Локальна альтернатива Opus Clip працює на власній робочій станції: запис вебінару чи подкасту проходить чотири кроки, і жоден не потребує зовнішнього сервісу. WhisperX розшифровує мовлення з часом кожного слова, локальна мовна модель читає стенограму й пропонує вдалі фрагменти, відстеження обличчя вирізає з кадру 16:9 вертикальний 9:16, що рухається за мовцем, а субтитри впікаються в зображення. Частину кроків або всі закривають відкриті проєкти OpenShorts і ClipsAI, а ми складаємо ланцюжок з окремих відкритих інструментів. Мовну модель і розпізнавання мовлення разом вміщує одна NVIDIA RTX PRO 5000 Blackwell на 48 ГБ.
Компанія щомісяця записує вебінар, подкаст із клієнтом чи виступ на виставці, а команда соцмереж хоче з кожного запису вісім-десять кліпів від 30 до 60 секунд. Хмарні сервіси автоматизують ручну нарізку, але запис мусить опинитися на їхніх серверах. Кадрування (reframing) тут означає вирізати вертикальну рамку з горизонтальної картинки й вести її за мовцем, а впечені субтитри намальовані в самому зображенні й видні на будь-якій платформі.
Коротко
- Локальна заміна Opus Clip має чотири кроки на одній станції: стенограма WhisperX із часом слів, вибір фрагментів локальною LLM, кадрування 16:9 у 9:16 за обличчям і впечені субтитри.
- ClipsAI (MIT) ріже кліпи за стенограмою й тримає кадр на мовці, але останній реліз 0.2.1 вийшов у січні 2024 року; OpenShorts проходить усі кроки з локальним сервером моделі, проте для облич бере пакет ultralytics під AGPL-3.0.
- OpusClip, за власними сторінками, є вебсервісом: файл чи посилання потрапляє до постачальника, де працюють ClipAnything, ReframeAnything, субтитри, B-roll і планувальник.
- За нашим правилом розрахунку пам'яті RTX PRO 5000 на 48 ГБ вміщує водночас Whisper large і Qwen3.8-27B у 4-бітній збірці NVFP4 та має три кодувальники NVENC.
- Для української та російської WhisperX за замовчуванням бере спільнотні моделі вирівнювання з Hugging Face; їхню ліцензію перевіряють, а за потреби задають іншу модель через
--align_model.
Opus Clip чи відкриті аналоги: порівняння
| Варіант | Де працює | Як шукає кліпи | Кадрування |
|---|---|---|---|
| OpusClip | вебсервіс постачальника | ClipAnything, AI-оцінка кожного кліпу | ReframeAnything, відстеження об'єктів |
| OpenShorts | ваша машина, Docker; крок LLM типово через Gemini | LLM за стенограмою, можна локальний сервер | відстеження облич MediaPipe і YOLOv8 |
| ClipsAI 0.2.1 | ваша машина | за стенограмою WhisperX | активний мовець, детекція облич |
| AI-Youtube-Shorts-Generator | ваша машина; крок LLM зовнішній | LLM за стенограмою | відстеження облич OpenCV |
| FunClip 2.2.1 | ваша машина, інтерфейс Gradio | обраний текст або мовець; LLM через хостингові шлюзи | не описано |
| Локальний ланцюжок нижче | ваша машина | локальна LLM за стенограмою WhisperX | відстеження облич модулем кадрування ClipsAI |
Джерело: сторінки функцій opus.pro; README OpenShorts, ClipsAI, AI-Youtube-Shorts-Generator і FunClip на GitHub, файл ліцензії OpenShorts; документація ClipsAI та історія версій на PyPI; усе прочитано 30.10.2026.
OpusClip. Сторінки сервісу (30.10.2026) описують ClipAnything, що робить з відео будь-якого жанру «viral clips in 1 click», ReframeAnything для зміни формату через AI-відстеження об'єктів, субтитри з точністю «over 99%» за заявою постачальника, AI B-roll, шаблони бренду, планувальник для соцмереж, командні акаунти й API. Відео завантажують файлом або посиланням (для тарифу Pro: YouTube, Zoom, Vimeo, Google Drive). Поіменно названо англійську, німецьку, іспанську, французьку й португальську плюс ще 20 мов, української серед названих немає.
