Como o Clippen transforma uma gravação longa em clipes verticais

O que acontece ao teu vídeo depois de o enviares?

Entregas ao Clippen uma gravação longa: colas uma ligação ou carregas o ficheiro. A partir daí, o trabalho acontece nos nossos servidores, não no teu navegador. Podes fechar o separador, e os clipes ficam à tua espera quando voltares.

A tarefa corre como uma fila de seis etapas, por uma ordem fixa, porque cada uma precisa do resultado da anterior. A transcrição tem de existir antes de um modelo poder avaliar que sessenta segundos vale a pena guardar. Os limites de cena têm de existir antes de se poder colocar um corte num sítio que não seja o meio de um plano. Os momentos selecionados têm de existir antes de haver alguma coisa para reenquadrar.

Nada é publicado em lado nenhum como parte do processamento. Os clipes são teus para descarregar, e a publicação no TikTok, nos Instagram Reels ou nos YouTube Shorts só acontece quando ligas uma conta e carregas em publicar. O Clippen foi criado para cortar vídeos que são teus ou que tens o direito de utilizar — o teu próprio podcast, o teu próprio direto, a tua própria palestra. Manténs todos os direitos que já tinhas sobre a origem e sobre os clipes; o Clippen não recebe nenhuma licença para além de processar o ficheiro que envias. Cortar o vídeo carregado por outra pessoa é um assunto entre ti e a plataforma de destino: a política de conteúdo inautêntico do YouTube, de julho de 2025, refere expressamente os clipes reciclados.

As seis etapas, por ordem

Transcrição com marcas temporais ao nível da palavra

O áudio de origem é transcrito com uma marca temporal em cada palavra, e não apenas em cada frase. É a temporização ao nível da palavra que permite a um clipe começar no limite de uma palavra e não a meio de uma sílaba, e é ela que faz com que as legendas ao estilo karaoke caiam no fotograma certo. O idioma falado é detetado automaticamente.

Deteção de limites de cena

O vídeo é analisado à procura de cortes e de transições visuais bruscas. Esses limites impedem que um clipe comece a meio de um plano, que é a razão mais comum para um clipe gerado automaticamente parecer feito por uma máquina.

Seleção de momentos

A transcrição com marcas temporais e os limites de cena seguem juntos para o modelo, que devolve os segmentos autónomos mais fortes, de 15 a 60 segundos cada, avaliados pela força com que a abertura prende, pelo facto de o segmento compensar e por continuar a fazer sentido para quem não ouviu o resto do episódio. Aponta para cerca de dez clipes de qualquer gravação suficientemente longa para os comportar e só devolve menos quando a origem é demasiado curta.

Reenquadramento vertical

Cada clipe é recomposto de 16:9 para 9:16. Um modo segue um único orador com deteção de rostos, amortecido por um estabilizador que mantém a câmara quieta dentro de uma zona segura em vez de perseguir cada movimento da cabeça. O modo GENERAL mantém a largura total sobre um fundo desfocado, para planos de grupo e paisagens. O modo SPLIT empilha dois oradores em meios quadros quando ambos estão realmente no mesmo plano. O SCREENCAST e o INSET tratam de diapositivos, ecrãs partilhados e layouts de diretos em que o significado está fora do centro do quadro.

Legendas, ganchos e ritmo

As legendas são geradas palavra a palavra a partir da transcrição e gravadas no vídeo, com a palavra dita realçada no momento exato. Um título de gancho escrito por IA cobre os primeiros segundos, aqueles em que quem vê vídeos curtos decide se fica. As aproximações opcionais empurram a imagem nos momentos fortes do clipe, para que uma câmara estática não faça o clipe parecer estático.

Exportação e publicação

Os clipes saem em 1080×1920 nos formatos 9:16, 1:1 e 16:9. Descarrega-os ou publica no TikTok, nos Instagram Reels e nos YouTube Shorts a partir do painel. A dobragem de voz pode traduzir um clipe para 31 idiomas mantendo a voz do orador, e o áudio dobrado é transcrito de novo para que as legendas correspondam ao novo idioma.

