Hogyan alakítja a Clippen az egyetlen hosszú felvételt függőleges klipekké

Mi történik a videóddal, miután elküldted?

Egyetlen hosszú felvételt adsz a Clippennek: beillesztesz egy linket, vagy feltöltöd a fájlt. Ettől kezdve a munka a mi szervereinken zajlik, nem a böngésződben. Bezárhatod a lapot, és a klipek várnak, amikor visszajössz.

A feladat hat lépésből álló sorként fut, rögzített sorrendben, mert mindegyikhez az előző kimenete kell. Az átiratnak léteznie kell, mielőtt egy modell megítélheti, melyik hatvan másodpercet érdemes megtartani. A jelenethatároknak léteznie kell, mielőtt a vágást olyan helyre lehet tenni, amely nem egy jelenet közepe. A kiválasztott pillanatoknak léteznie kell, mielőtt bármit újra lehetne keretezni.

A feldolgozás részeként semmi sem kerül közzétételre sehol. A klipeket te töltheted le, a TikTokra, az Instagram Reelsre vagy a YouTube Shortsra pedig csak akkor posztolunk, ha összekötsz egy fiókot, és megnyomod a posztolást. A Clippen olyan videó klipelésére készült, amely a tiéd, vagy amelynek felhasználására jogod van — a saját podcastodra, a saját streamedre, a saját előadásodra. Minden jog megmarad nálad, ami eddig is megvolt a forráson és a klipeken; a Clippen az általad beküldött fájl feldolgozásán túl semmilyen licencet nem kér. Más feltöltésének klipelése közted és a célplatform között dől el: a YouTube 2025 júliusi inauthentic content szabályzata név szerint említi az újrahasznosított klipeket.

A hat lépés sorrendben

Átirat szószintű időbélyegekkel

A forrás hangját úgy írjuk át, hogy minden egyes szó kap időbélyeget, nem csak minden mondat. A szószintű időzítés teszi lehetővé, hogy egy klip szóhatáron kezdődjön ahelyett, hogy egy szótag felénél, és ettől esnek a karaoke-feliratok a helyes képkockára. A beszélt nyelvet automatikusan felismerjük.

Jelenethatárok felismerése

A videót átvizsgáljuk vágások és éles képi átmenetek után. Ezek a határok akadályozzák meg, hogy egy klip egy jelenet közepén kezdődjön, ami a leggyakoribb oka annak, hogy egy automatikusan generált klip gépinek hat.

Pillanatok kiválasztása

Az időbélyegzett átirat és a jelenethatárok együtt kerülnek a modellhez, amely visszaadja a legerősebb, önmagukban is megálló szakaszokat, egyenként 15–60 másodperc hosszan. Azt nézi, milyen erősen indul a szakasz, kifizetődik-e, és érthető-e annak is, aki az epizód többi részét nem hallotta. Nagyjából tíz klipre törekszik minden olyan felvételből, amely elég hosszú ahhoz, hogy elférjenek benne, és csak akkor ad vissza kevesebbet, ha a forrás túl rövid.

Függőleges újrakeretezés

Minden klipet 16:9-ről 9:16-ra komponálunk át. Az egyik mód arcfelismeréssel egyetlen beszélőt követ, egy stabilizátorral csillapítva, amely a kamerát egy biztonságos zónán belül nyugton tartja, ahelyett, hogy minden fejmozdulatot követne. A GENERAL a teljes szélességet megtartja elmosott háttér fölött csoportképekhez és tájképekhez. A SPLIT két beszélőt rak egymás alá fél-képkockákban, ha mindketten valóban ugyanabban a képben vannak. A SCREENCAST és az INSET a diákat, megosztott képernyőket és streamelrendezéseket kezeli, ahol a lényeg a kép közepén kívül van.

Feliratok, hookok és ritmus

A feliratokat az átiratból szavanként rendereljük és égetjük be, a kimondott szó kiemelésével abban a pillanatban, amikor elhangzik. Egy AI-jal írt hookcím fedi a nyitómásodperceket, ahol a rövid videó nézője eldönti, marad-e. Az opcionális ráközelítések a klip ütemeire nyomulnak be, hogy a mozdulatlan kamera ne olvasódjon mozdulatlan klipnek.

Exportálás és közzététel

A klipek 1080×1920 felbontásban készülnek, 9:16, 1:1 és 16:9 képaránnyal. Töltsd le őket, vagy posztold TikTokra, Instagram Reelsre és YouTube Shortsra az irányítópultról. A hangszinkron 31 nyelvre tud lefordítani egy klipet, a beszélő hangját megtartva, a szinkronizált hangot pedig újra átiratoljuk, hogy a feliratok az új nyelvhez igazodjanak.

Mennyi ideig tart?

E-mailt küldünk, amint elkészültek. A feladat a mi szervereinken fut, nem a te gépeden, és minden hosszúságú valódi forráson — egy podcastepizódon, egy 20 perces konferenciaelőadáson, egy négyórás streamen — nem egy rövid demófájlon.

