Como o Clippen transforma uma gravação longa em cortes verticais

O que acontece com o seu vídeo depois que você o envia?

Você entrega ao Clippen uma gravação longa: cole um link ou envie o arquivo. A partir daí, o trabalho acontece nos nossos servidores, não no seu navegador. Você pode fechar a aba, e os cortes estarão esperando quando voltar.

O trabalho roda como uma fila de seis etapas, numa ordem fixa, porque cada uma precisa do resultado da anterior. A transcrição tem de existir antes que um modelo possa julgar quais sessenta segundos valem a pena guardar. Os limites de cena têm de existir antes que um corte possa ser posicionado num ponto que não seja o meio de um plano. Os momentos selecionados têm de existir antes que haja algo para reenquadrar.

Nada é publicado em lugar nenhum como parte do processamento. Os cortes são seus para baixar, e a postagem no TikTok, no Instagram Reels ou no YouTube Shorts só acontece quando você conecta uma conta e aperta em postar. O Clippen foi feito para cortar vídeos que são seus ou que você tem o direito de usar — seu próprio podcast, sua própria live, sua própria palestra. Você mantém todos os direitos que já tinha sobre o vídeo de origem e sobre os cortes; o Clippen não recebe nenhuma licença além de processar o arquivo que você envia. Cortar o vídeo de outra pessoa é assunto entre você e a plataforma de destino: a política de conteúdo inautêntico do YouTube, de julho de 2025, cita explicitamente cortes reciclados.

As seis etapas, em ordem

Transcrição com marcação de tempo por palavra

O áudio do vídeo de origem é transcrito com uma marcação de tempo em cada palavra, e não só em cada frase. É a marcação por palavra que permite que um corte comece no limite de uma palavra, e não no meio de uma sílaba, e que faz as legendas de karaokê caírem no quadro certo. O idioma falado é detectado automaticamente.

Detecção de limites de cena

O vídeo é varrido em busca de cortes e transições visuais bruscas. Esses limites impedem que um corte abra no meio de um plano, que é o motivo mais comum de um corte gerado automaticamente parecer feito por máquina.

Seleção de momentos

A transcrição com marcação de tempo e os limites de cena vão juntos para o modelo, que devolve os trechos mais fortes e autônomos, de 15 a 60 segundos cada, avaliados pela força da abertura, por se o trecho entrega o que promete e por se ainda faz sentido para quem não ouviu o resto do episódio. A meta é cerca de dez cortes em qualquer gravação longa o bastante para comportá-los, e ele devolve menos apenas quando o material é curto demais.

Reenquadramento vertical

Cada corte é recomposto de 16:9 para 9:16. Um dos modos acompanha uma única pessoa falando com detecção de rosto, suavizado por um estabilizador que mantém a câmera parada dentro de uma zona segura, em vez de perseguir cada movimento de cabeça. O GENERAL mantém a largura total sobre um fundo desfocado, para planos de grupo e paisagens. O SPLIT empilha duas pessoas em meios quadros quando as duas estão de fato no mesmo plano. O SCREENCAST e o INSET cuidam de slides, telas compartilhadas e layouts de live em que o sentido está fora do centro do quadro.

Legendas, ganchos e ritmo

As legendas são renderizadas palavra por palavra a partir da transcrição e gravadas no vídeo, com a palavra falada destacada no momento em que aparece. Um título de gancho escrito por IA cobre os primeiros segundos, quando quem assiste vídeo curto decide se fica. Zooms de destaque opcionais aproximam a imagem nas batidas do corte, para que uma câmera parada não faça o corte parecer parado.

Exportação e publicação

Os cortes saem em 1080×1920 nas proporções 9:16, 1:1 e 16:9. Baixe-os ou poste no TikTok, no Instagram Reels e no YouTube Shorts a partir do painel. A dublagem de voz pode traduzir um corte para 31 idiomas mantendo a voz de quem fala, e o áudio dublado é transcrito de novo para que as legendas acompanhem o novo idioma.

Quanto tempo leva?

Enviamos um e-mail assim que ficam prontos. O trabalho roda nos nossos servidores, não na sua máquina, e em vídeos de origem reais de todas as durações — um episódio de podcast, uma palestra de conferência de 20 minutos, uma live de quatro horas —, e não em um arquivo de demonstração curto.