OpenShorts. 7,1 тис. зірок на GitHub, ліцензія MIT; окрема комерційна ліцензія стосується лише теки cloud/ з білінгом, без якої ядро, за README, розгортається самостійно. Розшифровує faster-whisper, ріже ffmpeg, обличчя веде MediaPipe і YOLOv8, субтитри впікаються локально. Крок вибору моментів типово надсилає в Gemini стенограму (без відео), але його можна спрямувати на Ollama, LM Studio, vLLM чи інший OpenAI-сумісний сервер, і тоді весь конвеєр лишається у вас. Аналіз кадрів, дубляж і публікація потребують зовнішніх сервісів. Пакет ultralytics для YOLOv8 має ліцензію AGPL-3.0, і його розробник відсилає комерційних користувачів до корпоративної ліцензії, тому OpenShorts ми в конфігурацію не включаємо, а перед використанням радимо показати ліцензії юристу.
ClipsAI. Бібліотека Python під MIT для розмовних відео: подкастів, інтерв'ю, виступів. Кліпи шукає за стенограмою WhisperX, кадр 9:16 тримає на поточному мовці. Складники за документацією: pyannote speaker-diarization-3.0 (хто й коли говорить), PySceneDetect (зміна сцен), MTCNN і MediaPipe (обличчя); для pyannote потрібен токен Hugging Face. Остання версія на PyPI: 0.2.1 від 15.01.2024.
AI-Youtube-Shorts-Generator. MIT, 5,6 тис. зірок, оновлений 22.10.2026. Розшифровує й кадрує локально, але кроку LLM потрібен ключ OpenAI або Gemini, тож стенограма залишає компанію.
FunClip. Інструмент на FunASR з інтерфейсом Gradio, MIT, версія 2.2.1 від 01.09.2026. Основна мова китайська, LLM лише через хостингові шлюзи, вертикального кадрування README не описує, тож для україномовних вебінарів це найменш очевидний вибір.
Куди потрапляє запис: Opus Clip і локальні варіанти
OpusClip обробляє запис на своєму боці. AI-Youtube-Shorts-Generator у локальному режимі тримає відео в себе, але стенограму віддає постачальнику моделі. OpenShorts зберігає все на машині, щойно його спрямовано на локальний сервер моделі. У ClipsAI, у локальних функціях FunClip і в ланцюжку нижче запис, стенограма й кліпи лишаються на станції, якщо там працює й мовна модель.
Це важливо для внутрішніх зборів, презентацій до релізу і гостей, які погодилися на вебінар, проте не на публічний кліп. Цивільний кодекс України дозволяє знімати людину на відео лише за її згодою (ст. 307), яка презюмується при відкритій зйомці на публічному заході. Голос і записана розмова є персональними даними, тож потрібна одна з підстав статті 11 Закону № 2297-VI і попереднє інформування людини (ст. 12). Перед публікацією кліпу з гостем перевірте, чи покриває його згода ролики в соцмережах; це не юридична консультація, деталі підтвердить юрист. І ріжте лише власні записи: OpenShorts уміє завантажувати відео за URL через yt-dlp, а чуже відео потребує дозволу правовласника.
Як нарізати шортси з вебінару локально: крок за кроком
- Стенограма з часом слів. WhisperX (BSD-2-Clause, 3.8.6 від 25.05.2026) точно розставляє мітки слів через вирівнювання wav2vec2, тоді як звичайні мітки Whisper, за README, можуть зміщуватися на кілька секунд. Вбудовані моделі вирівнювання з torchaudio є для англійської, французької, німецької, іспанської та італійської, і чотири неанглійські мають некомерційну ліцензію CC BY-NC 4.0. Для української, російської та багатьох інших мов код WhisperX бере моделі з Hugging Face; їхню ліцензію ми перевіряємо, а за потреби задаємо іншу модель через
--align_model. Мовців розмічає pyannote community-1. Рушії Whisper порівняно в статті про faster-whisper, WhisperX і whisper.cpp. - Вибір фрагментів. Локальна модель читає стенограму з часом речень і повертає список: початок, кінець, робоча назва й пояснення, чому уривок спрацює. Умову можна задати: запитання про продукт, цитата клієнта, теза коротша за 45 секунд.
- Нарізка й кадрування. ffmpeg вирізає уривок, а модуль кадрування ClipsAI веде вертикальну рамку за мовцем.
- Субтитри. Параметр
--highlight_wordsзаписує час кожного слова у файл SRT для звичного в шортсах підсвічування слів по одному; далі субтитри рендеряться вашими шрифтами й кольорами. - Перегляд і експорт. Редактор підрізає початок і кінець, відкидає слабкі варіанти й експортує решту. Публікацію обирає людина.
Стенограма для моделі невелика. За нашою оцінкою, мовець із темпом 200 слів на хвилину дає за годину 12 000 слів, близько 24 000 токенів за плановим значенням 2 токени на слово: менше десятої частини контексту Qwen3.8-27B у 262 144 токени.
