Comment Clippen transforme un long enregistrement en clips verticaux

Que devient votre vidéo une fois envoyée ?

Vous confiez à Clippen un long enregistrement : collez un lien ou importez le fichier. À partir de là, le travail se fait sur nos serveurs, pas dans votre navigateur. Vous pouvez fermer l’onglet, et les clips vous attendent à votre retour.

Le traitement est une file de six étapes, dans un ordre fixe, car chacune a besoin du résultat de la précédente. La transcription doit exister avant qu’un modèle puisse juger quelles soixante secondes valent d’être gardées. Les limites de scène doivent exister avant qu’une coupe puisse être placée ailleurs qu’au milieu d’un plan. Les moments sélectionnés doivent exister avant qu’il y ait quoi que ce soit à recadrer.

Rien n’est publié nulle part dans le cadre du traitement. Les clips sont à vous de les télécharger, et la publication sur TikTok, Instagram Reels ou YouTube Shorts n’a lieu que lorsque vous connectez un compte et appuyez sur publier. Clippen est conçu pour clipper des vidéos qui vous appartiennent ou dont vous avez le droit d’utiliser le contenu — votre propre podcast, votre propre stream, votre propre conférence. Vous gardez tous les droits que vous aviez déjà sur la source et sur les clips ; Clippen ne prend aucune licence au-delà du traitement du fichier que vous soumettez. Clipper la vidéo de quelqu’un d’autre relève de votre relation avec la plateforme de destination : la politique de YouTube sur les contenus non authentiques de juillet 2025 cite explicitement les clips recyclés.

Les six étapes, dans l’ordre

Transcription avec horodatage au mot près

L’audio de la source est transcrit avec un horodatage sur chaque mot, pas seulement sur chaque phrase. C’est ce timing au mot près qui permet à un clip de démarrer à une frontière de mot plutôt qu’à mi-syllabe, et qui fait tomber les sous-titres karaoké sur la bonne image. La langue parlée est détectée automatiquement.

Détection des changements de scène

La vidéo est analysée pour repérer les coupes et les transitions visuelles franches. Ces repères empêchent un clip de s’ouvrir au milieu d’un plan, ce qui est la raison la plus courante pour laquelle un clip généré automatiquement a l’air d’avoir été fait par une machine.

Sélection des moments

La transcription horodatée et les limites de scène sont transmises ensemble au modèle, qui renvoie les segments autonomes les plus forts, de 15 à 60 secondes chacun, jugés sur la force de leur ouverture, sur le fait que le segment tienne sa promesse, et sur sa compréhension par quelqu’un qui n’a pas entendu le reste de l’épisode. Il vise environ dix clips à partir de tout enregistrement assez long pour les contenir, et n’en renvoie moins que lorsque la source est trop courte.

Recadrage vertical

Chaque clip est recomposé du 16:9 au 9:16. Un mode suit un seul locuteur grâce à la détection de visage, amortie par un stabilisateur qui maintient la caméra immobile dans une zone de sécurité au lieu de suivre chaque mouvement de tête. GENERAL conserve toute la largeur sur un arrière-plan flouté pour les plans de groupe et les paysages. SPLIT empile deux locuteurs dans des demi-cadres lorsqu’ils sont réellement dans le même plan. SCREENCAST et INSET prennent en charge les diapositives, les écrans partagés et les mises en page de stream où le sens se trouve hors du centre de l’image.

Sous-titres, accroches et rythme

Les sous-titres sont générés mot par mot à partir de la transcription et incrustés, avec le mot prononcé mis en surbrillance au moment où il tombe. Un titre d’accroche rédigé par l’IA couvre les premières secondes, celles où un spectateur de format court décide de rester ou non. Des zooms optionnels appuient les temps forts du clip pour qu’une caméra fixe ne donne pas l’impression d’un clip figé.

Export et publication

Les clips sortent en 1080×1920 en 9:16, 1:1 et 16:9. Téléchargez-les, ou publiez sur TikTok, Instagram Reels et YouTube Shorts depuis le tableau de bord. Le doublage vocal peut traduire un clip en 31 langues tout en gardant la voix du locuteur, et l’audio doublé est retranscrit pour que les sous-titres correspondent à la nouvelle langue.

Combien de temps cela prend-il ?

Nous vous écrivons dès qu’ils sont prêts. Le traitement s’exécute sur nos serveurs, pas sur votre machine, et sur de vraies sources de toutes durées — un épisode de podcast, une conférence de 20 minutes, un stream de quatre heures — plutôt que sur un court fichier de démonstration.

