Wie Clippen aus einer langen Aufnahme vertikale Clips macht

Was passiert mit deinem Video, nachdem du es abgeschickt hast?

Du gibst Clippen eine lange Aufnahme: Link einfügen oder Datei hochladen. Ab da passiert die Arbeit auf unseren Servern, nicht in deinem Browser. Du kannst den Tab schließen, und die Clips warten auf dich, wenn du zurückkommst.

Der Auftrag läuft als Warteschlange aus sechs Stufen in fester Reihenfolge, weil jede die Ausgabe der vorigen braucht. Das Transkript muss existieren, bevor ein Modell beurteilen kann, welche sechzig Sekunden es wert sind, behalten zu werden. Die Szenengrenzen müssen existieren, bevor ein Schnitt irgendwo gesetzt werden kann, das nicht mitten in einer Einstellung liegt. Die ausgewählten Momente müssen existieren, bevor es etwas zum Reframen gibt.

Im Rahmen der Verarbeitung wird nirgendwo etwas veröffentlicht. Die Clips kannst du herunterladen, und das Posten auf TikTok, Instagram Reels oder YouTube Shorts geschieht nur, wenn du ein Konto verbindest und auf Posten drückst. Clippen ist dafür gebaut, Videos zu clippen, die dir gehören oder deren Nutzungsrechte du hast — dein eigener Podcast, dein eigener Stream, dein eigener Vortrag. Du behältst alle Rechte, die du an der Quelle und an den Clips schon hattest; Clippen nimmt sich keine Lizenz über die Verarbeitung der eingereichten Datei hinaus. Das Clippen fremder Uploads ist eine Sache zwischen dir und der Zielplattform: Die Richtlinie zu nicht authentischen Inhalten von YouTube vom Juli 2025 nennt wiederverwertete Clips ausdrücklich.

Die sechs Stufen, der Reihe nach

Transkription mit Zeitstempeln auf Wortebene

Das Audio der Quelle wird transkribiert, mit einem Zeitstempel an jedem einzelnen Wort und nicht nur an jedem Satz. Das wortgenaue Timing sorgt dafür, dass ein Clip an einer Wortgrenze beginnt statt eine halbe Silbe zu spät, und dafür, dass Karaoke-Untertitel auf dem richtigen Frame landen. Die gesprochene Sprache wird automatisch erkannt.

Erkennung von Szenengrenzen

Das Video wird auf Schnitte und harte visuelle Übergänge durchsucht. Diese Grenzen verhindern, dass ein Clip mitten in einer Einstellung beginnt, was der häufigste Grund dafür ist, dass ein automatisch erzeugter Clip nach Maschine aussieht.

Auswahl der Momente

Das Transkript mit Zeitstempeln und die Szenengrenzen gehen gemeinsam an das Modell, und es liefert die stärksten in sich geschlossenen Abschnitte von je 15 bis 60 Sekunden zurück. Beurteilt wird, wie stark der Einstieg zieht, ob der Abschnitt sich auszahlt und ob er auch für jemanden Sinn ergibt, der den Rest der Folge nicht gehört hat. Angestrebt sind etwa zehn Clips aus jeder Aufnahme, die lang genug dafür ist; weniger kommen nur zurück, wenn die Quelle zu kurz ist.

Vertikales Reframing

Jeder Clip wird von 16:9 auf 9:16 neu komponiert. Ein Modus folgt mit Gesichtserkennung einer einzelnen sprechenden Person, gedämpft durch einen Stabilisator, der die Kamera innerhalb einer Sicherheitszone ruhig hält, statt jeder Kopfbewegung hinterherzulaufen. GENERAL behält die volle Breite über einem unscharfen Hintergrund, für Gruppenaufnahmen und Landschaften. SPLIT stapelt zwei Sprechende in Halbbildern, wenn beide wirklich in derselben Einstellung zu sehen sind. SCREENCAST und INSET behandeln Folien, geteilte Bildschirme und Stream-Layouts, bei denen die Bedeutung außerhalb der Bildmitte liegt.

Untertitel, Hooks und Tempo

Die Untertitel werden Wort für Wort aus dem Transkript gerendert und eingebrannt, das gesprochene Wort wird im Moment des Sprechens hervorgehoben. Eine von der KI geschriebene Hook-Überschrift deckt die ersten Sekunden ab, in denen ein Zuschauer von Kurzvideos entscheidet, ob er bleibt. Optionale Punch-ins zoomen auf die Beats des Clips, damit eine starre Kamera nicht wie ein starrer Clip wirkt.

Export und Veröffentlichung

Clips kommen in 1080×1920 in 9:16, 1:1 und 16:9 heraus. Lade sie herunter oder poste sie aus dem Dashboard auf TikTok, Instagram Reels und YouTube Shorts. Voice-Dubbing kann einen Clip in 31 Sprachen übersetzen und dabei die Stimme der sprechenden Person behalten, und das gedubbte Audio wird erneut transkribiert, damit die Untertitel zur neuen Sprache passen.

Wie lange dauert es?

Wir schicken dir eine E-Mail, sobald sie fertig sind. Der Auftrag läuft auf unseren Servern, nicht auf deinem Rechner, und zwar an echten Quellen jeder Länge — einer Podcast-Folge, einem Konferenzvortrag von 20 Minuten, einem Stream von vier Stunden — und nicht an einer kurzen Demo-Datei.

