Jak Clippen zamienia jedno długie nagranie w pionowe klipy

Co dzieje się z Twoim filmem po jego wysłaniu?

Przekazujesz Clippen jedno długie nagranie: wklejasz link albo przesyłasz plik. Od tej chwili praca odbywa się na naszych serwerach, a nie w Twojej przeglądarce. Możesz zamknąć kartę, a klipy będą na Ciebie czekać, gdy wrócisz.

Zadanie przebiega jako kolejka sześciu etapów w stałej kolejności, bo każdy z nich potrzebuje wyniku poprzedniego. Transkrypcja musi istnieć, zanim model oceni, które sześćdziesiąt sekund warto zachować. Granice scen muszą istnieć, zanim cięcie zostanie umieszczone w miejscu innym niż środek ujęcia. Wybrane momenty muszą istnieć, zanim będzie co kadrować.

Podczas przetwarzania nic nie jest nigdzie publikowane. Klipy możesz pobrać, a publikowanie na TikToku, w Instagram Reels albo YouTube Shorts następuje dopiero wtedy, gdy połączysz konto i naciśniesz publikację. Clippen jest stworzony do klipowania filmów, które są Twoje albo do których masz prawa — własnego podcastu, własnej transmisji, własnego wystąpienia. Zachowujesz wszystkie prawa, które już Ci przysługiwały w materiale źródłowym i w klipach; Clippen nie bierze żadnej licencji poza przetworzeniem przesłanego pliku. Klipowanie cudzego filmu to sprawa między Tobą a platformą docelową: polityka YouTube dotycząca treści nieautentycznych z lipca 2025 wprost wymienia klipy przetwarzane wtórnie.

Sześć etapów, po kolei

Transkrypcja ze znacznikami czasu na poziomie słów

Dźwięk źródłowy jest transkrybowany ze znacznikiem czasu przy każdym pojedynczym słowie, a nie tylko przy każdym zdaniu. Dzięki taktowaniu na poziomie słów klip zaczyna się na granicy słowa, a nie w połowie sylaby, a napisy w stylu karaoke trafiają w odpowiednią klatkę. Język mówiony jest rozpoznawany automatycznie.

Wykrywanie granic scen

Film jest skanowany pod kątem cięć i ostrych przejść wizualnych. Te granice sprawiają, że klip nie otwiera się w środku ujęcia, a to najczęstszy powód, dla którego automatycznie wygenerowany klip wygląda na zrobiony przez maszynę.

Wybór momentów

Transkrypcja ze znacznikami czasu i granice scen trafiają do modelu razem, a on zwraca najmocniejsze samodzielne fragmenty o długości od 15 do 60 sekund, oceniane według tego, jak mocno uderza początek, czy fragment ma puentę i czy nadal ma sens dla kogoś, kto nie słyszał reszty odcinka. Celuje w około dziesięć klipów z każdego nagrania, które jest wystarczająco długie, by je pomieścić, a zwraca mniej tylko wtedy, gdy materiał źródłowy jest zbyt krótki.

Kadrowanie pionowe

Każdy klip jest komponowany od nowa z 16:9 do 9:16. Jeden tryb podąża za pojedynczym mówcą dzięki wykrywaniu twarzy, wygładzany przez stabilizator, który trzyma kamerę nieruchomo w bezpiecznej strefie zamiast gonić każdy ruch głowy. GENERAL zachowuje pełną szerokość na rozmytym tle dla ujęć grupowych i pejzaży. SPLIT układa dwóch mówców w połówkach ekranu, gdy naprawdę są w jednym ujęciu. SCREENCAST i INSET obsługują slajdy, udostępniane ekrany i układy transmisji, w których sens leży poza środkiem kadru.

Napisy, hooki i tempo

Napisy są renderowane słowo po słowie na podstawie transkrypcji i wypalane w obrazie, z podświetleniem wypowiadanego słowa w chwili, gdy pada. Napisany przez AI nagłówek-hook przykrywa pierwsze sekundy, w których widz krótkiego formatu decyduje, czy zostać. Opcjonalne najazdy podkreślają rytm klipu, żeby statyczna kamera nie sprawiała, że klip wydaje się statyczny.

Eksport i publikowanie

Klipy powstają w 1080×1920 w proporcjach 9:16, 1:1 i 16:9. Możesz je pobrać albo opublikować na TikToku, w Instagram Reels i YouTube Shorts z panelu. Dubbing głosowy może przetłumaczyć klip na 31 języków, zachowując głos mówcy, a zdubbingowany dźwięk jest transkrybowany ponownie, więc napisy pasują do nowego języka.

Ile to trwa?

Wysyłamy Ci e-mail, gdy tylko są gotowe. Zadanie działa na naszych serwerach, a nie na Twoim komputerze, i to na prawdziwych materiałach każdej długości — odcinku podcastu, 20-minutowym wystąpieniu konferencyjnym, czterogodzinnej transmisji — a nie na krótkim pliku demonstracyjnym.

