Jak Clippen mění jednu dlouhou nahrávku na svislé klipy

Co se stane s vaším videem po odeslání?

Clippenu předáte jednu dlouhou nahrávku: vložíte odkaz nebo nahrajete soubor. Od té chvíle se práce odehrává na našich serverech, ne ve vašem prohlížeči. Můžete zavřít záložku a klipy na vás budou čekat, až se vrátíte.

Úloha běží jako fronta šesti fází v pevném pořadí, protože každá potřebuje výstup té předchozí. Přepis musí existovat dřív, než model může posoudit, kterých šedesát sekund stojí za ponechání. Hranice scén musí existovat dřív, než lze umístit střih někam, kde to není uprostřed záběru. A vybrané momenty musí existovat dřív, než je co přerámovávat.

V rámci zpracování se nic nikam nepublikuje. Klipy si stahujete vy a publikování na TikTok, Instagram Reels nebo YouTube Shorts se děje jen tehdy, když připojíte účet a stisknete publikovat. Clippen je určen ke střihu videí, která vlastníte nebo která máte právo používat — váš vlastní podcast, váš vlastní stream, vaše vlastní přednáška. Zachováváte si všechna práva, která jste ke zdroji i ke klipům už měli; Clippen si nebere žádnou licenci nad rámec zpracování souboru, který odešlete. Stříhání cizího nahrání je věc mezi vámi a cílovou platformou: zásady YouTube o neautentickém obsahu z července 2025 výslovně uvádějí recyklované klipy.

Šest fází v pořadí

Přepis s časovými značkami po slovech

Zvuk zdroje se přepisuje s časovou značkou u každého jednotlivého slova, nejen u každé věty. Časování po slovech umožňuje, aby klip začínal na hranici slova a ne v polovině slabiky, a díky němu dopadají karaoke titulky na správný snímek. Mluvený jazyk se rozpozná automaticky.

Detekce hranic scén

Video se prohledá kvůli střihům a ostrým vizuálním přechodům. Tyto hranice zabrání tomu, aby klip začínal uprostřed záběru, což je nejčastější důvod, proč automaticky vytvořený klip působí jako strojový.

Výběr momentů

Přepis s časovými značkami a hranice scén jdou společně do modelu, který vrátí nejsilnější samostatné úseky dlouhé 15 až 60 sekund. Posuzuje, jak silně začátek zaujme, zda úsek přinese pointu a zda dává smysl i tomu, kdo neslyšel zbytek epizody. Míří na zhruba deset klipů z jakékoli nahrávky dost dlouhé na to, aby je pojala, a méně jich vrátí jen tehdy, když je zdroj příliš krátký.

Přerámování na svislý formát

Každý klip se přeskládá z 16:9 na 9:16. Jeden režim sleduje jednoho mluvčího pomocí detekce obličeje a je tlumený stabilizátorem, který drží kameru v klidu uvnitř bezpečné zóny, místo aby honil každý pohyb hlavy. GENERAL ponechává celou šířku nad rozmazaným pozadím pro skupinové záběry a krajiny. SPLIT skládá dva mluvčí pod sebe do polovin obrazu, když jsou opravdu v jednom záběru. SCREENCAST a INSET zvládají prezentace, sdílené obrazovky a streamová rozvržení, kde smysl leží mimo střed obrazu.

Titulky, hooky a tempo

Titulky se vykreslují po slovech z přepisu a vypalují se do videa, přičemž právě vyslovované slovo se zvýrazní ve chvíli, kdy zazní. Nadpis hooku napsaný AI pokrývá úvodní sekundy, kdy se divák krátkých videí rozhoduje, zda zůstane. Volitelné přiblížení v důrazných místech se přiblíží na úderech klipu, aby se nehybná kamera nepřenesla do nehybného klipu.

Export a publikování

Klipy vycházejí v rozlišení 1080×1920 v poměrech 9:16, 1:1 a 16:9. Stáhněte si je, nebo je z přehledu publikujte na TikTok, Instagram Reels a YouTube Shorts. Hlasový dabing dokáže klip přeložit do 31 jazyků při zachování hlasu mluvčího a nadabovaný zvuk se přepíše znovu, aby titulky odpovídaly novému jazyku.

Jak dlouho to trvá?

Jakmile budou hotové, pošleme vám e-mail. Úloha běží na našich serverech, ne na vašem počítači, a na skutečných zdrojích každé délky — epizodě podcastu, dvacetiminutové konferenční přednášce, čtyřhodinovém streamu — ne na krátkém ukázkovém souboru.

