Så gör Clippen en lång inspelning till stående klipp

Vad händer med din video efter att du har skickat in den?

Du lämnar över en lång inspelning till Clippen: klistra in en länk eller ladda upp filen. Från och med då sker arbetet på våra servrar, inte i din webbläsare. Du kan stänga fliken, och klippen väntar på dig när du kommer tillbaka.

Jobbet körs som en kö med sex steg i fast ordning, eftersom vart och ett behöver resultatet från steget före. Transkriberingen måste finnas innan en modell kan bedöma vilka sextio sekunder som är värda att behålla. Scengränserna måste finnas innan ett klipp kan läggas någon annanstans än mitt i en tagning. De valda ögonblicken måste finnas innan det finns något att rama om.

Ingenting publiceras någonstans som en del av bearbetningen. Klippen är dina att ladda ned, och publicering till TikTok, Instagram Reels eller YouTube Shorts sker först när du ansluter ett konto och trycker på publicera. Clippen är byggt för att klippa video som du äger eller har rätt att använda — din egen podd, din egen stream, ditt eget föredrag. Du behåller alla rättigheter som du redan hade i källan och i klippen; Clippen tar ingen licens utöver att bearbeta filen som du skickar in. Att klippa någon annans uppladdning är en sak mellan dig och plattformen som du publicerar på: YouTubes policy mot oautentiskt innehåll från juli 2025 nämner uttryckligen återanvända klipp.

De sex stegen, i ordning

Transkribering med tidsstämplar på ordnivå

Källljudet transkriberas med en tidsstämpel på varje enskilt ord, inte bara på varje mening. Tidsangivelser på ordnivå gör att ett klipp kan börja vid en ordgräns i stället för en halv stavelse in, och de gör att karaokeundertexterna hamnar på rätt bildruta. Det talade språket identifieras automatiskt.

Identifiering av scengränser

Videon skannas efter klipp och hårda bildövergångar. De gränserna hindrar ett klipp från att börja mitt i en tagning, vilket är den vanligaste orsaken till att ett automatiskt genererat klipp känns maskinellt.

Val av ögonblick

Den tidsstämplade transkriberingen och scengränserna går tillsammans till modellen, som returnerar de starkaste fristående avsnitten på 15 till 60 sekunder vardera. De bedöms efter hur hårt öppningen slår, om avsnittet levererar något och om det fortfarande går att förstå för någon som inte har hört resten av avsnittet. Målet är omkring tio klipp från vilken inspelning som helst som är lång nog att rymma dem, och färre returneras bara när källan är för kort.

Stående omramning

Varje klipp komponeras om från 16:9 till 9:16. Ett läge följer en enskild talare med ansiktsigenkänning, dämpad av en stabilisator som håller kameran still inom en säker zon i stället för att jaga varje huvudrörelse. GENERAL behåller full bredd över en suddig bakgrund för gruppbilder och landskap. SPLIT staplar två talare i halva bildrutor när båda verkligen är med i samma tagning. SCREENCAST och INSET hanterar bilder, delade skärmar och streamlayouter där innehållet finns utanför bildens mitt.

Undertexter, hooks och tempo

Undertexterna renderas ord för ord utifrån transkriberingen och bränns in, med det talade ordet markerat i samma stund som det sägs. En AI-skriven hook-rubrik täcker de första sekunderna, där den som tittar på kortformat avgör om hen ska stanna. Valfria inzoomningar går in på klippets slag så att en stillastående kamera inte ger intryck av ett stillastående klipp.

Export och publicering

Klippen kommer ut i 1080×1920 i 9:16, 1:1 och 16:9. Ladda ned dem, eller publicera till TikTok, Instagram Reels och YouTube Shorts från översikten. Röstdubbning kan översätta ett klipp till 31 språk och behålla talarens röst, och det dubbade ljudet transkriberas på nytt så att undertexterna matchar det nya språket.

Hur lång tid tar det?

Vi mejlar dig i samma stund som de är klara. Jobbet körs på våra servrar, inte på din dator, och på verkliga källor av alla längder — ett poddavsnitt, ett konferensföredrag på 20 minuter, en stream på fyra timmar — och inte på en kort demofil.

