.0160）、聯名（0.0152）。

4. 計算方法

4.1 資料流程

1. download.sh 下載影片 metadata 與音檔。
2. consolidate.py 產生 data/videos.parquet、data/comments.parquet、data/transcripts.parquet。
3. clean_hallucinations.py 清理 ASR 幻覺，build_transcripts_ckip_ready.py 產生分段語料。
4. run_ckip_mlx.py / run_comments_ckip_mlx.py 進行 CKIP 斷詞，產生 segmented_text。
5. run_embeddings.py / run_comments_embeddings.py 以 qwen3-embedding-8b 產生 4096-d 向量。
6. build_unified.py 合併為 data/unified_meta.parquet 與 data/unified_embeddings.npy，並以 CKIP 詞性過濾「1 字非動詞中文字」。

4.2 MLX BERTopic 主題建模

本研究使用本地修補版 MLX BERTopic（位於 mlx-bertopic/，源於 https://github.com/mlx-bertopic/mlx-bertopic）作為 canonical topic model 後端，核心組件均針對 Apple Silicon 以 MLX 重新實作：

建模結果：

• 初始 BERTopic 產出 148 個 active topics + -1 outlier，共 149 列。
• 以 OpenRouter gpt-4o-mini 為 132 個主題產生可讀的 llm_label（見 output/topic_info_clean.csv）。
• 離群值再分配：透過 mlx_bertopic.reduce_outliers_embeddings，以 cosine threshold 0.68 對 outlier 文件做 embedding-based 重新指派，將 canonical -1 文件數從 7,723 降至 887（output/topic_info_clean.csv）。

4.3 主題相似度與對齊度

主題相似度（Topic Gap）

• 對每個主題計算 comment_share = comment_docs / (comment_docs + transcript_docs)。

• 對每支同時具有兩種來源的影片（n=269），將 transcript 與 comment 的主題計數正規化為機率分布 P、Q，在主題聯集詞彙表上計算對稱 Jensen-Shannon divergence：

  JS(P||Q) = 1/2 KL(P||M) + 1/2 KL(Q||M),  M = 1/2(P+Q)
  

• JS 範圍為 [0, ln2≈0.693]，值越大代表內容主題與留言主題差異越大。

對齊度（Alignment）

• 對每支影片，計算該影片下所有 transcript chunk 嵌入的平均向量與所有 comment 嵌入的平均向量之 cosine similarity。
• 輸出至 output/alignment_scores.parquet。
• 根據影片長度與 chunk 數進行 multi-chunk / single-chunk 分層，避免 single-chunk 的退化估計。

4.4 主要輸出檔案

5. 大主題發現

5.1 主題總覽

5.2 Top 15 主題（依 total_docs）

來源：output/topic_info_clean.csv，以 total_docs 取前 15 名。

5.3 主題落差：內容 vs 留言幾乎是兩個宇宙

整體 comment_share 基線為 0.592，但主題分布呈現明顯雙峰：

代表性分離主題：

• 觀眾主導：T0（高雄觀光 / 觀眾情緒互動，1,087 comment / 17 transcript，comment_share=0.985）、T2（安全帽製作，763 / 4，comment_share=0.995）。
• 內容主導：T12（兒童洋裝，747 / 5，comment_share=0.007）、T23（內衣搭配，558 / 1，comment_share=0.002）、T3（酵素產品，498 / 7，comment_share=0.014）。

這顯示 BERTopic 幾乎將「逐字稿話語」（帶貨規格、商品價格、ASR 雜訊）與「留言話語」（情緒反應、MIT 應援、品牌驕傲）切為兩個近乎不重疊的主題空間。

6. 子集主題發現

6.1 對齊度比較（依影片子集）

對於同時有 transcript 與 comment 的影片（n=269），依 duration 與 live_status 分組後的對齊度如下：

來源：output/reports/13_subset_alignment.md 與 output/alignment_scores.parquet 實際計算。

6.2 三子集的角色

6.3 子集主題示例

• shorts 熱門主題：人格 IP、節慶生日、表情互動、可愛與讚；97% 僅 1 個 transcript chunk，導致 alignment 結構性失效。
• regular video 熱門主題：安全帽製作、MIT 工廠、尋找 hahababy、哈姆咖啡開幕、日常系列；這些影片貢獻頻道 57% 觀看、85% 常規留言。
• livestream 熱門主題：尺寸與顏色選擇、bratop、價格規格、補貨通知、路跑活動；逐字稿幾乎全為帶貨語言，留言卻以社交閒聊為主。

