Cómo convierte Clippen una grabación larga en clips verticales

¿Qué pasa con tu video después de enviarlo?

Le entregas a Clippen una grabación larga: pega un enlace o sube el archivo. A partir de ese momento el trabajo ocurre en nuestros servidores, no en tu navegador. Puedes cerrar la pestaña, y los clips te estarán esperando cuando vuelvas.

El proceso funciona como una cola de seis etapas, en un orden fijo, porque cada una necesita el resultado de la anterior. La transcripción tiene que existir antes de que un modelo pueda juzgar qué sesenta segundos merece la pena conservar. Los límites de escena tienen que existir antes de que se pueda colocar un corte en un sitio que no sea la mitad de un plano. Los momentos seleccionados tienen que existir antes de que haya algo que reencuadrar.

No se publica nada en ningún sitio como parte del procesamiento. Los clips son tuyos para descargarlos, y la publicación en TikTok, Instagram Reels o YouTube Shorts solo ocurre cuando conectas una cuenta y pulsas publicar. Clippen está hecho para hacer clips de videos que son tuyos o que tienes derecho a usar: tu propio podcast, tu propio directo, tu propia charla. Conservas todos los derechos que ya tenías sobre el video de origen y sobre los clips; Clippen no toma ninguna licencia más allá de procesar el archivo que envías. Hacer clips de lo que ha subido otra persona es un asunto entre tú y la plataforma de destino: la política de contenido no auténtico de YouTube de julio de 2025 menciona expresamente los clips reciclados.

Las seis etapas, en orden

Transcripción con marcas de tiempo por palabra

El audio del video de origen se transcribe con una marca de tiempo en cada palabra, no solo en cada frase. Esa precisión por palabra permite que un clip empiece en el límite de una palabra en lugar de media sílaba después, y hace que los subtítulos tipo karaoke caigan en el fotograma correcto. El idioma hablado se detecta automáticamente.

Detección de límites de escena

Se analiza el video en busca de cortes y transiciones visuales bruscas. Esos límites evitan que un clip empiece a mitad de un plano, que es el motivo más común por el que un clip generado automáticamente parece hecho por una máquina.

Selección de momentos

La transcripción con marcas de tiempo y los límites de escena van juntos al modelo, que devuelve los segmentos autónomos más fuertes, de 15 a 60 segundos cada uno, valorados según la fuerza con la que arranca el inicio, si el segmento cumple lo que promete y si sigue teniendo sentido para alguien que no ha oído el resto del episodio. Apunta a unos diez clips de cualquier grabación lo bastante larga para contenerlos, y devuelve menos solo cuando el video de origen es demasiado corto.

Reencuadre vertical

Cada clip se recompone de 16:9 a 9:16. Un modo sigue a un solo hablante con detección de rostro, amortiguado por un estabilizador que mantiene la cámara quieta dentro de una zona segura en lugar de perseguir cada movimiento de cabeza. GENERAL conserva el ancho completo sobre un fondo desenfocado en planos de grupo y paisajes. SPLIT apila a dos hablantes en medios encuadres cuando de verdad están en el mismo plano. SCREENCAST e INSET se ocupan de diapositivas, pantallas compartidas y diseños de directo donde lo importante está fuera del centro del encuadre.

Subtítulos, ganchos y ritmo

Los subtítulos se generan palabra por palabra a partir de la transcripción y se incrustan, con la palabra hablada resaltada justo cuando se dice. Un titular gancho escrito por IA cubre los primeros segundos, cuando quien ve contenido corto decide si se queda. Los acercamientos opcionales empujan el encuadre en los momentos clave del clip para que una cámara fija no haga que el clip parezca fijo.

Exportación y publicación

Los clips salen en 1080×1920 en 9:16, 1:1 y 16:9. Descárgalos o publícalos en TikTok, Instagram Reels y YouTube Shorts desde el panel. El doblaje de voz puede traducir un clip a 31 idiomas conservando la voz del hablante, y el audio doblado se vuelve a transcribir para que los subtítulos coincidan con el nuevo idioma.

¿Cuánto tarda?

Te avisamos por correo en cuanto estén listos. El proceso se ejecuta en nuestros servidores, no en tu equipo, y con videos de origen reales de todas las duraciones (un episodio de podcast, una charla de conferencia de 20 minutos, un directo de cuatro horas) y no con un archivo de demostración corto.