Je dobré to vědět, protože to mění způsob plánování. Ruční střih hodinové epizody — hledání momentů, jejich vystřižení, přerámování každého na svislý formát, psaní a časování titulků — zabere většinu pracovního dne, a to je důvod, proč většina zásoby starších nahrávek leží nezveřejněná. Zpracování bez dohledu je jiný druh rozhodnutí. Úlohu spustíte na konci natáčení a klipy na vás čekají, až se vrátíte.

Téměř všechen ten čas zabere přepis a kódování videa. Volání modelu, které vybírá momenty, je jeho malým zlomkem, a proto delší zdroj stojí víc času zhruba úměrně své délce, ne skokově.

Proč klipy nezačínají uprostřed věty?

Protože k umístění střihu se používají dva oddělené signály a každý zachytí to, co druhý přehlédne.

Přepis nese časovou značku u každého jednotlivého slova, ne u každé věty. Díky tomu lze klip začít přesně na první souhlásce prvního slova, ne zlomek sekundy po ní, což je slyšitelný znak toho, že klip stříhal stroj. Časování po slovech také umožňuje, aby titulky zvýrazňovaly každé slovo ve chvíli, kdy skutečně zazní.

Detekce scén dodává druhou polovinu. Samotný přepis dokáže najít skvělou větu a nemít tušení, že se kamera uprostřed ní střihne. Samotné hranice scén dokážou najít čisté vizuální střihy, mezi nimiž není nic, co by stálo za řeč. Model, který vybírá momenty, dostává obojí společně, takže může zvolit úsek, který je zároveň citovatelný a vizuálně celistvý.

Výběr se posuzuje také podle toho, zda úsek obstojí sám o sobě. Šedesátisekundová pasáž, která začíná slovy „a přesně proto nesouhlasím“, je k ničemu divákovi, který neslyšel předchozích deset minut, ať je ta věta sebelepší. Samostatnost je kritériem výběru, ne dodatečným nápadem.

Jak svislý ořez rozhoduje, co ponechat?

Snímek 16:9 přeskládaný do 9:16 ztratí asi tři čtvrtiny šířky, takže něco musí rozhodnout, k čemu ta šířka sloužila. Clippen volí rozvržení pro každou scénu zvlášť, místo aby na celé video použil jeden ořez.

• TRACK sleduje jednoho mluvčího pomocí detekce obličeje. Kamera je tlumená: drží klid uvnitř bezpečné zóny a pohne se, jen když ji objekt opustí, protože ořez, který honí každý pohyb hlavy, viditelně kmitá a působí amatérsky, i když je záběr technicky správný.
• GENERAL ponechává celou šířku nad rozmazaným pozadím, pro skupinové záběry a krajiny, kde by ořez na jediný bod zahodil objekt.
• SPLIT skládá dva mluvčí pod sebe do polovin obrazu, ale jen tehdy, když jsou oba obličeje v jednom záběru po delší část scény. Právě tento test odlišuje skutečný záběr dvou lidí od střihu záběr–protizáběr, kde by skládání ukázalo stejnou osobu dvakrát.
• SCREENCAST a WIDE zvládají prezentace a sdílené obrazovky. Obsah, který zabírá většinu záběru, ořez nepřežije, a proto se skládá nad přednášejícího nebo se ponechává v plné šířce, místo aby se odřízl.
• INSET zvládá streamové rozvržení: obrazovku přes celou šířku s malým rámečkem webkamery v rohu. Obrazovka jde nahoru a webkamera se zvětší pod ni.
• Přestřihy na mluvčího a přiblížení v důrazných místech se přidávají nad rozvržení: ostré přestřihy na toho, kdo právě mluví, a jemné přiblížení na úderech, aby nehybná kamera nevytvořila nehybně vypadající klip.

Kolik zpracování stojí?

Clippen je placený nástroj a účtuje podle délky toho, co do něj vložíte: jeden kredit je jedna minuta zdrojového videa a tato jedna platba pokrývá celé zpracování — všechny klipy, které video přinese, svislé přerámování, titulky i hook. Šedesátiminutový podcast stojí 60 kreditů, ať z něj vyjde šest klipů, nebo dvanáct. Tarify začínají na 19,99 $ měsíčně za 150 kreditů (11,66 $ měsíčně při ročním placení) a dosahují až 59,99 $ měsíčně za 800 kreditů. Žádný tarif zdarma neexistuje.

Při porovnávání nástrojů na jednotce záleží. Účtování za minutu zdroje znamená, že cenu epizody znáte dřív, než stisknete start: pětačtyřicetiminutový rozhovor je 45 kreditů, ať se vrátí cokoli. Účtování za hotový klip znamená, že se cena mění podle výstupu, který nelze předvídat.