Ezt azért érdemes tudni, mert megváltoztatja, hogyan tervezel. Egy órás epizód kézi klipelése — a pillanatok megkeresése, kivágása, mindegyik függőlegesre keretezése, a feliratok begépelése és időzítése — egy munkanap nagy része, és ez az oka annak, hogy a legtöbb ember régi anyaga publikálatlanul hever. A felügyelet nélküli feldolgozás más fajta döntés. A feladatot a felvétel végén indítod el, és a klipek várnak, amikor visszajössz.

Ennek az időnek szinte az egésze átiratkészítés és videókódolás. A pillanatokat kiválasztó modellhívás ennek csak egy kis töredéke, ezért egy hosszabb forrás nagyjából a hosszával arányosan tart tovább, nem hirtelen ugrásokban.

Miért nem kezdődnek a klipek egy mondat közepén?

Mert a vágás helyét két külön jel alapján határozzuk meg, és mindegyik elkapja azt, amit a másik elszalaszt.

Az átiratban minden egyes szónak van időbélyege, nem csak minden mondatnak. Ettől lehet egy klipet pontosan az első szó első mássalhangzójánál elindítani, nem egy másodperc törtrésszel utána, ami a hallható árulkodó jele annak, hogy egy klipet gép vágott ki. A szószintű időzítés az is, ami lehetővé teszi, hogy a feliratok minden szót abban a pillanatban emeljenek ki, amikor ténylegesen elhangzik.

A jelenetfelismerés adja a másik felet. Egy átirat önmagában megtalálhat egy zseniális mondatot, és fogalma sem lesz arról, hogy a kamera a mondat felénél vág. A jelenethatárok önmagukban tiszta képi vágásokat találhatnak, amelyek között nincs semmi említésre méltó. A pillanatokat kiválasztó modell mindkettőt együtt kapja, így olyan szakaszt tud választani, amely egyszerre idézhető és képileg ép.

A kiválasztásnál az is számít, hogy a szakasz megáll-e önmagában. Egy hatvan másodperces részlet, amely azzal nyit, hogy „és pontosan ezért nem értek egyet”, használhatatlan annak a nézőnek, aki nem hallotta az előző tíz percet, bármilyen jó is a mondat. Az önállóság kiválasztási szempont, nem utógondolat.

Hogyan dönti el a függőleges kivágás, mit tartson meg?

A 9:16-ra átkomponált 16:9-es kép a szélességének nagyjából háromnegyedét elveszíti, így valaminek el kell döntenie, mire volt jó az a szélesség. A Clippen jelenetenként választ elrendezést, ahelyett, hogy az egész videóra egyetlen kivágást alkalmazna.

• A TRACK egyetlen beszélőt követ arcfelismeréssel. A kamera csillapított: nyugton marad egy biztonságos zónán belül, és csak akkor mozdul, ha az alany elhagyja azt, mert az a kivágás, amely minden fejmozdulatot követ, láthatóan lengedezik, és akkor is amatőrnek hat, ha a keretezés technikailag helyes.
• A GENERAL a teljes szélességet megtartja elmosott háttér fölött, csoportképekhez és tájképekhez, ahol bármelyik pontra vágás eldobja a témát.
• A SPLIT két beszélőt rak egymás alá fél-képkockákban, de csak akkor, ha mindkét arc valóban ugyanabban a képben van a jelenet egy hosszabb részén. Ez a próba különíti el a valódi kétszereplős képet a shot/reverse-shot vágástól, ahol az egymásra rakás ugyanazt a személyt mutatná kétszer.
• A SCREENCAST és a WIDE a diákat és a megosztott képernyőket kezeli. A kép nagy részét kitöltő tartalom nem éli túl a kivágást, ezért az előadó fölé kerül, vagy teljes szélességben marad, ahelyett, hogy levágnák.
• Az INSET a streamelrendezést kezeli: teljes szélességű képernyő, egy sarokban kis webkamerás dobozzal. A képernyő kerül felülre, a webkamera pedig felnagyítva alá.
• A beszélőváltós vágások és a ráközelítések az elrendezés tetején ülnek: éles vágások arra, aki éppen beszél, és egy finom ráközelítés az ütemekre, hogy a mozdulatlan kamera ne eredményezzen mozdulatlannak látszó klipet.

Mibe kerül egy futtatás?

A Clippen fizetős eszköz, és annak hossza szerint számláz, amit betáplálsz neki: egy kredit egy perc forrásvideó, és ez az egyetlen díj fedezi a teljes futtatást — a videóból készülő összes klipet, a függőleges újrakeretezést, a feliratokat és a hookot. Egy 60 perces podcast 60 kreditbe kerül akkor is, ha hat klip jön vissza belőle, és akkor is, ha tizenkettő. A csomagok kezdőára havi 19,99 $ (150 kredit; éves számlázás mellett havi 11,66 $), a legdrágábbé havi 59,99 $ (800 kredit). Nincs ingyenes csomag.

Az egység számít, amikor eszközöket hasonlítasz össze. A forrás percei szerinti számlázás azt jelenti, hogy egy epizód költsége a start megnyomása előtt ismert: egy 45 perces interjú 45 kredit, bármi jön is vissza. Az elkészült klipek szerinti számlázás azt jelenti, hogy a költség egy olyan kimenettel mozog, amelyet nem tudsz előre megjósolni.