Come Clippen trasforma una registrazione lunga in clip verticali

Cosa succede al tuo video dopo che l’hai inviato?

Dai a Clippen una registrazione lunga: incolla un link o carica il file. Da quel momento il lavoro avviene sui nostri server, non nel tuo browser. Puoi chiudere la scheda, e le clip ti aspettano quando torni.

L’elaborazione è una coda di sei fasi, in un ordine fisso, perché ciascuna ha bisogno dell’output di quella prima. La trascrizione deve esistere prima che un modello possa giudicare quali sessanta secondi valga la pena tenere. I confini delle scene devono esistere prima che un taglio possa essere piazzato in un punto che non sia il mezzo di un’inquadratura. I momenti selezionati devono esistere prima che ci sia qualcosa da reinquadrare.

Durante l’elaborazione non viene pubblicato nulla da nessuna parte. Le clip sono tue da scaricare, e la pubblicazione su TikTok, Instagram Reels o YouTube Shorts avviene solo quando colleghi un account e premi pubblica. Clippen è pensato per ricavare clip da video che sono tuoi o che hai il diritto di usare — il tuo podcast, la tua live, il tuo intervento. Mantieni tutti i diritti che avevi già sulla sorgente e sulle clip; Clippen non prende alcuna licenza oltre all’elaborazione del file che invii. Ricavare clip dal caricamento di qualcun altro è una questione tra te e la piattaforma di destinazione: la policy di YouTube di luglio 2025 sui contenuti non autentici cita esplicitamente le clip riciclate.

Le sei fasi, in ordine

Trascrizione con timestamp a livello di parola

L’audio della sorgente viene trascritto con un timestamp su ogni singola parola, non soltanto su ogni frase. La temporizzazione a livello di parola è ciò che permette a una clip di partire all’inizio di una parola invece che a metà sillaba, ed è ciò che fa cadere i sottotitoli in stile karaoke sul fotogramma giusto. La lingua parlata viene rilevata automaticamente.

Rilevamento dei cambi di scena

Il video viene analizzato alla ricerca di stacchi e transizioni visive nette. Questi confini evitano che una clip si apra a metà inquadratura, che è il motivo più frequente per cui una clip generata in automatico sembra fatta da una macchina.

Selezione dei momenti

La trascrizione con i timestamp e i confini delle scene vanno insieme al modello, che restituisce i segmenti autonomi più forti, ciascuno di 15-60 secondi, valutati in base a quanto colpisce l’apertura, a se il segmento mantiene ciò che promette e a se ha ancora senso per chi non ha ascoltato il resto della puntata. Punta a circa dieci clip da qualsiasi registrazione abbastanza lunga da contenerle, e ne restituisce meno solo quando la sorgente è troppo breve.

Reinquadratura verticale

Ogni clip viene ricomposta da 16:9 a 9:16. Una modalità segue un singolo interlocutore con il riconoscimento del volto, smorzata da uno stabilizzatore che tiene ferma la camera dentro una zona sicura invece di rincorrere ogni movimento della testa. GENERAL mantiene la larghezza intera su uno sfondo sfocato per inquadrature di gruppo e paesaggi. SPLIT impila due interlocutori in mezzi riquadri quando sono davvero nella stessa inquadratura. SCREENCAST e INSET gestiscono slide, schermi condivisi e layout da live in cui il significato sta fuori dal centro dell’inquadratura.

Sottotitoli, hook e ritmo

I sottotitoli vengono generati parola per parola a partire dalla trascrizione e incorporati nel video, con la parola pronunciata evidenziata nel momento in cui arriva. Un titolo hook scritto dall’IA copre i primi secondi, quelli in cui chi guarda un video breve decide se restare. I punch-in opzionali zoomano sui momenti forti della clip, così una camera fissa non fa sembrare fissa la clip.

Export e pubblicazione

Le clip escono a 1080×1920 in 9:16, 1:1 e 16:9. Scaricale, oppure pubblicale su TikTok, Instagram Reels e YouTube Shorts dalla dashboard. Il doppiaggio vocale può tradurre una clip in 31 lingue mantenendo la voce dell’interlocutore, e l’audio doppiato viene trascritto di nuovo, così i sottotitoli corrispondono alla nuova lingua.

Quanto ci mette?

Ti scriviamo via email non appena sono pronte. L’elaborazione gira sui nostri server, non sul tuo computer, ed è stata provata su sorgenti reali di ogni durata — una puntata di podcast, un intervento a una conferenza di 20 minuti, una live di quattro ore — e non su un breve file dimostrativo.