Det är värt att veta eftersom det förändrar hur du planerar. Att klippa ett avsnitt på en timme för hand — hitta ögonblicken, klippa ut dem, rama om vart och ett till stående format, skriva och tidssätta undertexterna — tar större delen av en arbetsdag, och det är anledningen till att de flesta har sitt arkiv liggande opublicerat. Bearbetning utan tillsyn är en annan sorts beslut. Du startar jobbet i slutet av inspelningen och klippen väntar på dig när du kommer tillbaka.

Nästan all den tiden går åt till transkribering och videokodning. Modellanropet som väljer ögonblicken är en liten bråkdel av den, och det är därför en längre källvideo tar ungefär proportionellt längre tid i stället för att tiden hoppar till plötsligt.

Varför börjar inte klippen mitt i en mening?

Eftersom två separata signaler används för att placera klippet, och var och en fångar det som den andra missar.

Transkriberingen har en tidsstämpel på varje enskilt ord, inte på varje mening. Det är det som gör det möjligt att starta ett klipp exakt på den första konsonanten i det första ordet i stället för en bråkdels sekund in i det, vilket är det hörbara tecknet på att ett klipp har klippts av en maskin. Tidsangivelser på ordnivå är också det som låter undertexterna markera varje ord i samma stund som det sägs.

Scenidentifieringen står för den andra hälften. En transkribering ensam kan hitta en briljant mening och sakna aning om att kameran klipper mitt i den. Scengränser ensamma kan hitta rena bildklipp utan att det finns något värt att säga mellan dem. Modellen som väljer ögonblick får båda tillsammans, så den kan välja ett avsnitt som är citerbart och visuellt helt på samma gång.

Valet bedöms också efter om avsnittet står på egna ben. Ett avsnitt på sextio sekunder som öppnar med ”och det är precis därför jag inte håller med” är oanvändbart för en tittare som inte har hört de föregående tio minuterna, hur bra repliken än är. Att stå på egna ben är ett urvalskriterium, inte något som läggs till i efterhand.

Hur avgör den stående beskärningen vad som ska behållas?

En 16:9-bild som komponeras om till 9:16 förlorar ungefär tre fjärdedelar av sin bredd, så något måste avgöra vad den bredden var till för. Clippen väljer en layout per scen i stället för att tillämpa ett enda utsnitt på hela videon.

• TRACK följer en enskild talare med ansiktsigenkänning. Kameran är dämpad: den ligger still inom en säker zon och rör sig bara när motivet lämnar den, eftersom ett utsnitt som jagar varje huvudrörelse svajar synligt och ser amatörmässigt ut även när bildkompositionen är tekniskt korrekt.
• GENERAL behåller full bredd över en suddig bakgrund, för gruppbilder och landskap där en beskärning mot en enda punkt kastar bort motivet.
• SPLIT staplar två talare i halva bildrutor, men bara när båda ansiktena verkligen är med i samma tagning under en varaktig del av scenen. Det testet är det som skiljer en verklig tagning med två personer från en klippning mellan motstående vinklar, där staplingen skulle visa samma person två gånger.
• SCREENCAST och WIDE hanterar bilder och delade skärmar. Innehåll som spänner över det mesta av bilden klarar inte en beskärning, så det staplas över presentatören eller behålls i full bredd i stället för att skäras bort.
• INSET hanterar streamlayouten: en skärm i full bredd med en liten webbkameraruta i ett hörn. Skärmen hamnar upptill och webbkameran förstoras under.
• Talarklipp och inzoomningar ligger ovanpå layouten: hårda klipp till den som pratar och en mjuk inzoomning på klippets slag, så att en stillastående kamera inte ger ett stillastående klipp.

Vad kostar en körning?

Clippen är ett betalverktyg och debiterar efter längden på det du matar in: en kredit är en minut källvideo, och den enda debiteringen täcker hela körningen — alla klipp som videon ger, den stående omramningen, undertexterna och hooken. En podd på 60 minuter kostar 60 krediter oavsett om den ger sex klipp eller tolv. Planerna börjar på 19,99 $ i månaden för 150 krediter (11,66 $ i månaden vid årsfakturering) och går upp till 59,99 $ i månaden för 800 krediter. Det finns ingen gratisnivå.

Enheten spelar roll när du jämför verktyg. Debitering per minut källvideo betyder att kostnaden för ett avsnitt går att veta innan du trycker på start: en intervju på 45 minuter är 45 krediter, oavsett vad som kommer tillbaka. Debitering per färdigt klipp betyder att kostnaden flyttar sig med ett resultat som du inte kan förutse.