C’est utile à savoir, car cela change votre façon de planifier. Clipper à la main un épisode d’une heure — trouver les moments, les découper, recadrer chacun à la verticale, saisir et caler les sous-titres — occupe l’essentiel d’une journée de travail, et c’est la raison pour laquelle le catalogue de la plupart des gens reste non publié. Le traitement sans surveillance est un autre type de décision. Vous lancez le traitement à la fin de la séance d’enregistrement et les clips vous attendent à votre retour.

Presque tout ce temps est consacré à la transcription et à l’encodage vidéo. L’appel au modèle qui choisit les moments n’en représente qu’une petite fraction, c’est pourquoi une source plus longue coûte du temps à peu près proportionnellement à sa durée, sans à-coups brutaux.

Pourquoi les clips ne commencent-ils pas au milieu d’une phrase ?

Parce que deux signaux distincts servent à placer la coupe, et que chacun capte ce que l’autre laisse passer.

La transcription porte un horodatage sur chaque mot, et non sur chaque phrase. C’est ce qui permet de démarrer un clip exactement sur la première consonne du premier mot plutôt qu’une fraction de seconde après, ce qui est l’indice audible qu’un clip a été coupé par une machine. Le timing au mot près est aussi ce qui permet aux sous-titres de mettre chaque mot en surbrillance au moment où il est réellement prononcé.

La détection de scènes apporte l’autre moitié. Une transcription seule peut trouver une phrase brillante sans savoir que la caméra coupe en plein milieu. Les limites de scène seules peuvent trouver des coupes visuelles nettes sans rien de valable à dire entre elles. Le modèle qui sélectionne les moments reçoit les deux ensemble, et peut donc choisir un segment à la fois citable et visuellement intact.

La sélection tient aussi compte de l’autonomie du segment. Un passage de soixante secondes qui s’ouvre sur « et c’est exactement pour ça que je ne suis pas d’accord » est inutile pour un spectateur qui n’a pas entendu les dix minutes précédentes, aussi bonne que soit la formule. L’autonomie est un critère de sélection, pas une réflexion après coup.

Comment le recadrage vertical décide-t-il quoi garder ?

Une image 16:9 recomposée en 9:16 perd environ les trois quarts de sa largeur : il faut donc que quelque chose décide à quoi servait cette largeur. Clippen choisit une mise en page par scène plutôt que d’appliquer un seul recadrage à toute la vidéo.

• TRACK suit un seul locuteur grâce à la détection de visage. La caméra est amortie : elle reste immobile dans une zone de sécurité et ne bouge que lorsque le sujet en sort, car un recadrage qui suit chaque mouvement de tête oscille visiblement et fait amateur, même quand le cadrage est techniquement correct.
• GENERAL conserve toute la largeur sur un arrière-plan flouté, pour les plans de groupe et les paysages où recadrer sur un point unique fait perdre le sujet.
• SPLIT empile deux locuteurs dans des demi-cadres, mais seulement lorsque les deux visages sont réellement dans le même plan pendant une partie soutenue de la scène. Ce test est ce qui distingue un vrai plan à deux d’un montage en champ/contrechamp, où l’empilement montrerait deux fois la même personne.
• SCREENCAST et WIDE gèrent les diapositives et les écrans partagés. Un contenu qui occupe l’essentiel du cadre ne survit pas à un recadrage : il est donc empilé au-dessus de l’intervenant ou conservé en pleine largeur plutôt que coupé.
• INSET gère la mise en page de stream : un écran pleine largeur avec une petite webcam dans un coin. L’écran passe en haut et la webcam est agrandie en dessous.
• Les coupes sur le locuteur et les zooms sur les temps forts s’ajoutent à la mise en page : des coupes franches vers la personne qui parle, et un léger zoom avant sur les temps forts, pour qu’une caméra fixe ne donne pas un clip à l’air figé.

Combien coûte un traitement ?

Clippen est un outil payant, facturé selon la durée de ce que vous lui confiez : un crédit correspond à une minute de vidéo source, et ce débit unique couvre tout le traitement — chaque clip issu de la vidéo, le recadrage vertical, les sous-titres et l’accroche. Un podcast de 60 minutes coûte 60 crédits, qu’il donne six clips ou douze. Les offres démarrent à 19,99 $ par mois pour 150 crédits (11,66 $ par mois en facturation annuelle) et vont jusqu’à 59,99 $ par mois pour 800 crédits. Il n’y a pas d’offre gratuite.

L’unité compte quand on compare les outils. Facturer à la minute de source signifie que le coût d’un épisode est connu avant d’appuyer sur démarrer : une interview de 45 minutes, c’est 45 crédits, quel que soit le résultat. Facturer au clip terminé signifie que le coût varie avec un résultat que l’on ne peut pas prévoir.