7. 特殊主題與概念再分析

7.1 服飾 design topic 是設計話語主力

output/reports/15_design_clothing_guigui_report.md 與 output/reports/17_comprehensive_guigui_designer_report.md 顯示：

• 前 10 大 design topics 中有 9 個與服飾相關，合計 matched docs 2,017。
• 全部服飾 design topics 共 9 個，主題包括：兒童洋裝、內衣搭配、牛仔外套、尺寸與顏色選擇、布拉托內衣、服裝尺寸建議、睡衣搭配、服裝搭配、服裝設計細節。
• 服飾圖案語言高度重疊：點點、新花開、愛心餅乾、迷藏兔、擁抱點點、皇冠點點、條紋、滿版、小怪獸。

7.2 貴貴設計師：首席設計師，但主要「畫圖 → 印成產品」

直接證據顯示直播主多次稱貴貴為「首席設計師」「貴貴設計師」，並將其畫作印在 T 恤上銷售（貴貴T、貴貴設計師T）。然而貴貴的角色更接近「畫圖 → 印花應用」，而非系統性的服裝設計論述。

7.3 功能性設計理念 vs 視覺風格標籤

依 output/reports/19_design_philosophy.md 與 output/reports/21_aesthetic_design_philosophy.md：

搜尋設計方法論相關詞彙的結果：

• 研究方法|設計研究|靈感|mood board|概念板|主題|collection|系列主題：100 筆
• 打版|版型研究|剪裁|silhouette|輪廓：54 筆
• 面料開發|材質實驗|布料研究|sample|樣衣：39 筆
• 設計師訪談|創作過程|設計理念|設計概念|設計方法：9 筆

相較之下，顏色、版型、尺寸、材質、舒服、可愛、點點 等銷售導向詞彙出現數千次。

7.4 SOU・SOU 爭議與日本趨勢參考

output/reports/22_hahababy_design_originality_assessment.md、output/reports/21_aesthetic_design_philosophy.md 與 output/reports/14_sou_sou_event.md 顯示：

• 日系參考：直播主多次提及「日本現在很流行這個款式」「日式版型」「羽織」「風呂夫」「日本一個都上千塊，台灣生產所以便宜」等。
• 抄襲指控：觀眾留言中至少出現 12 則明確提及 SOU・SOU 或高度相似指控。
• 標的事件：video_id UP7gGlPEldI（《出任務#30》台灣製手工包包）在 2026-07 爆發爭議，上架後 30–60 天留言量達 208 則，為同齡影片中位數 26 則的 8.2 倍。
• 品牌回應：在 corpus 範圍內，未見 hahababy 對 SOU・SOU 相似爭議的官方回應逐字內容；僅見強調「台灣製造」「貴貴設計師」「自己畫的圖案」。

7.5 與日本 / 法國 ready-to-wear 的比較

8. 結論

8.1 總結

hahababy 擁有明確的產品主題與市場識別，但在設計方法論與原創性論述上明顯薄弱。資料顯示：

• 它更像是一個以家庭 IP 與直播電商為核心的產品策展品牌，而非由設計師主導、以概念敘事推動的時裝品牌。
• 主題模型清楚區分出「帶貨規格話語」（transcript 主導）與「情緒應援話語」（comment 主導），兩者在多數影片中幾乎不重疊。
• 設計話語集中在功能性與規格性論述（MIT、純棉、舒適、親子），視覺風格以可愛、撞色、點點、貴貴圖畫等風格標籤為主，缺乏設計過程、季節主題、版型研究等方法論敘事。
• 貴貴被賦予「首席設計師」稱號，但實際角色更接近「畫圖 → 印花商品化」。
• 日系 / 日本趨勢在直播中被頻繁引用，觀眾留言中亦存在明確的 SOU・SOU / 抄襲指控；corpus 中未見品牌方對爭議的正面回應。
• NLP 無法驗證視覺抄襲：本分析只能指出語料中的指控與風格參考，不能證明或否定圖像層級的複製。

8.2 限制

• 未做圖像比對：未包含產品照片、花色 / 圖案的視覺相似度比對。
• 未納入外部官方資料：官網、公關稿、媒體採訪、設計師專訪等不在 corpus 內。
• 無銷售數據：無訂單、轉換率、營收資料，無法評估商業表現。
• upload_date 異常：部分影片標示 2026 年等未來日期，時間趨勢僅供參考，需以內容進一步校驗。
• ASR 品質與多語言雜訊：部分 transcript 含有英文 / 韓文歌詞或 ASR 幻覺，可能影響主題純度。

本報告數字已根據 output/topic_info_clean.csv、output/alignment_scores.parquet、data/unified_meta.parquet、data/videos.parquet 與 output/reports/ 相關檔案核實。