Come ricavo clip verticali da tre ore di stream (senza riguardarmelo)

Il canale pubblica senza voce. Questo cambia il criterio di selezione in modo radicale: la domanda non è «è un bel momento?», ma «si capisce da sola, muta, su un telefono, mentre uno scorre?».

Da lì escono tre esiti, e sono gli unici tre: Momento, se si spiega da sé; mini-guida, se il senso sta in un metodo e i testi in sovraimpressione possono fare il lavoro della voce; scarto, se non è nessuna delle due.

La prova che questo criterio funziona me l'ha data una clip che ho scartato. Era la più curata di un pack di Silent Hill 2: la mappa che il protagonista disegna a mano, con un'osservazione di game design dietro — in quel gioco non esistono indicatori di missione, i segni sulla mappa li fa il personaggio. Bellissima da guardare e completamente muta nel senso sbagliato: senza qualcuno che dica quella frase, chi scorre vede un foglio. Visivamente la migliore, comunicativamente zero.

La stessa cosa vista dall'altro lato: nello stesso pack ho tenuto una clip in cui si vedono cinque oggetti in primo piano, uno dopo l'altro. Nessuna osservazione, nessun contesto da spiegare. Si capisce scorrendo, quindi è un Momento.

Riguardarsi il girato è il modo più lento di fare questo lavoro, e dopo due ore non vedi più niente. Uso tre metodi che lavorano sul file, non sui miei occhi, e li uso in quest'ordine.

1. I cambi di scena. Un rilevatore di stacchi (scenedetect) mi dà la mappa di dove il video cambia. Serve a due cose opposte: trovare l'azione concentrata e, al contrario, trovare le zone morte — una scena che non cambia per quaranta secondi mentre il personaggio si muove è quasi sempre una cutscene, una mappa aperta o un momento buio inutilizzabile.

2. Il parlato. Quando nel girato c'è voce — mia o dei dialoghi di gioco — la trascrivo in locale con mlx-whisper, che su Apple Silicon gira veloce e non manda niente in giro. Cercare una parola nella trascrizione è il modo più rapido di arrivare al secondo giusto.

3. Il testo a schermo, ed è il trucco migliore. I videogiochi scrivono tutto: «Serratura chiusa», «FALLIMENTO», «SUCCESSO», il nome dell'oggetto raccolto, l'obiettivo della missione, i contatori. Quindi il momento giusto si trova cercando quelle parole nei fotogrammi. Uso il riconoscimento testo di macOS (Vision) e non tesseract, per un motivo pratico: sui font stilizzati dei giochi e sui fondi scuri legge molto meglio, e resta tutto sulla macchina.

Questo terzo metodo è quello che mi fa trovare le cose che a occhio mi sarei perso. Su Baldur's Gate 3 cerco «FALLIMENTO» e «SUCCESSO» e ho tutti i tiri di dado interessanti di una serata in pochi secondi.

Vale la pena raccontare un caso in cui la pipeline non ha trovato quello che cercavo, perché la lezione è più utile dei successi.

La cosa che volevo da quattro VOD di Black Flag erano le cavolate: morti stupide, impantanamenti, figure barbine. Sono la base del canale. Il rilevatore di punti morti mi ha dato sette candidati e nessuno buono: una missione stealth troppo buia per un telefono, ottanta secondi di mappa aperta, cutscene statiche. Poi ho cercato nel testo a schermo le desincronizzazioni — in Assassin's Creed una morte ha una schermata con scritto sopra — e il risultato è stato zero su quattro VOD.

La conclusione non era che il metodo aveva fallito: era che in quegli stream ho giocato bene. Non sono morto, non mi sono impantanato. Il che è una buona notizia come giocatore e una cattiva notizia come creator.

Il limite vero però è un altro, e lo scrivo perché è il punto in cui questa pipeline perde: una papera dura venti secondi e non lascia traccia. Non cambia la scena, non scrive niente a schermo, e a un fotogramma ogni trenta sparisce del tutto. Nessuno dei tre metodi la trova. L'unico modo è premere Clip su Twitch nel momento esatto in cui succede, mentre gioco. È banale e non lo faccio abbastanza: è il singolo cambio di abitudine che migliorerebbe di più i miei video.

Il taglio lo faccio con uno script che prende il girato e una lista di intervalli con la velocità di ciascuno, e sputa fuori il verticale montato. La parte difficile non è lo strumento: è quanti segmenti fare e quanto lunghi, e qui ho sbagliato abbastanza volte per avere una regola.

Gag, combattimenti, tiri di dado: cinque segmenti da quattro o cinque secondi. Funziona, il ritmo spinge, non ti annoi.

Scene parlate e lente, con sottotitoli o cambi di luogo: tre segmenti da sette-otto secondi, e mai un segmento sotto i cinque secondi dentro una scena lenta.

