Clippen 如何把一段长录制内容变成竖屏切片

提交视频之后，它会经历什么？

你把一段长录制内容交给 Clippen：粘贴链接，或上传文件。从这一刻起，工作在我们的服务器上进行，而不是在你的浏览器里。你可以关掉标签页，等你回来时切片已经准备好了。

任务会按固定顺序，作为由六个环节组成的队列运行，因为每一个环节都需要前一个环节的输出。必须先有转写文本，模型才能判断哪一分钟值得保留。必须先有场景边界，剪切点才能放在镜头中途以外的位置。必须先有选定的精彩片段，才有东西可以重构图。

处理过程中不会在任何地方发布任何内容。切片由你自己下载，只有当你连接了账号并按下发布时，才会发布到 TikTok、Instagram Reels 或 YouTube Shorts。Clippen 是为切片你自己拥有或有权使用的视频而做的——你自己的播客、你自己的直播、你自己的演讲。你在源视频和切片上原有的一切权利都保持不变；Clippen 除了处理你提交的文件之外，不取得任何许可。切别人上传的内容，是你与目标平台之间的事：YouTube 2025 年 7 月的非原创内容政策明确点名了重复利用的切片。

六个环节，按顺序

带逐词时间戳的转写

源音频会被转写，并且为每一个词都打上时间戳，而不只是每一句。逐词计时让切片能从词的边界开始，而不是从半个音节处切入，也让卡拉 OK 式字幕落在正确的那一帧上。说话语言会被自动识别。

场景边界检测

系统会扫描视频中的剪辑点和明显的画面转场。这些边界能避免切片从镜头中途开始，而这正是自动生成的切片显得像机器做的最常见原因。

精彩片段筛选

带时间戳的转写文本和场景边界会一起交给模型，它会返回最强的、能独立成立的片段，每段 15 到 60 秒，评判依据是开头有多抓人、这一段有没有回报、以及对没听过节目其余部分的人来说是否仍然说得通。只要录制内容足够长，它就以约十条切片为目标，只有在源视频太短时才会返回更少。

竖屏重构图

每条切片都会从 16:9 重新构图为 9:16。其中一种模式用人脸检测跟随单个说话人，并通过稳定器进行阻尼，让镜头停在安全区内保持不动，而不是追着每一次头部动作跑。GENERAL 会在模糊背景上保留完整宽度，用于群像和风景画面。当两位说话人确实处在同一个镜头里时，SPLIT 会把他们上下分屏各占半幅。SCREENCAST 和 INSET 则处理幻灯片、共享屏幕以及内容不在画面中心的直播布局。

字幕、钩子和节奏

字幕根据转写文本逐词渲染并烧录，正在说的词会随着落点高亮。一条由 AI 撰写的钩子标题覆盖在开头几秒——短视频观众正是在这几秒里决定要不要看下去。可选的推近镜头会在切片的节奏点上推进，避免固定机位看起来像一条静态的切片。

导出与发布

切片以 1080×1920 输出，格式为 9:16、1:1 和 16:9。你可以下载，也可以在工作台直接发布到 TikTok、Instagram Reels 和 YouTube Shorts。配音可以把一条切片翻译成 31 种语言并保留说话人的声音，配音后的音频会被重新转写，因此字幕匹配的是新语言。

需要多长时间？

切片一准备好，我们就发邮件通知你。任务在我们的服务器上运行，而不是在你的电脑上，并且测试用的是各种长度的真实源视频——一期播客、一场 20 分钟的会议演讲、一场四小时的直播——而不是一个简短的演示文件。

这一点值得了解，因为它会改变你的规划方式。手动切一期一小时的节目——找出精彩片段、剪切、把每一段重构为竖屏、输入字幕并对齐时间——几乎要花掉一个工作日，这正是大多数人的存档一直躺着没发布的原因。无人值守的处理则是另一种决定。你在录制结束时启动任务，等你回来时切片已经准备好了。

这段时间里几乎全部是转写和视频编码。挑选精彩片段的模型调用只占其中很小一部分，所以更长的源视频耗时大致与长度成正比增加，而不是突然跳升。

为什么切片不会从一句话的中间开始？

因为剪切点由两个独立的信号共同决定，每一个都能抓住另一个漏掉的东西。

转写文本为每一个词都带上时间戳，而不只是每一句。正因为如此，切片才可能刚好从第一个词的第一个辅音开始，而不是从它开始后的零点几秒切入——后者就是听得出来的“机器剪的”痕迹。逐词计时也让字幕能够在每个词真正被说出的时刻高亮。

场景检测提供了另一半。单靠转写文本，能找到一句精彩的话，却不知道镜头恰好在这句话的中间切换。单靠场景边界，能找到干净的画面切换，却可能中间没有任何值得一说的内容。负责挑选精彩片段的模型会同时收到两者，所以它能选出既值得引用、画面又完整的片段。

挑选时还要判断这一段能否独立成立。一段六十秒的内容如果以“这正是我不同意的原因”开头，对没听过前面十分钟的观众来说就毫无用处，不管这句话本身多精彩。能否独立成立是挑选的标准，而不是事后补上的东西。

竖屏裁切是如何决定保留什么的？

把 16:9 的画面重新构图为 9:16，会损失约四分之三的宽度，所以必须有东西来决定这些宽度原本是为了什么。Clippen 是逐个场景选择布局，而不是对整个视频套用同一种裁切。

• TRACK 用人脸检测跟随单个说话人。镜头带有阻尼：它在安全区内保持不动，只有当主体离开安全区时才会移动，因为一个追着每一次头部动作跑的裁切框会明显摇晃，即使构图在技术上没错，看起来也像业余的。
• GENERAL 在模糊背景上保留完整宽度，用于群像和风景画面，因为在这类画面里裁到任何一个点都会丢掉主体。
• SPLIT 把两位说话人上下分屏各占半幅，但只有当两张脸在场景的相当一部分时间里确实处在同一个镜头里时才会启用。这个检验能把真正的双人画面与正反打剪辑区分开——后者如果上下叠放，会把同一个人显示两次。
• SCREENCAST 和 WIDE 处理幻灯片和共享屏幕。占据画面大部分区域的内容经不起裁切，所以它们会被叠放在主讲人上方或保持全宽，而不是被裁掉。
• INSET 处理直播布局：全宽的屏幕，角落里有一个小小的摄像头框。屏幕放在上面，摄像头画面放大后放在下面。
• 说话人切换和推近镜头叠加在布局之上：硬切到正在说话的人，并在节奏点上轻轻推近，避免固定机位产生一条看起来很静态的切片。

一次运行要花多少钱？

Clippen 是付费工具，按你提交内容的时长计费：1 积分就是 1 分钟源视频，这一次收费涵盖整个流程——该视频产出的每条切片、竖屏重构图、字幕和钩子。一期 60 分钟的播客消耗 60 积分，无论最后得到六条切片还是十二条。套餐起价为每月 $19.99，含 150 积分（按年计费为每月 $11.66），最高为每月 $59.99，含 800 积分。没有免费档。

在比较工具时，计费单位很重要。按源视频的分钟数计费，意味着一期节目的费用在你按下开始之前就能知道：一场 45 分钟的访谈就是 45 积分，无论最后得到什么。按成片的切片数计费，则意味着费用会随着一个你无法预测的产出而变动。