Vale la pena saperlo perché cambia il modo in cui ti organizzi. Ricavare a mano le clip da una puntata di un’ora — trovare i momenti, tagliarli, reinquadrare ciascuno in verticale, scrivere e sincronizzare i sottotitoli — occupa buona parte di una giornata di lavoro, ed è il motivo per cui l’archivio della maggior parte delle persone resta lì, non pubblicato. L’elaborazione senza supervisione è un altro tipo di decisione. Avvii il lavoro alla fine della sessione di registrazione e le clip ti aspettano quando torni.

Quasi tutto quel tempo è trascrizione e codifica video. La chiamata al modello che sceglie i momenti ne è una piccola frazione, ed è per questo che una sorgente più lunga costa più tempo all’incirca in proporzione alla sua durata e non a salti improvvisi.

Perché le clip non iniziano a metà frase?

Perché per piazzare il taglio si usano due segnali distinti, e ognuno coglie ciò che l’altro si lascia sfuggire.

La trascrizione porta un timestamp su ogni singola parola, non su ogni frase. È questo che permette di far partire una clip esattamente sulla prima consonante della prima parola e non una frazione di secondo dopo, che è l’indizio udibile che una clip è stata tagliata da una macchina. La temporizzazione a livello di parola è anche ciò che permette ai sottotitoli di evidenziare ogni parola nel momento in cui viene davvero pronunciata.

Il rilevamento delle scene fornisce l’altra metà. Una trascrizione da sola può trovare una frase brillante e non sapere che la camera stacca a metà. I confini delle scene da soli possono trovare stacchi visivi puliti senza nulla di interessante da dire in mezzo. Il modello che seleziona i momenti riceve entrambi insieme, così può scegliere un segmento che sia citabile e visivamente integro allo stesso tempo.

La selezione viene anche valutata in base a se il segmento regge da solo. Un passaggio di sessanta secondi che si apre con “ed è esattamente per questo che non sono d’accordo” è inutile per uno spettatore che non ha sentito i dieci minuti precedenti, per quanto sia buona la frase. L’autonomia è un criterio di selezione, non un ripensamento.

Come decide il ritaglio verticale cosa tenere?

Un’inquadratura 16:9 ricomposta in 9:16 perde circa tre quarti della larghezza, quindi qualcosa deve decidere a cosa serviva quella larghezza. Clippen sceglie un layout per ogni scena invece di applicare un solo ritaglio a tutto il video.

• TRACK segue un singolo interlocutore usando il riconoscimento del volto. La camera è smorzata: resta ferma dentro una zona sicura e si muove solo quando il soggetto ne esce, perché un ritaglio che rincorre ogni movimento della testa oscilla in modo visibile e sembra amatoriale anche quando l’inquadratura è tecnicamente corretta.
• GENERAL mantiene la larghezza intera su uno sfondo sfocato, per inquadrature di gruppo e paesaggi in cui ritagliare su un punto qualsiasi scarta il soggetto.
• SPLIT impila due interlocutori in mezzi riquadri, ma solo quando entrambi i volti sono davvero nella stessa inquadratura per una parte prolungata della scena. È questo test che separa una vera inquadratura a due da un montaggio campo/controcampo, dove impilare mostrerebbe due volte la stessa persona.
• SCREENCAST e WIDE gestiscono slide e schermi condivisi. Un contenuto che occupa gran parte dell’inquadratura non sopravvive a un ritaglio, quindi viene impilato sopra il relatore oppure tenuto a larghezza intera invece di essere tagliato via.
• INSET gestisce il layout da live: uno schermo a tutta larghezza con un piccolo riquadro webcam in un angolo. Lo schermo va in alto e la webcam viene ingrandita sotto.
• Tagli sull’interlocutore e punch-in si aggiungono al layout: tagli netti su chi sta parlando e uno zoom leggero sui momenti forti, così una camera fissa non produce una clip dall’aspetto statico.

Quanto costa un’elaborazione?

Clippen è uno strumento a pagamento e si paga in base alla durata di ciò che gli dai: un credito è un minuto di video sorgente, e quell’unico addebito copre l’intera elaborazione — tutte le clip che il video produce, la reinquadratura verticale, i sottotitoli e l’hook. Un podcast da 60 minuti costa 60 crediti, che tornino sei clip o dodici. I piani partono da 19,99 $ al mese per 150 crediti (11,66 $ al mese con fatturazione annuale) e arrivano a 59,99 $ al mese per 800 crediti. Non esiste un piano gratuito.

L’unità di misura conta quando confronti gli strumenti. Fatturare per minuto di sorgente significa che il costo di una puntata si conosce prima di premere avvio: un’intervista di 45 minuti sono 45 crediti, qualunque cosa torni indietro. Fatturare per clip finita significa che il costo si muove con un output che non puoi prevedere.