La differenza l'ho capita scartando al caricamento una clip di dialogo che mi sembrava «troppo tirata», pur avendo la stessa media di 4,6 secondi a segmento delle altre tre dello stesso pack che invece ho pubblicato. Non era la velocità in sé: quella scena aveva sottotitoli su due righe — servono circa quattro secondi per leggerli — tre cambi di luogo, e un segmento da tre secondi che spezzava invece di accelerare.

Da lì due conti che faccio sempre prima di scrivere la lista dei tagli: se ci sono sottotitoli lunghi, conto il tempo di lettura e aggiungo un secondo; ogni cambio di ambiente costa un secondo di riorientamento a chi guarda, quindi dentro una clip breve ne tengo uno solo.

Il girato è orizzontale, il video verticale. Le opzioni sono due e la scelta non è estetica, è di contenuto.

Ritaglio centrale 9:16. Da una registrazione 1920×1080 prendo una colonna centrale e la riporto a 1080×1920. È la scelta giusta quando l'azione sta al centro: si vede grande, riempie lo schermo del telefono.

Fotogramma intero dentro il verticale, a piena larghezza, sopra una copia di se stesso sfocata e scurita che riempie le fasce. Serve quando il testo che conta sta ai bordi: il log di combattimento di Baldur's Gate 3 sta in basso a destra, e un ritaglio 9:16 lo butterebbe via insieme al senso della clip. In più le fasce sopra e sotto diventano lo spazio dove mettere i testi.

Terza cosa, poco romantica e decisiva: la luce. Un gioco scuro visto su un telefono in mano, di giorno, è illeggibile — e la metà delle clip che ho scartato erano scartate per questo. Applico una correzione sull'intero montato, tipicamente un po' di luminosità in più e un filo di contrasto e saturazione. Su Baldur's Gate 3 uso sempre lo stesso valore, ormai a memoria.

Senza audio parlato, i testi non sono decorazione: sono il contenuto. Lo stile l'ho ricostruito dai miei video già pubblicati, perché la cosa che tiene insieme un canale è che le clip si somiglino: targhetta gialla senape con gli angoli arrotondati, testo nero in grassetto tutto maiuscolo, centrata nella fascia bassa, a circa tre quarti dell'altezza.

Due regole che valgono più della grafica: una targhetta alla volta e al massimo due righe. Due cartelli insieme si annullano, tre righe non si leggono scorrendo.

Per una mini-guida i testi diventano i passi numerati, e il montaggio si incastra su di loro: titolo nei primi secondi, poi un passo per segmento. Le steli maya di Black Flag funzionano come guida proprio per questo — il gioco scrive la procedura a schermo, quindi i passi sono dimostrati dal girato, non raccontati da me.

Dettaglio tecnico che mi è costato tempo e che magari risparmia tempo a te: la mia build di ffmpeg non ha libfreetype, quindi drawtext non esiste. I testi li disegno come PNG trasparenti e li sovrappongo come overlay. Risultato identico, e una volta scritto lo script l'mp4 esce finito. CapCut non mi serve più.

Quando carico dal browser ho un tetto di 10 MB per file. Un verticale di 45 secondi a qualità piena li supera senza fatica, quindi l'ultimo passaggio della pipeline è una ricompressione che centra un peso, non una qualità.

Il conto è banale: il bitrate video che ti puoi permettere è lo spazio disponibile in kilobit diviso la durata in secondi, meno quello che si prende l'audio. Con un budget di 10 MB su 45 secondi restano circa 1,6 Mbps per il video, con l'audio a 128k. Codifica in due passaggi (il primo analizza, il secondo scrive) perché centrare un bitrate medio in un passaggio solo lo centra male.

La parte onesta: si perde qualità e si vede. La clip del forte è passata da 3,9 a circa 1,6 Mbps, e nei movimenti di camera larghi lo noti. L'ho accettato sapendo quanto valeva — un video che esce batte un video perfetto che resta sul disco — ma è un compromesso, non una soluzione, e va deciso guardando il risultato, non il numero.

Dove il compromesso pesa di più: scene buie, pioggia, fumo, erba mossa dal vento. Dove quasi non si nota: primi piani, interfacce, inquadrature ferme con testo grande.

Per ogni pack tengo una nota con la tabella di quello che è uscito, e l'elenco di quello che ho scartato con il motivo. La seconda metà è quella che serve: le clip buone si rivedono da sole, gli scarti invece sono l'unico posto dove si impara qualcosa, e senza il motivo scritto rifai lo stesso errore il mese dopo.

Il girato grezzo invece lo cancello a lavoro finito. Quattro VOD scaricate, i ritagli intermedi e i montati pesavano più di 800 MB per un pack da tre video: tenerli significa riempire il disco di materiale che, se davvero servisse, si riscarica.

Ultima cosa, la più importante di tutte e l'unica che non è tecnica: questa pipeline non crea momenti, li trova. Se uno stream non ne contiene, non esce niente, e la risposta non è montare meglio — è premere Clip mentre gioco.