Quanto tempo demora?

Enviamos-te um email assim que estiverem prontos. A tarefa corre nos nossos servidores, não na tua máquina, e em origens reais de todas as durações — um episódio de podcast, uma palestra de conferência de 20 minutos, um direto de quatro horas — e não num pequeno ficheiro de demonstração.

Isto vale a pena saber porque muda a forma como planeias. Cortar à mão um episódio de uma hora — encontrar os momentos, cortá-los, reenquadrar cada um na vertical, escrever e sincronizar as legendas — dá a maior parte de um dia de trabalho, e é a razão por que o arquivo da maioria das pessoas fica por publicar. O processamento sem supervisão é um tipo diferente de decisão. Começas a tarefa no fim da sessão de gravação e os clipes ficam à tua espera quando voltares.

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 uma origem mais longa custa mais tempo aproximadamente em proporção à sua duração e não aos saltos.

Porque é que os clipes não começam a meio de uma frase?

Porque se usam dois sinais separados para colocar o corte, e cada um apanha o que o outro deixa escapar.

A transcrição leva uma marca temporal em cada palavra, e não em cada frase. É isso que torna possível começar um clipe exatamente na primeira consoante da primeira palavra, e não uma fração de segundo depois, que é o sinal audível de que um clipe foi cortado por uma máquina. A temporização ao nível da palavra é também o que permite às legendas realçar cada palavra no momento em que é realmente dita.

A deteção de cenas fornece a outra metade. Só com a transcrição, pode encontrar-se uma frase brilhante sem fazer ideia de que a câmara corta a meio dela. Só com os limites de cena, podem encontrar-se cortes visuais limpos sem nada que valha a pena dizer entre eles. O modelo que seleciona os momentos recebe as duas coisas em conjunto, por isso pode escolher um segmento que seja citável e visualmente intacto ao mesmo tempo.

A seleção também é avaliada pelo facto de o segmento se sustentar sozinho. Uma passagem de sessenta segundos que abre com «e é exatamente por isso que discordo» é inútil para quem não ouviu os dez minutos anteriores, por melhor que seja a frase. A autonomia é um critério de seleção, não uma reflexão tardia.

Como decide o recorte vertical o que manter?

Um quadro 16:9 recomposto para 9:16 perde cerca de três quartos da sua largura, por isso alguma coisa tem de 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 segue um único orador com deteção de rostos. A câmara é amortecida: fica quieta dentro de uma zona segura e só se move quando o sujeito sai dela, porque um recorte que persegue cada movimento da cabeça oscila de forma visível e parece amador, mesmo que o enquadramento esteja tecnicamente correto.
• O GENERAL mantém a largura total sobre um fundo desfocado, para planos de grupo e paisagens em que recortar para um único ponto deita fora o sujeito.
• O SPLIT empilha dois oradores em meios quadros, mas só quando os dois rostos estão realmente no mesmo plano durante uma parte sustentada da cena. Esse teste é o que separa um verdadeiro plano com dois oradores de uma edição em plano/contraplano, em que empilhar mostraria a mesma pessoa duas vezes.
• O SCREENCAST e o WIDE tratam de diapositivos e ecrãs partilhados. O conteúdo que ocupa a maior parte do quadro não sobrevive a um recorte, por isso é empilhado sobre o apresentador ou mantido em largura total em vez de ser cortado.
• O INSET trata do layout de direto: um ecrã de largura total com uma pequena caixa de webcam num canto. O ecrã vai para cima e a webcam é ampliada por baixo.
• Os cortes de orador e as aproximações ficam por cima do layout: cortes secos para quem está a falar e um empurrão suave nos momentos fortes, para que uma câmara estática não produza um clipe de aspeto estático.

Quanto custa uma execução?

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

A unidade importa quando comparas ferramentas. Cobrar por minuto de origem significa que o custo de um episódio é conhecido antes de carregares em começar: uma entrevista de 45 minutos são 45 créditos, seja o que for que saia. Cobrar por clipe acabado significa que o custo se move com um resultado que não consegues prever.