Πώς το Clippen μετατρέπει μία μεγάλη ηχογράφηση σε κάθετα κλιπ

Τι συμβαίνει με το βίντεό σου αφού το υποβάλεις;

Δίνεις στο Clippen μία μεγάλη ηχογράφηση: επικολλάς έναν σύνδεσμο ή ανεβάζεις το αρχείο. Από εκείνη τη στιγμή η δουλειά γίνεται στους δικούς μας διακομιστές και όχι στον browser σου. Μπορείς να κλείσεις την καρτέλα, και τα κλιπ σε περιμένουν όταν επιστρέψεις.

Η εργασία τρέχει ως ουρά έξι σταδίων, με σταθερή σειρά, επειδή το καθένα χρειάζεται το αποτέλεσμα του προηγούμενου. Η απομαγνητοφώνηση πρέπει να υπάρχει πριν ένα μοντέλο μπορέσει να κρίνει ποια εξήντα δευτερόλεπτα αξίζει να κρατηθούν. Τα όρια των σκηνών πρέπει να υπάρχουν πριν μπει ένα κόψιμο κάπου που δεν είναι η μέση ενός πλάνου. Οι επιλεγμένες στιγμές πρέπει να υπάρχουν πριν υπάρξει οτιδήποτε να επανακαδραριστεί.

Τίποτα δεν δημοσιεύεται πουθενά ως μέρος της επεξεργασίας. Τα κλιπ είναι δικά σου για λήψη, και η δημοσίευση σε TikTok, Instagram Reels ή YouTube Shorts γίνεται μόνο όταν συνδέσεις έναν λογαριασμό και πατήσεις δημοσίευση. Το Clippen φτιάχτηκε για να κόβει βίντεο που σου ανήκουν ή που έχεις δικαίωμα να χρησιμοποιήσεις — το δικό σου podcast, το δικό σου stream, τη δική σου ομιλία. Κρατάς όλα τα δικαιώματα που είχες ήδη στην πηγή και στα κλιπ· το Clippen δεν παίρνει καμία άδεια πέρα από την επεξεργασία του αρχείου που υποβάλλεις. Το να κόψεις το ανέβασμα κάποιου άλλου είναι υπόθεση ανάμεσα σε σένα και την πλατφόρμα προορισμού: η πολιτική του YouTube για το μη αυθεντικό περιεχόμενο του Ιουλίου 2025 αναφέρει ρητά τα ανακυκλωμένα κλιπ.

Τα έξι στάδια, με τη σειρά

Απομαγνητοφώνηση με χρονοσήμανση ανά λέξη

Ο ήχος του αρχικού βίντεο απομαγνητοφωνείται με χρονοσήμανση σε κάθε μεμονωμένη λέξη, όχι μόνο σε κάθε πρόταση. Η χρονομέτρηση ανά λέξη επιτρέπει σε ένα κλιπ να ξεκινά στο όριο μιας λέξης και όχι μισή συλλαβή μέσα της, και κάνει τους υποτίτλους τύπου καραόκε να πέφτουν στο σωστό καρέ. Η γλώσσα ομιλίας ανιχνεύεται αυτόματα.

Ανίχνευση ορίων σκηνών

Το βίντεο σαρώνεται για κοψίματα και απότομες οπτικές μεταβάσεις. Αυτά τα όρια εμποδίζουν ένα κλιπ να ανοίγει στη μέση ενός πλάνου, που είναι ο συχνότερος λόγος για τον οποίο ένα αυτόματο κλιπ φαίνεται φτιαγμένο από μηχανή.

Επιλογή στιγμών

Η απομαγνητοφώνηση με χρονοσημάνσεις και τα όρια των σκηνών πηγαίνουν μαζί στο μοντέλο, που επιστρέφει τα δυνατότερα αυτοτελή τμήματα των 15 έως 60 δευτερολέπτων το καθένα. Τα κρίνει με βάση το πόσο δυνατά χτυπά η αρχή τους, αν το τμήμα έχει κατάληξη και αν έχει ακόμα νόημα για κάποιον που δεν έχει ακούσει το υπόλοιπο επεισόδιο. Στοχεύει σε περίπου δέκα κλιπ από κάθε ηχογράφηση αρκετά μεγάλη ώστε να τα χωρά και επιστρέφει λιγότερα μόνο όταν η πηγή είναι πολύ σύντομη.

Κάθετο επανακαδράρισμα

Κάθε κλιπ ανασυντίθεται από 16:9 σε 9:16. Μία λειτουργία ακολουθεί έναν μεμονωμένο ομιλητή με ανίχνευση προσώπου, με απόσβεση από έναν σταθεροποιητή που κρατά την κάμερα ακίνητη μέσα σε μια ασφαλή ζώνη αντί να κυνηγά κάθε κίνηση του κεφαλιού. Το GENERAL κρατά το πλήρες πλάτος πάνω από θολό φόντο για πλάνα ομάδων και τοπία. Το SPLIT στοιβάζει δύο ομιλητές σε μισά κάδρα όταν βρίσκονται πραγματικά και οι δύο στο ίδιο πλάνο. Τα SCREENCAST και INSET χειρίζονται διαφάνειες, κοινόχρηστες οθόνες και διατάξεις stream όπου το νόημα βρίσκεται έξω από το κέντρο του κάδρου.