Conviene saberlo porque cambia cómo te organizas. Hacer clips de un episodio de una hora a mano (encontrar los momentos, cortarlos, reencuadrar cada uno a vertical, escribir y sincronizar los subtítulos) ocupa casi una jornada de trabajo, y es la razón por la que el catálogo de la mayoría de la gente está sin publicar. El procesamiento sin supervisión es otro tipo de decisión. Lanzas el proceso al terminar la sesión de grabación y los clips te están esperando cuando vuelves.

Casi todo ese tiempo es transcripción y codificación de video. La llamada al modelo que elige los momentos es una pequeña fracción, por eso un video de origen más largo cuesta más tiempo aproximadamente en proporción a su duración y no a saltos repentinos.

¿Por qué los clips no empiezan a mitad de una frase?

Porque se usan dos señales distintas para colocar el corte, y cada una capta lo que la otra pasa por alto.

La transcripción lleva una marca de tiempo en cada palabra, no en cada frase. Eso es lo que permite empezar un clip exactamente en la primera consonante de la primera palabra y no una fracción de segundo después, que es la señal audible de que una máquina cortó el clip. La precisión por palabra es también lo que permite que los subtítulos resalten cada palabra justo cuando se pronuncia.

La detección de escenas aporta la otra mitad. Una transcripción sola puede encontrar una frase brillante sin saber que la cámara corta a mitad de ella. Los límites de escena solos pueden encontrar cortes visuales limpios sin nada que valga la pena decir entre ellos. El modelo que selecciona los momentos recibe ambos a la vez, así que puede elegir un segmento que sea citable y esté visualmente intacto al mismo tiempo.

La selección también se juzga por si el segmento se sostiene solo. Un pasaje de sesenta segundos que empieza con “y por eso exactamente no estoy de acuerdo” no sirve de nada a quien no ha oído los diez minutos anteriores, por buena que sea la frase. Que el segmento sea autónomo es un criterio de selección, no algo que se añade después.

¿Cómo decide el recorte vertical qué conservar?

Un encuadre 16:9 recompuesto a 9:16 pierde cerca de tres cuartas partes de su ancho, así que algo tiene que decidir para qué servía ese ancho. Clippen elige un diseño por escena en lugar de aplicar un solo recorte a todo el video.

• TRACK sigue a un solo hablante mediante detección de rostro. La cámara está amortiguada: se mantiene quieta dentro de una zona segura y solo se mueve cuando el sujeto sale de ella, porque un recorte que persigue cada movimiento de cabeza se balancea de forma visible y parece amateur aunque el encuadre sea técnicamente correcto.
• GENERAL conserva el ancho completo sobre un fondo desenfocado, para planos de grupo y paisajes en los que recortar hacia un solo punto tira el sujeto a la basura.
• SPLIT apila a dos hablantes en medios encuadres, pero solo cuando ambos rostros están de verdad en el mismo plano durante una parte sostenida de la escena. Esa prueba es lo que separa un verdadero plano de dos de un montaje de plano y contraplano, donde apilar mostraría a la misma persona dos veces.
• SCREENCAST y WIDE se ocupan de las diapositivas y las pantallas compartidas. El contenido que ocupa la mayor parte del encuadre no sobrevive a un recorte, así que se apila sobre el presentador o se mantiene a ancho completo en lugar de cortarse.
• INSET se ocupa del diseño de directo: una pantalla a ancho completo con un pequeño recuadro de webcam en una esquina. La pantalla va arriba y la webcam se amplía debajo.
• Los cortes al hablante y los acercamientos van encima del diseño: cortes directos a quien está hablando y un empujón suave en los momentos clave, para que una cámara fija no produzca un clip de aspecto fijo.

¿Cuánto cuesta un proceso?

Clippen es una herramienta de pago y cobra según la duración de lo que le das: un crédito es un minuto de video de origen, y ese único cargo cubre todo el proceso: todos los clips que dé el video, el reencuadre vertical, los subtítulos y el gancho. Un podcast de 60 minutos cuesta 60 créditos tanto si devuelve seis clips como si devuelve doce. Los planes empiezan en 19,99 US$ al mes por 150 créditos (11,66 US$ al mes con facturación anual) y llegan hasta 59,99 US$ al mes por 800 créditos. No hay plan gratuito.

La unidad importa cuando comparas herramientas. Cobrar por minuto de origen significa que el costo de un episodio se conoce antes de pulsar el botón: una entrevista de 45 minutos son 45 créditos, salga lo que salga. Cobrar por clip terminado significa que el costo se mueve con un resultado que no puedes predecir.