diff --git a/.gitignore b/.gitignore
new file mode 100644
index 0000000..57ee51f
--- /dev/null
+++ b/.gitignore
@@ -0,0 +1,5 @@
+# PoC data — large, and AI-Hub source data may not be redistributed.
+# Keep scripts in git; keep the actual datasets out.
+poc/tone-corpus/data/
+*.jsonl
+*.zip
diff --git a/docs/PLANNING.md b/docs/PLANNING.md
index e7fd92f..140567e 100644
--- a/docs/PLANNING.md
+++ b/docs/PLANNING.md
@@ -120,6 +120,9 @@
 - [x] §4의 기술 PoC 중 1번(말투 학습)과 3번(사칭/신뢰 수용성) 실행 계획서 작성 — `poc-plan.md`
 - [x] PoC 실행 준비물(모집 문구·동의 안내·역할극 스크립트·인터뷰 질문지) 초안 작성 — `poc-materials.md`
   (문서 준비만 완료. 실제 참가자 모집·데이터 수집·인터뷰 실행은 사람이 직접 해야 하는 단계 — 아직 미착수)
+- [x] PoC #1 기반 코퍼스 확보 및 전처리 파이프라인 — AI-Hub "한국어 SNS 멀티턴 대화" 14.2만 건
+  확보, `poc/tone-corpus/prepare_dataset.py`로 학습/검증 JSONL 정제 완료 (개인화 검증 자체는
+  아직 별개로 필요 — `poc-plan.md` "필요한 것" 참고)
 - [ ] PoC #1·#3 실제 실행 (참가자 모집, 대화 샘플 수집, 역할극 인터뷰) 및 Go/No-Go 판정
 - [x] 클릭 가능한 프로토타입 제작, 뱃지·거부권 UX 포함 — 읽씹 종결/거부권/에스컬레이션/자율성 설정
   4개 장면을 실제로 눌러볼 수 있는 프로토타입으로 제작 (Claude 아티팩트, 필요 시 공유 링크로 배포).
diff --git a/docs/poc-plan.md b/docs/poc-plan.md
index 61f514d..dae4dce 100644
--- a/docs/poc-plan.md
+++ b/docs/poc-plan.md
@@ -34,6 +34,10 @@
 - 응답 초안 생성기 (이 세션에서는 프로토타입 수준 — 실제 온디바이스 모델이 아니어도, LLM 프롬프트에
   말투 특징을 주입하는 방식으로 초기 신호를 얻을 수 있음. 배터리/성능 검증은 이 PoC의 범위가 아님)
 - 블라인드 평가지 (설문 형태, 5점 척도 + 자유 코멘트)
+- **기반 코퍼스**: AI-Hub "한국어 SNS 멀티턴 대화" 데이터셋(14만여 건)을 확보해 개인화 전
+  일반 톤 생성 모델을 먼저 학습/평가할 수 있게 정리함 — [`poc/tone-corpus/`](../poc/tone-corpus/)
+  참고. 이건 개인화 검증(위 방법론)을 대체하지 않는다 — 익명 화자쌍의 일반 대화라 "내 말투 같다"는
+  질문에는 답을 못 준다. 개인화 검증은 여전히 실제 참가자의 대화 샘플이 필요하다.