Υπότιτλοι, hooks και ρυθμός

Οι υπότιτλοι αποδίδονται λέξη προς λέξη από την απομαγνητοφώνηση και ενσωματώνονται στο βίντεο, με την ομιλούμενη λέξη επισημασμένη τη στιγμή που ακούγεται. Ένας τίτλος-hook γραμμένος από AI καλύπτει τα πρώτα δευτερόλεπτα, εκεί όπου ο θεατής ενός σύντομου βίντεο αποφασίζει αν θα μείνει. Τα προαιρετικά punch-ins πλησιάζουν στους χτύπους του κλιπ, ώστε μια στατική κάμερα να μη φαίνεται σαν στατικό κλιπ.

Εξαγωγή και δημοσίευση

Τα κλιπ βγαίνουν σε 1080×1920 με αναλογίες 9:16, 1:1 και 16:9. Κατέβασέ τα ή δημοσίευσέ τα σε TikTok, Instagram Reels και YouTube Shorts από τον πίνακα ελέγχου. Η μεταγλώττιση φωνής μπορεί να μεταφράσει ένα κλιπ σε 31 γλώσσες διατηρώντας τη φωνή του ομιλητή, και ο μεταγλωττισμένος ήχος απομαγνητοφωνείται ξανά ώστε οι υπότιτλοι να ταιριάζουν με τη νέα γλώσσα.

Πόσο διαρκεί;

Σου στέλνουμε email τη στιγμή που είναι έτοιμα. Η εργασία τρέχει στους δικούς μας διακομιστές και όχι στον υπολογιστή σου, και σε πραγματικές πηγές κάθε διάρκειας — ένα επεισόδιο podcast, μια ομιλία συνεδρίου 20 λεπτών, ένα stream τεσσάρων ωρών — και όχι σε ένα σύντομο δοκιμαστικό αρχείο.

Αυτό αξίζει να το ξέρεις γιατί αλλάζει τον τρόπο που προγραμματίζεις. Το να κόψεις με το χέρι ένα επεισόδιο μίας ώρας — να βρεις τις στιγμές, να τις κόψεις, να επανακαδράρεις καθεμία σε κάθετο, να πληκτρολογήσεις και να χρονίσεις τους υποτίτλους — είναι το μεγαλύτερο μέρος μιας εργάσιμης ημέρας, και γι' αυτό το αρχείο των περισσότερων ανθρώπων μένει αδημοσίευτο. Η επεξεργασία χωρίς επίβλεψη είναι διαφορετικού είδους απόφαση. Ξεκινάς την εργασία στο τέλος της ηχογράφησης και τα κλιπ σε περιμένουν όταν επιστρέψεις.

Σχεδόν όλος αυτός ο χρόνος πηγαίνει στην απομαγνητοφώνηση και στην κωδικοποίηση του βίντεο. Η κλήση προς το μοντέλο που διαλέγει τις στιγμές είναι ένα μικρό κλάσμα του, γι' αυτό μια μεγαλύτερη πηγή κοστίζει περισσότερο χρόνο περίπου ανάλογα με τη διάρκειά της και όχι με απότομα άλματα.

Γιατί τα κλιπ δεν ξεκινούν στη μέση μιας πρότασης;

Επειδή για να τοποθετηθεί το κόψιμο χρησιμοποιούνται δύο ξεχωριστά σήματα, και το καθένα πιάνει ό,τι χάνει το άλλο.

Η απομαγνητοφώνηση φέρει χρονοσήμανση σε κάθε μεμονωμένη λέξη, όχι σε κάθε πρόταση. Αυτό επιτρέπει σε ένα κλιπ να ξεκινά ακριβώς στο πρώτο σύμφωνο της πρώτης λέξης και όχι ένα κλάσμα του δευτερολέπτου μέσα της, που είναι το ακουστικό σημάδι ότι ένα κλιπ κόπηκε από μηχανή. Η χρονομέτρηση ανά λέξη είναι επίσης αυτό που επιτρέπει στους υποτίτλους να επισημαίνουν κάθε λέξη τη στιγμή που πραγματικά λέγεται.

Η ανίχνευση σκηνών προσφέρει το άλλο μισό. Μια απομαγνητοφώνηση από μόνη της μπορεί να βρει μια λαμπρή πρόταση και να μην έχει ιδέα ότι η κάμερα κόβει στη μέση της. Τα όρια των σκηνών από μόνα τους μπορούν να βρουν καθαρά οπτικά κοψίματα χωρίς τίποτα άξιο λόγου ανάμεσά τους. Το μοντέλο που επιλέγει τις στιγμές λαμβάνει και τα δύο μαζί, οπότε μπορεί να διαλέξει ένα τμήμα που είναι ταυτόχρονα αξιοπρόσεκτο και οπτικά ακέραιο.

