Einen 45-minütigen Konferenzvortrag in Shorts schneiden: Was die KI auswählt, was du korrigierst

Ein Konferenzvortrag sind fünfundvierzig Minuten Material, das die vortragende Person bereits geprobt hat, vor einer Kamera, mit einem guten Mikrofon. Es ist auch die Aufnahme, die am ehesten unberührt auf einem Laufwerk liegen bleibt, weil man für kurze Clips das Ganze mit geöffneter Zeitleiste noch einmal anschauen müsste. Der Sinn eines KI-Clip-Generators ist, das Anschauen zu übernehmen.

In dieser Anleitung geht es um den Workflow in ClapClip für Windows: was die KI mit einer langen Aufnahme macht, was deinen Rechner verlässt und was nicht, und wo das eigene Urteil der vortragenden Person noch gefragt ist, bevor etwas veröffentlicht wird.

Das Wichtigste

• Die KI schaut auf das Transkript, nicht auf das Bild. ClapClip transkribiert den Vortrag lokal, bewertet jeden Sprechabschnitt nach Hook, Fluss, Wert und Trend und liefert die bestbewerteten Momente, die sich nicht überlappen.
• Nur das Texttranskript wird für die Clipauswahl gesendet. Transkription und Rendering laufen auf deinem PC; die Videodatei wird nie hochgeladen.
• Untertitel sind die Hauptsache. Kurzvideos werden stumm geschaut. Untertitel auf Wortebene werden eingebrannt, beim Sprechen Wort für Wort hervorgehoben und sind vor dem Export bearbeitbar.
• Prüfen, bevor du renderst. Die Kandidaten sind eine Vorauswahl, keine Entscheidung. Ein Verweis auf eine Folie, die der Clip nicht zeigen kann, oder ein Witz, der seinen Aufbau braucht, ist deine Sache.

Was macht einen Vortrag zu gutem Material?

Drei Dinge hat ein Vortrag, die einem Podcast oder Stream oft fehlen: eine vorbereitete Struktur, sodass die starken Momente gebündelt sind; eine einzige sprechende Person, sodass der Ton sauber ist; und eine Kamera, die meist auf der Person bleibt, sodass ein Hochformat-Ausschnitt ein Gesicht hat, dem er folgen kann.

Was er außerdem hat: Folien. Ein Moment, der von einem Diagramm abhängt, auf das das Publikum schaut, überlebt nicht als neunsekündiger Hochformat-Clip vom Gesicht der vortragenden Person. Das ist das Erste, worauf du bei den Kandidaten achten solltest.

Regel: Ein Clip muss ohne sichtbare Folie Sinn ergeben. Sagt die vortragende Person „wie Sie hier sehen", ist es ein Clip für das ganze Video, nicht für Shorts.

Was passiert, wenn du die Aufnahme lädst?

1. Transkription, lokal. Die Sprache wird auf deinem Windows-PC transkribiert. Das ist dieselbe Erkennung, die die App für Untertitel nutzt, und sie gibt jedem Wort eine Zeit.
2. Bewertung. Das Transkript geht an die KI-Clipanalyse, die jeden Teil des Vortrags nach Hook, Fluss, Wert und Trend bewertet und die bestbewerteten, nicht überlappenden Momente zurückgibt. Die Videodatei geht nicht mit; gesendet wird nur das Texttranskript.
3. Kandidaten. Du bekommst eine Liste von Clips zur Prüfung, jeder mit seinen Untertiteln und vorgeschlagenen Hashtags, statt eines fertigen Satzes von Exporten.
4. Rendering, lokal. Die Clips, die du behältst, werden auf 9:16 für TikTok, Shorts und Reels zugeschnitten, oder 1:1 und 16:9, wenn du sie brauchst, mit eingebrannten Untertiteln, auf deinem eigenen Rechner.

Für eine vortragende Person, deren Vortrag unter der Medienvereinbarung einer Konferenz aufgezeichnet wurde, zählt diese Trennung: Die Aufnahme selbst bleibt, wo sie ist, und mit der KI geteilt wird das Transkript eines Vortrags, der öffentlich gehalten wurde.

Wie prüfst du die Kandidaten?