Warto to wiedzieć, bo zmienia to sposób planowania. Klipowanie godzinnego odcinka ręcznie — szukanie momentów, cięcie ich, kadrowanie każdego do pionu, wpisywanie napisów i ustawianie ich czasu — zajmuje większość dnia pracy i to jest powód, dla którego archiwum większości ludzi leży niepublikowane. Przetwarzanie bez nadzoru to decyzja innego rodzaju. Uruchamiasz zadanie pod koniec sesji nagraniowej, a klipy czekają, gdy wrócisz.

Prawie cały ten czas to transkrypcja i kodowanie wideo. Wywołanie modelu, który wybiera momenty, to jego niewielki ułamek, dlatego dłuższy materiał źródłowy kosztuje więcej czasu mniej więcej proporcjonalnie do swojej długości, a nie skokowo.

Dlaczego klipy nie zaczynają się w połowie zdania?

Bo do wyznaczenia cięcia używane są dwa osobne sygnały i każdy wychwytuje to, co ten drugi pomija.

Transkrypcja ma znacznik czasu przy każdym pojedynczym słowie, a nie przy każdym zdaniu. Dzięki temu można zacząć klip dokładnie na pierwszej spółgłosce pierwszego słowa, a nie ułamek sekundy po niej, a to właśnie słyszalny znak, że klip pociął automat. Taktowanie na poziomie słów pozwala też napisom podświetlać każde słowo dokładnie wtedy, gdy naprawdę pada.

Wykrywanie scen dostarcza drugą połowę. Sama transkrypcja może znaleźć błyskotliwe zdanie i nie mieć pojęcia, że w jego połowie kamera przeskakuje. Same granice scen mogą znaleźć czyste cięcia obrazu, między którymi nie ma nic wartego powiedzenia. Model wybierający momenty dostaje oba sygnały razem, więc może wybrać fragment, który jest jednocześnie cytowalny i wizualnie nienaruszony.

Wybór jest też oceniany pod kątem tego, czy fragment broni się sam. Sześćdziesięciosekundowy fragment otwierający się słowami „i właśnie dlatego się nie zgadzam” jest bezużyteczny dla widza, który nie słyszał poprzednich dziesięciu minut, choćby zdanie było świetne. Samodzielność jest kryterium wyboru, a nie dodatkiem na końcu.

Jak pionowe kadrowanie decyduje, co zachować?

Kadr 16:9 przekomponowany do 9:16 traci około trzech czwartych szerokości, więc ktoś musi zdecydować, do czego ta szerokość służyła. Clippen wybiera układ dla każdej sceny, zamiast stosować jedno przycięcie do całego filmu.

• TRACK podąża za pojedynczym mówcą dzięki wykrywaniu twarzy. Kamera jest tłumiona: stoi w miejscu w bezpiecznej strefie i rusza się tylko wtedy, gdy obiekt ją opuści, bo kadr, który goni każdy ruch głowy, wyraźnie się kołysze i wygląda amatorsko, nawet gdy kompozycja jest technicznie poprawna.
• GENERAL zachowuje pełną szerokość na rozmytym tle, dla ujęć grupowych i pejzaży, w których przycięcie do jednego punktu wyrzuca obiekt.
• SPLIT układa dwóch mówców w połówkach ekranu, ale tylko wtedy, gdy obie twarze są naprawdę w tym samym ujęciu przez dłuższą część sceny. Ten test odróżnia prawdziwe ujęcie dwóch osób od montażu ujęcie/przeciwujęcie, w którym ułożenie pokazałoby tę samą osobę dwa razy.
• SCREENCAST i WIDE obsługują slajdy i udostępniane ekrany. Treść zajmująca większość kadru nie przetrwa przycięcia, więc jest układana nad prowadzącym albo zachowana na pełną szerokość zamiast być ucinana.
• INSET obsługuje układ transmisji: ekran na pełną szerokość z małym okienkiem kamerki w rogu. Ekran trafia na górę, a kamerka jest powiększona pod nim.
• Cięcia na mówcę i najazdy działają ponad układem: twarde cięcia na osobę, która akurat mówi, i delikatny najazd w rytm, żeby statyczna kamera nie dawała klipu wyglądającego na statyczny.

Ile kosztuje jedno uruchomienie?

Clippen jest płatnym narzędziem i rozlicza się według długości tego, co do niego wgrywasz: jeden kredyt to jedna minuta materiału źródłowego, a ta jedna opłata obejmuje całe uruchomienie — każdy klip, który powstanie z filmu, kadrowanie pionowe, napisy i hook. 60-minutowy podcast kosztuje 60 kredytów, niezależnie od tego, czy wróci z niego sześć klipów, czy dwanaście. Plany zaczynają się od 19,99 $ miesięcznie za 150 kredytów (11,66 $ miesięcznie przy płatności rocznej), a kończą na 59,99 $ miesięcznie za 800 kredytów. Nie ma darmowego planu.

Jednostka ma znaczenie przy porównywaniu narzędzi. Rozliczanie za minutę materiału źródłowego oznacza, że koszt odcinka można poznać przed naciśnięciem start: 45-minutowy wywiad to 45 kredytów, cokolwiek wróci. Rozliczanie za gotowy klip oznacza, że koszt zależy od wyniku, którego nie da się przewidzieć.