把直播回放变成竖屏切片

为什么直播回放比口播视频更难切？

因为有意思的部分几乎从来不在画面中间。

直播在录制之前就已经合成好了。游戏画面、共享屏幕或浏览器铺满整个 16:9 的宽度，主播则坐在角落里的一个小摄像头框中——左下角、右下角，任何没有 HUD 的地方。仅这一个布局决定，就打破了每个通用切片工具都会做的假设。裁中间，你得到的是游戏地图的正中央，没有脸，没有反应，也不知道是谁在说话。改为跟踪那张脸，你得到的则是一个被大幅放大的角落小框，而它所回应的游戏画面被裁掉了。

第二个问题是时长。口播视频只有几分钟；直播回放却有好几个小时。值得切的那一刻，是四小时中某处的四分钟，而靠拖进度条去找它，正是大多数主播的回放从未被切过的原因。这批存档是未发布存货最典型的例子：数小时的录制素材，只触达了在直播间里看的人，没有触达其他任何人。

第三个问题是音频是连续的。没有章节标记，没有剪辑，也没有自然的边界，所以剪切点只能来自转写文本和画面场景变化，而不是来自并不存在的结构。

Clippen 如何重建直播布局？

用一个叫 INSET 的模式，值得解释一下，因为有意思的部分是检测。

Clippen 不会去问语言模型画面里有没有摄像头框——这样问反而让整体布局的选择变差了。它用几何方法找出角标，用的是三个角落摄像头能通过、而口播画面通不过的检验。主体在画面里很小。主体在水平方向上偏离中心——口播画面里的人可以偏高，但几乎总是居中，所以光看垂直位置是不够的。并且主体的框在采样之间几乎不动：摄像头叠层固定在同样的像素上，在一条切片里只漂移几个像素，而房间里真人的移动则有几百个像素。

当三项都成立时，切片会被重建而不是被裁切：屏幕以全宽铺在 9:16 画面的上方，摄像头框放大后放在它下面。原始构图的两半都得以保留——你既能看清屏幕上的内容，也能以清晰的尺寸看到对它的反应。

相关的 SCREENCAST 模式覆盖同一个问题的另一种形态：共享屏幕或幻灯片占据大部分宽度，主讲人在它旁边而不是叠在它上面。窄于画面一半的内容会被原样保留，因为角落的滚动字幕或下三分之一条幅完全经得起裁切，重新叠放反而比什么都不做更糟。

一场四小时的回放要花多少钱？

240 积分。Clippen 按源视频的长度计费，1 积分就是 1 分钟，所以四小时就是 240 分钟，也就是 240 积分——对整次运行只收一次，无论返回多少条切片。

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。

拿它和你比较的任何工具仔细核对一下是值得的，因为按分钟计费和按切片计费，对同一场回放会得出天差地别的数字。一场产出十二条切片的四小时直播，在这里花的是同样的 240 积分，和只产出八条的一样。对成片切片数设每月上限的工具，则是按一个在你按下开始之前没人能预测的产出，给同一场回放定价。

对主播来说，实际的结论是，裁剪源视频才是真正起作用的杠杆。如果你知道第一个小时都是准备和聊天，就提交后三个小时，付 180 而不是 240。这次运行的其他一切都不会变。

需要多长时间，会拿回什么？

切片一准备好，我们就发邮件通知你。任务在服务器端运行：直播一结束就提交回放，然后去睡觉。

无论一次提交的视频有多长，都得到 约 10 条切片，每条 15 到 60 秒，数量随素材里的内容而变——空白时段和准备阶段不会为了凑数而生成切片。每一条送到你手里都是成品：

• 1080×1920 竖屏，同一次运行还可提供 9:16、1:1 和 16:9。
• 烧录了逐词字幕，正在说的词会高亮，语言自动识别。
• 覆盖开头几秒的 AI 撰写钩子标题。
• 逐个场景选择布局：角落有摄像头用 INSET，共享屏幕在主讲人旁边用 SCREENCAST，整屏摄像头画面片段用 TRACK，联合直播的双人画面用 SPLIT。
• 可选的、卡在节奏点上的推近镜头，避免固定的摄像头画面看起来像一条固定的切片。
• 下载，或在工作台直接发布到 TikTok、Instagram Reels 和 YouTube Shorts。

对于画面上完全没有人脸的直播——全屏游戏画面加纯语音——既没有角标可找，也没有主体可跟踪，所以这些场景会作为全宽布局处理，由音频和字幕来承载这条切片。重构图无法凭空造出一个从未被录下的反应镜头。