Geh die Vorauswahl mit drei Fragen durch und rechne damit, etwa so viele zu verwerfen, wie du behältst:

• Steht er für sich? Die erste Zeile muss für jemanden funktionieren, der den Vortrag nicht gesehen hat. Ein Clip, der mitten im Argument einsetzt, braucht den Satz davor; ein Clip, der mit der Pointe beginnt, hat den Aufbau verloren.
• Hält das Bild? Der Ausschnitt folgt der vortragenden Person. Hat die Kamera für die Hälfte des Clips auf Publikum oder Folien geschnitten, kürze ihn oder verwirf ihn.
• Ist die Aussage eine, mit der du zitiert werden willst? Eine provokante Zeile bekommt beim Hook eine gute Bewertung. Aus dem Zusammenhang gerissen ist sie auch die Zeile, die per Screenshot verbreitet wird. Behalte die, die du in einem Interview noch einmal sagen würdest.

Untertitel sind vor dem Export bearbeitbar. Korrigiere die Eigennamen, die die Erkennung falsch hatte, einen Produktnamen, den Namen einer Kollegin, und lies sie einmal in Handygröße: Ein schlecht umgebrochener Untertitel ist schwerer zu lesen als gar keiner.

Regel: Würdest du den Clip nicht unter deinem eigenen Namen posten, ohne antworten zu können, schneide ihn raus.

Wie sollten die Untertitel aussehen?

Die App brennt Untertitel auf Wortebene ein, die jedes Wort beim Sprechen hervorheben, mit Emoji und Schlüsselwort-Betonung als Option. Für einen Fachvortrag setz die Betonung sparsam ein: Hebe den Begriff hervor, um den es im Clip geht, nicht jedes dritte Wort. Die Karaoke-artige Hervorhebung hält stumm Schauende bei der Sache; das Emoji ist eine Entscheidung für das Publikum, bei dem du postest, und eine Sicherheitskonferenz ist kein Kochkanal.

Prüf den Untertitel gegen das, was tatsächlich gesagt wurde. Das Transkript ist bei gewöhnlicher Sprache genau; am wenigsten verlässlich ist es bei Namen, Abkürzungen und dem einen erfundenen Begriff, den der Vortrag geprägt hat, und das ist genau der Begriff, zu dessen Verbreitung der Clip existiert.

Wie viele Clips sollte ein Vortrag ergeben?

Weniger als die Vorauswahl. Ein fünfundvierzigminütiger Vortrag ergibt vielleicht ein Dutzend Kandidaten und fünf oder sechs gute Beiträge, verteilt über die Wochen nach der Veranstaltung, statt an einem Nachmittag veröffentlicht. Die Reihenfolge zählt: Beginne mit dem Clip, der erklärt, worum es im Vortrag ging, lass die folgen, die diesen Kontext brauchen, und heb die schärfste Zeile für den Moment auf, in dem die Leute schon wissen, wer spricht.

Jeder Clip verlässt den Rechner mit eigenen Untertiteln und Hashtags, sodass das Posten selbst der kleine Teil der Arbeit ist.

Was das nicht tut

• Es liest keine Folien. Ein Diagramm oder ein Codebeispiel, auf das die vortragende Person verweist, ist nicht im Clip, es sei denn, die Kamera hat es gezeigt.
• Es verbessert keine schlechte Aufnahme. Ein Vortrag, aus der letzten Reihe mit Raumton gefilmt, ergibt ein Transkript mit Lücken und Clips mit einem winzigen Gesicht. Bitte die Veranstaltenden um das Kamerasignal.
• Es entscheidet nicht für dich. Die Bewertungen ordnen Momente danach, wie sie sich lesen; ob ein Moment den Vortrag repräsentiert, entscheidet die vortragende Person.

Verwandte Anleitungen

• Langes Video zu Shorts beschreibt die Funktion, auf der dieser Workflow aufbaut.
• Automatische Untertitel für Shorts behandelt die Untertitelstile und was sich vor dem Export bearbeiten lässt.
• Transkription langer Aufnahmen ist der Transkriptionsschritt für sich, für Vorträge, die du nur als Text willst.