 
 ## PoC #3 — 사칭/신뢰 수용성 (분신 뱃지·거부권 UX)
 
diff --git a/docs/risk-log.md b/docs/risk-log.md
index d8c7c37..7d7c61c 100644
--- a/docs/risk-log.md
+++ b/docs/risk-log.md
@@ -14,6 +14,7 @@
 | 베타 참가자 확보 어려움 | 검증 지연 | 소규모 지인 네트워크 초대 기반 클로즈드 베타로 시작 | 계획 단계 |
 | (v2 대비) 카카오톡/인스타 알림 파싱이 앱 업데이트로 깨짐 | OS 레이어 확장 시 유지보수 부담 | v1 범위에서 제외, v2 착수 시 안정적 API 채널(문자·이메일) 우선 | v1 범위 밖 — 그대로 유지 |
 | (v2 대비) iOS 플랫폼 정책 제약 | OS 레이어 iOS 확장 어려움 | 안드로이드 우선 검증 후 iOS는 자체 앱 전환 유도 | v1 범위 밖 — 그대로 유지 |
+| PoC #1 기반 코퍼스(AI-Hub) 재배포/보관 리스크 | 이용약관 위반, 데이터 유실 | git에 커밋 금지(`.gitignore` 반영), 원본·가공본 모두 세션 로컬에만 두고 영구 저장소로는 별도 이동 | 설계 반영 — `poc/tone-corpus/README.md` |
 
 ## 우선순위
 
diff --git a/poc/tone-corpus/README.md b/poc/tone-corpus/README.md
new file mode 100644
index 0000000..13e407c
--- /dev/null
+++ b/poc/tone-corpus/README.md
@@ -0,0 +1,39 @@
+# PoC #1 기반 코퍼스 — AI-Hub 한국어 SNS 멀티턴 대화
+
+`docs/poc-plan.md`의 PoC #1(온디바이스 말투 학습)에서, 개인화 레이어를 얹기 전 **기반 톤 생성
+모델**을 학습/평가할 코퍼스로 AI-Hub "한국어 SNS 멀티턴 대화" 데이터셋을 사용한다. 이 데이터는
+특정 개인의 말투가 아니라 익명 화자쌍의 일반 대화이므로, PoC #1의 "내 말투 같다" 개인화 검증
+자체를 대체하지는 않는다 — 개인화 검증은 여전히 실제 참가자의 대화 샘플이 필요하다
+(`docs/poc-materials.md` §1 참고).
+
+## 사용법
+
+```bash
+python3 prepare_dataset.py --input <원본 zip이 있는 디렉토리> --output <출력 디렉토리> [--qa]
+```
+
+- `--input`: AI-Hub에서 내려받은 `TS_*.zip`/`TL_*.zip`(학습)·`VS_*.zip`/`VL_*.zip`(검증) 원본 파일이
+  있는 디렉토리. 파일명에 `VL_`/`TL_`이 포함된 zip(라벨링 JSON)만 읽는다 — 여기에 발화 텍스트와
+  화행(speech_act)·슬롯 라벨이 모두 있어서 `VS_`/`TS_`(원천 CSV)는 출력에 필요 없다.
+- `--output`: `train.jsonl`, `val.jsonl`, `stats.json`을 쓸 디렉토리.
+- `--qa`: 원천 CSV의 대화ID와 라벨 JSON의 대화ID를 교차검증해서 커버리지 차이를 출력.
+
+## 실행 결과 (2026-07-29, 이 세션에서 실제로 돌려본 값)
+
+- 총 142,575건 (학습 122,951 / 검증 19,624), 평균 발화 16.5턴/대화
+- 주제 9종, 정치(3,242건)·경제및사회(4,257건)가 다른 주제(1.7만~2.2만건)보다 훨씬 적음 — 주제별
+  균형이 필요하면 샘플링 시 감안할 것
+- 화자 연령/성별 필드 노이즈 81건은 정제 과정에서 `null`로 치환 (버리지 않고 필드만 비움)
+- **QA 결과**: 원천(CSV) 쪽에는 라벨링된 142,575건 외에 **34,030건이 더 있음** (라벨 없이 텍스트만).