Isso vale saber porque muda a forma de você planejar. Cortar um episódio de uma hora à mão — encontrar os momentos, recortá-los, reenquadrar cada um para vertical, digitar e sincronizar as legendas — toma quase um dia de trabalho, e é por isso que o acervo da maioria das pessoas fica sem publicar. O processamento sem supervisão é outro tipo de decisão. Você inicia o trabalho ao fim da sessão de gravação e os cortes estão esperando quando voltar.

Quase todo esse tempo é de transcrição e de codificação de vídeo. A chamada ao modelo que escolhe os momentos é uma pequena fração dele, e é por isso que um vídeo de origem mais longo leva mais tempo aproximadamente na mesma proporção da duração, e não em saltos bruscos.

Por que os cortes não começam no meio de uma frase?

Porque dois sinais separados são usados para posicionar o corte, e cada um pega o que o outro deixa passar.

A transcrição traz uma marcação de tempo em cada palavra, e não em cada frase. É isso que permite começar um corte exatamente na primeira consoante da primeira palavra, e não uma fração de segundo depois, que é o sinal audível de que um corte foi feito por uma máquina. A marcação de tempo por palavra também é o que permite que as legendas destaquem cada palavra no momento em que ela é de fato dita.

A detecção de cenas fornece a outra metade. Só com a transcrição, é possível achar uma frase brilhante sem ter ideia de que a câmera corta no meio dela. Só com os limites de cena, é possível achar cortes visuais limpos sem nada que valha a pena dizer entre eles. O modelo que seleciona os momentos recebe os dois juntos, então pode escolher um trecho que seja ao mesmo tempo citável e visualmente íntegro.

A seleção também avalia se o trecho se sustenta sozinho. Uma passagem de sessenta segundos que abre com “e é exatamente por isso que eu discordo” não serve para quem não ouviu os dez minutos anteriores, por melhor que seja a frase. Ser autônomo é um critério de seleção, não um detalhe deixado para depois.

Como o recorte vertical decide o que manter?

Um quadro 16:9 recomposto em 9:16 perde cerca de três quartos da largura, então algo precisa decidir para que servia essa largura. O Clippen escolhe um layout por cena, em vez de aplicar um único recorte ao vídeo inteiro.

• O TRACK acompanha uma única pessoa falando com detecção de rosto. A câmera é suavizada: fica parada dentro de uma zona segura e só se move quando o sujeito sai dela, porque um recorte que persegue cada movimento de cabeça oscila de forma visível e parece amador, mesmo quando o enquadramento está tecnicamente correto.
• O GENERAL mantém a largura total sobre um fundo desfocado, para planos de grupo e paisagens, em que cortar em qualquer ponto descarta o sujeito.
• O SPLIT empilha duas pessoas em meios quadros, mas só quando os dois rostos estão de fato no mesmo plano durante boa parte da cena. Esse teste é o que separa um plano com duas pessoas de verdade de uma edição de plano e contraplano, em que empilhar mostraria a mesma pessoa duas vezes.
• O SCREENCAST e o WIDE cuidam de slides e telas compartilhadas. O conteúdo que ocupa a maior parte do quadro não sobrevive a um recorte, então é empilhado sobre quem apresenta ou mantido em largura total, em vez de ser cortado.
• O INSET cuida do layout de live: uma tela em largura total com uma pequena caixa de webcam num canto. A tela vai por cima e a webcam é ampliada embaixo.
• Os cortes por quem fala e os zooms de destaque ficam por cima do layout: cortes secos para quem está falando e uma leve aproximação nas batidas, para que uma câmera parada não gere um corte com cara de parado.

Quanto custa uma execução?

O Clippen é uma ferramenta paga e cobra pela duração do que você envia: um crédito é um minuto de vídeo de origem, e essa única cobrança cobre a execução inteira — todos os cortes que o vídeo render, o reenquadramento vertical, as legendas e o gancho. Um podcast de 60 minutos custa 60 créditos, volte ele com seis cortes ou com doze. Os planos começam em US$ 19,99 por mês para 150 créditos (US$ 11,66 por mês na cobrança anual) e vão até US$ 59,99 por mês para 800 créditos. Não há plano gratuito.

A unidade importa quando você compara ferramentas. Cobrar por minuto de vídeo de origem significa que o custo de um episódio é conhecido antes de você apertar em iniciar: uma entrevista de 45 minutos custa 45 créditos, seja qual for o resultado. Cobrar por corte finalizado significa que o custo varia conforme uma saída que você não consegue prever.