Η επιλογή κρίνεται επίσης με βάση το αν το τμήμα στέκεται μόνο του. Ένα εξηκονταδευτερόλεπτο απόσπασμα που ανοίγει με «και ακριβώς γι' αυτό διαφωνώ» είναι άχρηστο σε έναν θεατή που δεν έχει ακούσει τα προηγούμενα δέκα λεπτά, όσο καλή κι αν είναι η ατάκα. Η αυτοτέλεια είναι κριτήριο επιλογής, όχι δευτερεύον ζήτημα.

Πώς αποφασίζει το κάθετο κάδρο τι θα κρατήσει;

Ένα κάδρο 16:9 που ανασυντίθεται σε 9:16 χάνει περίπου τα τρία τέταρτα του πλάτους του, οπότε κάτι πρέπει να αποφασίσει σε τι χρησίμευε αυτό το πλάτος. Το Clippen επιλέγει διάταξη ανά σκηνή αντί να εφαρμόζει ένα κάδρο σε όλο το βίντεο.

• Το TRACK ακολουθεί έναν μεμονωμένο ομιλητή με ανίχνευση προσώπου. Η κάμερα είναι αποσβεσμένη: μένει ακίνητη μέσα σε μια ασφαλή ζώνη και κινείται μόνο όταν το υποκείμενο τη διαφύγει, επειδή ένα κάδρο που κυνηγά κάθε κίνηση του κεφαλιού ταλαντεύεται ορατά και φαίνεται ερασιτεχνικό ακόμα κι όταν το καδράρισμα είναι τεχνικά σωστό.
• Το GENERAL κρατά το πλήρες πλάτος πάνω από θολό φόντο, για πλάνα ομάδων και τοπία όπου το κόψιμο γύρω από ένα σημείο πετά το υποκείμενο.
• Το SPLIT στοιβάζει δύο ομιλητές σε μισά κάδρα, αλλά μόνο όταν και τα δύο πρόσωπα βρίσκονται πραγματικά στο ίδιο πλάνο για ένα διαρκές μέρος της σκηνής. Αυτός ο έλεγχος ξεχωρίζει ένα πραγματικό πλάνο δύο ατόμων από μοντάζ πλάνου/αντίστροφου πλάνου, όπου το στοίβαγμα θα έδειχνε το ίδιο άτομο δύο φορές.
• Τα SCREENCAST και WIDE χειρίζονται διαφάνειες και κοινόχρηστες οθόνες. Το περιεχόμενο που καλύπτει το μεγαλύτερο μέρος του κάδρου δεν αντέχει το κόψιμο, οπότε στοιβάζεται πάνω από τον παρουσιαστή ή μένει σε πλήρες πλάτος αντί να αποκόπτεται.
• Το INSET χειρίζεται τη διάταξη stream: μια οθόνη πλήρους πλάτους με ένα μικρό πλαίσιο webcam σε μια γωνία. Η οθόνη πηγαίνει από πάνω και η webcam μεγεθύνεται από κάτω.
• Τα κοψίματα ομιλητή και τα punch-ins μπαίνουν πάνω από τη διάταξη: απότομα κοψίματα σε όποιον μιλάει και μια απαλή πλησίαση στους χτύπους, ώστε μια στατική κάμερα να μη δίνει κλιπ με στατική όψη.

Πόσο κοστίζει μία εκτέλεση;

Το Clippen είναι επί πληρωμή εργαλείο και χρεώνει ανάλογα με τη διάρκεια όσων του δίνεις: μία πίστωση είναι ένα λεπτό αρχικού βίντεο, και αυτή η μία χρέωση καλύπτει ολόκληρη την εκτέλεση — κάθε κλιπ που δίνει το βίντεο, το κάθετο επανακαδράρισμα, τους υπότιτλους και το hook. Ένα podcast 60 λεπτών κοστίζει 60 πιστώσεις, είτε επιστρέψει έξι κλιπ είτε δώδεκα. Τα πακέτα ξεκινούν από 19,99 $ τον μήνα για 150 πιστώσεις (11,66 $ τον μήνα με ετήσια χρέωση) και φτάνουν έως 59,99 $ τον μήνα για 800 πιστώσεις. Δεν υπάρχει δωρεάν πακέτο.

Η μονάδα μετρά όταν συγκρίνεις εργαλεία. Η χρέωση ανά λεπτό αρχικού βίντεο σημαίνει ότι το κόστος ενός επεισοδίου είναι γνωστό πριν πατήσεις έναρξη: μια συνέντευξη 45 λεπτών είναι 45 πιστώσεις, ό,τι κι αν επιστρέψει. Η χρέωση ανά ολοκληρωμένο κλιπ σημαίνει ότι το κόστος κινείται με ένα αποτέλεσμα που δεν μπορείς να προβλέψεις.