+  화행/슬롯 라벨이 필요 없는 순수 언어모델링 목적이라면 이 34,030건도 추가로 끌어올 수 있다 —
+  다만 이번 스크립트는 라벨 JSON만 다루므로 추가 파서가 필요함 (아직 안 만듦)
+
+## 반드시 지킬 것
+
+- **원본 zip과 이 스크립트의 출력(JSONL)을 git에 커밋하지 않는다.** AI-Hub 데이터는 이용약관상
+  제3자 재배포가 제한되고, 용량도 수백MB~1GB라 저장소에 맞지 않는다. 저장소 루트의 `.gitignore`에
+  `poc/tone-corpus/data/`가 등록되어 있으니 원본·출력은 그 아래에 두고 작업할 것.
+- 이 저장소는 기획 문서 전용이라, 이 스크립트도 "PoC 도구"로만 취급한다 — 여기서 앱 코드/프레임워크로
+  확장하지 않는다 (`AGENTS.md` 참고).
+- 실제 모델 학습에 쓰기 전에, 이 데이터가 세션이 아닌 영구 저장소(본인 로컬/스토리지)로 옮겨졌는지
+  확인할 것 — 클라우드 세션은 종료되면 임시 파일이 사라진다.
diff --git a/poc/tone-corpus/prepare_dataset.py b/poc/tone-corpus/prepare_dataset.py
new file mode 100644
index 0000000..7d81a29
--- /dev/null
+++ b/poc/tone-corpus/prepare_dataset.py
@@ -0,0 +1,169 @@
+#!/usr/bin/env python3
+"""Consolidate the AI-Hub "한국어 SNS 멀티턴 대화" TS/TL/VS/VL zip parts into
+clean train/val JSONL for PoC #1 (base tone-generation corpus).
+
+Usage:
+    python3 prepare_dataset.py --input <dir with the *.zip parts> --output <output dir>
+
+Input zips are matched by filename substring: files containing "VL_" or "TL_"
+are the labeled JSON splits (VL=validation, TL=train) and are the only ones
+consumed for the JSONL output -- they already carry the full utterance text
+plus speech_act/slot labels, so the raw CSV (VS_/TS_) is redundant for this
+purpose. VS_/TS_ zips are only used for the optional --qa cross-check.
+
+Does NOT commit or move the source zips anywhere -- run this against a local
+copy of the AI-Hub download, and keep both the source zips and this script's
+output out of git (see poc/tone-corpus/README.md).
+"""
+import argparse
+import csv
+import glob
+import io
+import json
+import os
+import zipfile
+from collections import Counter
+
+VALID_SEX = {"남자", "여자"}
+
+
+def is_valid_age(value):
+    # raw field is a bare decade number as a string, e.g. "20", "30" -- not "20대".
+    return bool(value) and value.isdigit() and 10 <= int(value) <= 90 and int(value) % 10 == 0
+
+
+def clean_speaker_field(value, kind):
+    if not value:
+        return None
+    if kind == "sex":
+        return value if value in VALID_SEX else None
+    return value if is_valid_age(value) else None
+
+
+def iter_dialogues(zip_paths):
+    for path in zip_paths:
+        split = "val" if "VL_" in os.path.basename(path) else "train"
+        with zipfile.ZipFile(path) as z:
+            for name in z.namelist():
+                if not name.endswith(".json"):
+                    continue
+                with z.open(name) as f:
+                    yield split, json.load(f)
+
+
+def normalize(dialogue):
+    info = dialogue.get("info", {})
+    speaker = info.get("speaker", {})
+    speakers = {}
+    for letter in ("A", "B", "C"):
+        sid = speaker.get(f"speaker{letter}Id")
+        if not sid:
+            continue
+        speakers[letter] = {
+            "id": sid,
+            "sex": clean_speaker_field(speaker.get(f"speaker{letter}Sex"), "sex"),
+            "age": clean_speaker_field(speaker.get(f"speaker{letter}Age"), "age"),
+        }
+    utterances = [
+        {
+            "speaker": u.get("speaker", "").replace("speaker", ""),
+            "text": u.get("text", ""),
+            "speech_act": u.get("speech_act"),
+            "slot": u.get("slot") or [],
+        }
+        for u in dialogue.get("utterances", [])
+    ]
+    return {