Субтитри українською та російською
Для української WhisperX за замовчуванням бере модель вирівнювання Yehor/wav2vec2-xls-r-300m-uk-with-small-lm, для російської jonatasgrosman/wav2vec2-large-xlsr-53-russian (за кодом WhisperX, листопад 2026). Їхні ліцензії ми не перевіряли: перед комерційною роботою подивіться картки моделей, а якщо ліцензія не підходить, задайте іншу модель через --align_model. Слова із символами, яких немає в словнику моделі вирівнювання, зазвичай числа зі знаками, часу не отримують, тож цифри й коди продуктів у субтитрах перевіряйте окремо.
Для розшифровки цифри є: у статті NVIDIA (arXiv 2509.14128) Whisper large-v3 на FLEURS має WER 6,51 % для української і 4,17 % для російської. FLEURS складається з прочитаних речень, тому на живому вебінарі помилок буде більше. Опублікованих вимірювань на суржику, мішаних записах чи для точності вирівнювання української ми не знайшли. faster-whisper дозволяє зафіксувати мову (language) або визначати її на кожному сегменті (multilingual), і для мішаних записів варто перевірити обидва режими. Назви продуктів виправляйте на перегляді й ведіть для них список слів. Моделі для обох мов докладно розібрано в статті про локальне розпізнавання української та російської. Показника DER для української чи російської картка pyannote community-1 не наводить, тож розмітку мовців перевірте на реальному записі.
Яка відеокарта потрібна для нарізки шортсів
Карту навантажують розпізнавання, мовна модель, детекція облич і кодування відео; більша карта потрібна, щоб тримати моделі завантаженими разом і рендерити кілька кліпів паралельно. Пам'ять рахуємо так: 90 % обсягу, який показує драйвер, мінус 3 ГіБ на карту, мінус ваги. Для Whisper large репозиторій OpenAI називає близько 10 ГБ, а WhisperX пише про менше 8 ГБ для large-v2 з beam_size=5.
| Рівень | Залізо | Що працює | Для кого |
|---|---|---|---|
| Початковий | станція, 1 × RTX PRO 4000 (24 ГБ), 2 NVENC | WhisperX, потім gpt-oss-20b, по черзі | один маркетолог, кілька відео на тиждень |
| Команда | станція, 1 × RTX PRO 5000 (48 або 72 ГБ), 3 NVENC | WhisperX і Qwen3.8-27B одночасно: NVFP4 на 48 ГБ, FP8 на 72 ГБ | маркетингова команда або агенція |
| Студія | станція, 1 або 2 × RTX PRO 6000 Workstation Edition чи Max-Q, по 4 NVENC | ланцюжок плюс генерація відео або підвищення роздільності для B-roll | кілька редакторів, багато записів |
| Медіахолдинг | сервер із RTX PRO 6000 Server Edition або L40S | безперервні черги записів | мовники, видавництва |
Джерело: наша оцінка за правилом розрахунку пам'яті; Whisper large близько 10 ГБ (репозиторій Whisper від OpenAI); gpt-oss-20b 12,8 ГіБ, Qwen3.8-27B NVFP4 20,4 ГіБ і FP8 28,75 ГіБ за нашими розрахунками для моделей; кількість кодувальників за сторінками продуктів NVIDIA та її матрицею підтримки кодування й декодування відео.
На RTX PRO 5000 з 48 ГБ правило дає 40,0 ГіБ. Whisper large (близько 9,3 ГіБ) і Qwen3.8-27B у NVFP4 (20,4 ГіБ) займають 29,7 ГіБ, і, за нашою оцінкою, близько 10 ГіБ лишається на модель мовців, детекцію облич і робочу пам'ять мовної моделі. Версія на 72 ГБ вміщує збірку FP8 із запасом близько 23 ГіБ. NVIDIA вказує для RTX PRO 5000 три кодувальники NVENC дев'ятого покоління і три декодери, для RTX PRO 4000 по два, для кожної редакції RTX PRO 6000 по чотири; більше кодувальників дає більше кліпів, що рендеряться одночасно. RTX PRO 5000 споживає до 300 Вт.
