配信VODを縦型クリップに

配信VODは、トーキングヘッドよりクリップにしにくいのはなぜですか？

見どころがフレームの中央にあることは、ほとんどないからです。

配信は、録画される前に映像が合成されています。ゲームプレイ、共有画面、ブラウザが16:9の全幅を占め、配信者は、隅の小さなWebカメラの枠に映っています。左下、右下、HUDがない場所ならどこでもです。このレイアウト上の判断が、汎用のクリップ作成ツールがどれも行っている想定を崩します。中央を切り抜くと、顔もリアクションも、誰が話しているのかもわからない、ゲームマップの真ん中が残ります。代わりに顔を追うと、大きく拡大された隅の枠が残り、それが反応していたゲームプレイは切り落とされます。

2つ目の問題は、長さです。トーキングヘッドの動画は数分ですが、VODは数時間です。クリップにする価値のある場面は、4時間のどこかにある4分間で、それをスクラブして探すのが、多くの配信者のVODが一度もクリップにされない理由です。そのアーカイブは、未公開の在庫のなかでも最もわかりやすい例です。すでにライブで見ていた人にしか届かず、それ以外の誰にも届いていない、数時間分の収録素材です。

3つ目は、音声が途切れなく続くことです。チャプターの区切りも、編集も、自然な境界もないため、カットの位置は、存在しない構造ではなく、文字起こしと映像のシーン変化から得なければなりません。

Clippenは配信のレイアウトをどう再構築しますか？

INSETというモードを使います。検出の仕組みが興味深い部分なので、説明する価値があります。

Clippenは、フレームにWebカメラの枠があるかどうかを言語モデルに尋ねません。尋ねると、全体のレイアウトの選択が悪くなったからです。隅のWebカメラは通過し、トーキングヘッドは通過しない3つのテストを使って、小窓を幾何学的に検出します。被写体がフレームの中で小さいこと。被写体が水平方向に中央からずれていること。トーキングヘッドはフレームの上のほうに映ることもありますが、ほぼ必ず中央にあるため、縦位置だけでは足りません。そして被写体の枠がサンプル間でほとんど動かないこと。Webカメラのオーバーレイは同じピクセルに固定され、クリップの間で数ピクセルしか動きませんが、部屋にいる本物の人は数百ピクセル動きます。

3つすべてが満たされると、クリップは切り抜かれるのではなく再構築されます。画面は9:16フレームの上部に全幅で表示され、Webカメラの枠はその下に拡大されます。元の構図の両方の半分が残ります。画面に映っているものと、それへのリアクションを、読みやすい大きさで見られます。

関連するSCREENCASTモードは、同じ問題のもう一つの形を扱います。幅の大半に広がる共有画面やスライドがあり、話者がその上ではなく横にいる構成です。フレームの半分より狭いコンテンツには何もしません。隅のティッカーやローワーサードは、切り抜きでも問題なく残るため、並べ替えると、何もしないよりも悪くなるからです。

4時間のVODの料金はいくらですか？

240クレジットです。Clippenは元動画の長さで課金し、1クレジットはその1分なので、4時間は240分で、240クレジットです。何本のクリップが返ってきても、実行全体に対して1回だけ課金されます。

Clippenは有料のサービスで、投入した動画の長さに応じて課金されます。1クレジットは元動画1分で、その1回の料金に、動画から生成されるすべてのクリップ、縦型へのリフレーム、字幕、フックまで、実行全体が含まれます。60分のポッドキャストは、クリップが6本でも12本でも60クレジットです。プランは月額$19.99（150クレジット、年払いなら月額$11.66）から、月額$59.99（800クレジット）までです。無料プランはありません。

比較するどのツールでも、これは慎重に確認する価値があります。分単位の課金と、クリップ単位の課金では、同じVODでも大きく異なる数字になるからです。12本のクリップができる4時間の配信は、8本のクリップができる配信と、ここでは同じ240クレジットです。完成したクリップの月間上限で課金されると、同じVODでも、開始ボタンを押す前には誰にも予測できない出力によって価格が決まります。

配信者にとって実際に効いてくるのは、元動画をトリミングすることです。最初の1時間がセットアップとチャットだったとわかっているなら、後半の3時間を送信すれば、240ではなく180で済みます。実行のそれ以外の部分は何も変わりません。

どのくらい時間がかかり、何が返ってきますか？

完成し次第メールでお知らせします。ジョブはサーバー側で実行されます。配信が終わったらVODを送信して、寝てしまって構いません。

1回の送信から、長さにかかわらず約10本のクリップができあがり、それぞれ15〜60秒の長さです。本数は素材の内容に応じて変わり、無音の時間やセットアップの時間から、数を合わせるためにクリップを作ることはありません。それぞれのクリップは完成した状態で届きます。

• 1080×1920の縦型。同じ実行で9:16、1:1、16:9も利用できます。
• 話されている言葉をハイライトする、単語単位の焼き込み字幕。言語は自動で検出されます。
• 冒頭の数秒に表示される、AIが書いたフックの見出し。
• シーンごとに選ばれるレイアウト：隅にWebカメラがある場合はINSET、話者の横に共有画面がある場合はSCREENCAST、フルフレームのフェイスカムの場面はTRACK、コラボ配信の2人ショットはSPLIT。
• ビートに合わせたオプションのパンチイン。固定されたWebカメラでも、固定されたクリップに見えません。
• ダウンロード、またはダッシュボードからTikTok、Instagramリール、YouTubeショートに投稿。

画面に顔がまったく映らない配信、つまり音声のみのフルスクリーンのゲームキャプチャでは、見つけるべき小窓も、追うべき被写体もないため、それらの場面は全幅のレイアウトで処理され、音声と字幕がクリップを支えます。リフレームは、録画されなかったリアクションのショットを作り出すことはできません。