+        "id": info.get("id"),
+        "topic": info.get("topic"),
+        "keyword": info.get("keyword"),
+        "speakers": speakers,
+        "turns": len(utterances),
+        "utterances": utterances,
+    }
+
+
+def run_qa(input_dir, seen_ids):
+    csv_paths = sorted(
+        glob.glob(os.path.join(input_dir, "*VS_*.zip"))
+        + glob.glob(os.path.join(input_dir, "*TS_*.zip"))
+    )
+    csv_ids = set()
+    for path in csv_paths:
+        with zipfile.ZipFile(path) as z:
+            for name in z.namelist():
+                if not name.endswith(".csv"):
+                    continue
+                with z.open(name) as f:
+                    text = io.TextIOWrapper(f, encoding="utf-8-sig")
+                    for row in csv.DictReader(text):
+                        did = row.get("대화ID")
+                        if did:
+                            csv_ids.add(did)
+    only_in_json = seen_ids - csv_ids
+    only_in_csv = csv_ids - seen_ids
+    print(f"[QA] 원천(CSV) 대화ID 수: {len(csv_ids)}")
+    print(f"[QA] 라벨(JSON)에만 있음: {len(only_in_json)}")
+    print(f"[QA] 원천(CSV)에만 있음: {len(only_in_csv)}")
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--input", required=True, help="원본 zip 파일들이 있는 디렉토리")
+    ap.add_argument("--output", required=True, help="train.jsonl/val.jsonl을 쓸 디렉토리")
+    ap.add_argument("--qa", action="store_true", help="VS/TS 원천 CSV와 대화ID 교차검증")
+    args = ap.parse_args()
+
+    os.makedirs(args.output, exist_ok=True)
+    zip_paths = sorted(
+        glob.glob(os.path.join(args.input, "*VL_*.zip"))
+        + glob.glob(os.path.join(args.input, "*TL_*.zip"))
+    )
+    if not zip_paths:
+        raise SystemExit(f"VL_/TL_ zip을 {args.input}에서 찾지 못했습니다.")
+
+    writers = {
+        "train": open(os.path.join(args.output, "train.jsonl"), "w", encoding="utf-8"),
+        "val": open(os.path.join(args.output, "val.jsonl"), "w", encoding="utf-8"),
+    }
+    topic_counts = Counter()
+    split_counts = Counter()
+    dropped_age = 0
+    dropped_sex = 0
+    seen_ids = set()
+
+    try:
+        for split, raw in iter_dialogues(zip_paths):
+            record = normalize(raw)
+            seen_ids.add(record["id"])
+            split_counts[split] += 1
+            topic_counts[record["topic"]] += 1
+            for s in record["speakers"].values():
+                if s["age"] is None:
+                    dropped_age += 1
+                if s["sex"] is None:
+                    dropped_sex += 1
+            writers[split].write(json.dumps(record, ensure_ascii=False) + "\n")
+    finally:
+        for w in writers.values():
+            w.close()
+
+    stats = {
+        "total_dialogues": sum(split_counts.values()),
+        "split_counts": dict(split_counts),
+        "topic_counts": dict(topic_counts.most_common()),
+        "speaker_fields_dropped_as_noise": {"age": dropped_age, "sex": dropped_sex},
+    }
+    with open(os.path.join(args.output, "stats.json"), "w", encoding="utf-8") as f:
+        json.dump(stats, f, ensure_ascii=False, indent=2)
+
+    print(f"완료: {stats['total_dialogues']}건 -> {args.output}/{{train,val}}.jsonl")
+    print(f"분할: {stats['split_counts']}")
+    print(f"이상치로 제외된 speaker 필드 - age: {dropped_age}, sex: {dropped_sex}")
+
+    if args.qa:
+        run_qa(args.input, seen_ids)
+
+
+if __name__ == "__main__":
+    main()