Швидкість усього ланцюжка на RTX PRO ніхто не публікував, є цифри окремих кроків. Для speaker-diarization-3.0 pyannote наводить коефіцієнт реального часу близько 2,5 % на Tesla V100, тобто приблизно 1,5 хвилини на годину розмови. StorageReview (огляд від 14.10.2026) міряв Qwen3.8-27B у NVFP4 на кількох картах, зокрема RTX PRO 4500 Server Edition у сервері Dell PowerEdge R770: з одним запитом кожна давала від 17 до 22 токенів/с. Отже, десять пропозицій по 100 токенів, за нашою оцінкою, пишуться менше ніж за хвилину з вимкненим режимом міркувань, плюс час на читання стенограми.
RTX PRO 6000 Workstation Edition розрахована на 600 Вт, тож більше двох таких карт у станцію не ставлять; три чи чотири Max-Q ставлять лише в корпус, спроєктований під них, із сильним спрямованим потоком повітря. Генерацію B-roll і підвищення роздільності розраховано в статті про AI-станцію для відеомаркетингу, а медіахолдингу з годинами відео щодня підходить сервер зі статті про AI-сервер для медіа. ETE рахує конфігурацію саме від типу, тривалості й кількості ваших записів.
Нотатки для ІТ-команди
- Зафіксуйте середовище ClipsAI. Реліз 2024 року, а WhisperX ставиться з Git, тож збирайте бібліотеку в окремому контейнері й тестуйте після оновлень WhisperX чи pyannote.
- Токени Hugging Face. Моделі pyannote завантажте один раз і працюйте офлайн; модель community-1, за README WhisperX, поширюється під CC-BY-4.0.
- Структурована відповідь. Просіть список кліпів у JSON за фіксованою схемою і відкидайте час поза межами запису.
- Кодування. Дивіться навантаження кодувальників у
nvidia-smiпід час паралельного рендерингу. - Сховище. Сирі записи тримайте окремо й видаляйте за розкладом.
Розгорнути моделі на vLLM чи Ollama у вашій мережі за потреби допоможуть інженери Vixen.UNO.
Часті питання
Чи є відкрита альтернатива Opus Clip, яку можна поставити у себе?
Так. OpenShorts проходить усі кроки на вашій машині, якщо вибір моментів спрямувати на локальний сервер моделі, але для облич використовує пакет під AGPL, тож ліцензії перевірте заздалегідь. Той самий ланцюжок збирають з WhisperX, локальної моделі, модуля кадрування ClipsAI і субтитрів за часом слів.
Чи може AI нарізати шортси з довгого відео без хмари?
Може: станція розшифровує запис, локальна модель пропонує уривки, відстеження обличчя переводить їх у вертикаль, а субтитри впікаються в зображення. Запис і стенограма лишаються у вас, якщо кожен крок, разом із мовною моделлю, працює на вашому залізі.
Чи завантажує Opus Clip моє відео на свої сервери?
За його сторінками, так: кліпи робить сервіс постачальника з вашого файлу чи посилання. Умови зберігання дивіться в його документах.
Як автоматично перевести горизонтальне відео у формат 9:16?
Крок кадрування визначає, хто говорить і де його обличчя, та веде за ним вертикальну рамку. У ClipsAI для цього поєднано pyannote, детекцію сцен і MTCNN або MediaPipe, а ffmpeg вирізає результат.
Яка відеокарта потрібна для шортсів на локальному AI?
RTX PRO 4000 на 24 ГБ запускає WhisperX і gpt-oss-20b по черзі, RTX PRO 5000 на 48 ГБ тримає Whisper large і Qwen3.8-27B NVFP4 разом. Кільком редакторам вистачить спільної RTX PRO 6000 на 96 ГБ.
Чи зробить локальний AI українські субтитри до шортсів?
Так. Whisper large-v3 розпізнає українську й російську, а час слів дає вирівнювання WhisperX зі спільнотною моделлю з Hugging Face, ліцензію якої варто перевірити. Числа зі знаками й назви продуктів звірте вручну.
Що з цього є в ETE
- NVIDIA RTX PRO 5000 Blackwell 48 ГБ: Whisper large і Qwen3.8-27B NVFP4 займають 29,7 з 40,0 ГіБ корисних, три NVENC, до 300 Вт.
- ETE AI Workstation: RTX PRO 6000 на 96 ГБ із чотирма NVENC для студії, блок живлення із запасом під другу карту.
- ETE AI Server RTX PRO: чотири RTX PRO 6000, 384 ГБ відеопам'яті й по чотири NVENC на карту для безперервних черг записів.
Яка станція потрібна під ваші вебінари й подкасти?
Напишіть, які записи ви обробляєте, якої вони тривалості, скільки відео виходить на місяць і якими мовами в них говорять. ETE порахує конфігурацію, а за потреби інженери Vixen.UNO встановлять WhisperX, локальну модель і ffmpeg.