Das ist gut zu wissen, weil es ändert, wie du planst. Eine Folge von einer Stunde von Hand zu clippen — die Momente finden, schneiden, jeden auf vertikal reframen, Untertitel tippen und timen — ist ein großer Teil eines Arbeitstags, und es ist der Grund, warum das Archiv der meisten Leute unveröffentlicht herumliegt. Unbeaufsichtigte Verarbeitung ist eine andere Art von Entscheidung. Du startest den Auftrag am Ende der Aufnahmesitzung, und die Clips warten auf dich, wenn du zurückkommst.

Fast die gesamte Zeit entfällt auf Transkription und Videokodierung. Der Modellaufruf, der die Momente auswählt, ist ein kleiner Bruchteil davon. Deshalb kostet eine längere Quelle ungefähr im Verhältnis zu ihrer Länge mehr Zeit und nicht in plötzlichen Sprüngen.

Warum beginnen Clips nicht mitten im Satz?

Weil zwei getrennte Signale den Schnitt platzieren und jedes das erfasst, was das andere übersieht.

Das Transkript trägt einen Zeitstempel an jedem einzelnen Wort, nicht an jedem Satz. Dadurch ist es möglich, einen Clip genau auf dem ersten Konsonanten des ersten Wortes zu beginnen und nicht einen Sekundenbruchteil danach, was das hörbare Anzeichen dafür ist, dass ein Clip von einer Maschine geschnitten wurde. Das wortgenaue Timing ist auch das, was die Untertitel jedes Wort in dem Moment hervorheben lässt, in dem es tatsächlich gesprochen wird.

Die Szenenerkennung liefert die andere Hälfte. Ein Transkript allein kann einen brillanten Satz finden und nicht wissen, dass die Kamera mitten darin schneidet. Szenengrenzen allein finden saubere visuelle Schnitte, zwischen denen nichts Sagenswertes liegt. Das Modell, das die Momente auswählt, bekommt beides zusammen, kann also einen Abschnitt wählen, der zugleich zitierfähig und visuell intakt ist.

Die Auswahl wird außerdem danach beurteilt, ob der Abschnitt für sich allein steht. Eine Passage von sechzig Sekunden, die mit „und genau deshalb bin ich anderer Meinung“ beginnt, ist für einen Zuschauer nutzlos, der die vorigen zehn Minuten nicht gehört hat, so gut die Zeile auch sein mag. In sich geschlossen zu sein ist ein Auswahlkriterium, kein nachträglicher Gedanke.

Wie entscheidet der vertikale Zuschnitt, was bleibt?

Ein 16:9-Bild, das auf 9:16 neu komponiert wird, verliert etwa drei Viertel seiner Breite, also muss etwas entscheiden, wofür diese Breite gedacht war. Clippen wählt ein Layout pro Szene, statt einen einzigen Zuschnitt auf das ganze Video anzuwenden.

• TRACK folgt einer einzelnen sprechenden Person mit Gesichtserkennung. Die Kamera ist gedämpft: Sie bleibt innerhalb einer Sicherheitszone ruhig und bewegt sich nur, wenn das Motiv sie verlässt, denn ein Zuschnitt, der jeder Kopfbewegung hinterherläuft, schwankt sichtbar und wirkt amateurhaft, selbst wenn der Bildausschnitt technisch stimmt.
• GENERAL behält die volle Breite über einem unscharfen Hintergrund, für Gruppenaufnahmen und Landschaften, bei denen ein Zuschnitt auf einen einzelnen Punkt das Motiv wegwirft.
• SPLIT stapelt zwei Sprechende in Halbbildern, aber nur, wenn beide Gesichter über einen längeren Teil der Szene wirklich in derselben Einstellung zu sehen sind. Dieser Test trennt eine echte Zweiereinstellung von einem Schuss-Gegenschuss-Schnitt, bei dem das Stapeln dieselbe Person zweimal zeigen würde.
• SCREENCAST und WIDE behandeln Folien und geteilte Bildschirme. Inhalt, der den Großteil des Bildes einnimmt, übersteht keinen Zuschnitt, deshalb wird er über der Person am Mikrofon gestapelt oder in voller Breite belassen, statt abgeschnitten zu werden.
• INSET behandelt das Stream-Layout: ein Bildschirm in voller Breite mit einer kleinen Webcam-Box in einer Ecke. Der Bildschirm kommt nach oben, und die Webcam wird darunter vergrößert.
• Sprecherschnitte und Punch-ins liegen über dem Layout: harte Schnitte auf die Person, die gerade spricht, und ein sanftes Heranzoomen auf den Beats, damit eine starre Kamera keinen starr wirkenden Clip ergibt.

Was kostet ein Durchlauf?

Clippen ist ein kostenpflichtiges Tool und rechnet nach der Länge dessen ab, was du einspeist: Ein Credit ist eine Minute Quellvideo, und diese eine Abbuchung deckt den ganzen Durchlauf ab — alle Clips, die das Video ergibt, das vertikale Reframing, die Untertitel und den Hook. Ein Podcast von 60 Minuten kostet 60 Credits, egal ob er mit sechs oder zwölf Clips zurückkommt. Die Tarife beginnen bei 19,99 $ im Monat für 150 Credits (11,66 $ im Monat bei jährlicher Abrechnung) und reichen bis 59,99 $ im Monat für 800 Credits. Es gibt keinen kostenlosen Tarif.

Die Einheit zählt, wenn du Tools vergleichst. Die Abrechnung pro Minute Quelle bedeutet, dass die Kosten einer Folge bekannt sind, bevor du auf Start drückst: Ein Interview von 45 Minuten sind 45 Credits, was auch immer zurückkommt. Die Abrechnung pro fertigem Clip bedeutet, dass die Kosten sich mit einem Ergebnis bewegen, das du nicht vorhersagen kannst.