Локальный аналог Opus Clip работает на собственной рабочей станции: запись вебинара или подкаста проходит четыре шага, и ни одному не нужен внешний сервис. WhisperX расшифровывает речь со временем каждого слова, локальная языковая модель читает стенограмму и предлагает удачные фрагменты, трекинг лица вырезает из кадра 16:9 вертикальный 9:16, который движется за спикером, а субтитры вшиваются прямо в изображение. Часть шагов или все сразу закрывают открытые проекты OpenShorts и ClipsAI, а мы собираем такую цепочку из отдельных открытых инструментов. Языковую модель и распознавание речи вместе вмещает одна NVIDIA RTX PRO 5000 Blackwell на 48 ГБ.
Каждый месяц компания записывает вебинар, подкаст с клиентом или выступление на выставке, а команда соцсетей хочет получить из каждой записи восемь-десять клипов от 30 до 60 секунд. Облачные сервисы автоматизируют ручную нарезку, но запись должна оказаться на их серверах. Кадрирование (reframing) здесь означает вырезать вертикальную рамку из горизонтальной картинки и вести ее за говорящим, а вшитые субтитры нарисованы в самом изображении и видны на любой платформе.
Коротко
- Локальная замена Opus Clip состоит из четырех шагов на одной станции: стенограмма WhisperX со временем слов, выбор фрагментов локальной LLM, кадрирование 16:9 в 9:16 по лицу и вшитые субтитры.
- ClipsAI (MIT) режет клипы по стенограмме и держит кадр на спикере, но последний релиз 0.2.1 вышел в январе 2024 года; OpenShorts проходит все шаги с локальным сервером модели, однако для лиц использует пакет ultralytics под AGPL-3.0.
- OpusClip, судя по его собственным страницам, является веб-сервисом: файл или ссылка попадает к поставщику, где работают ClipAnything, ReframeAnything, субтитры, B-roll и планировщик.
- По нашему правилу расчета памяти RTX PRO 5000 на 48 ГБ одновременно вмещает Whisper large и Qwen3.8-27B в 4-битной сборке NVFP4 и имеет три кодировщика NVENC.
- Для украинского и русского WhisperX по умолчанию берет модели выравнивания сообщества с Hugging Face; их лицензию проверяют, а при необходимости задают другую модель через
--align_model.
Opus Clip или открытые аналоги: сравнение
| Вариант | Где работает | Как ищет клипы | Кадрирование |
|---|---|---|---|
| OpusClip | веб-сервис поставщика | ClipAnything, AI-оценка каждого клипа | ReframeAnything, трекинг объектов |
| OpenShorts | ваша машина, Docker; шаг LLM по умолчанию через Gemini | LLM по стенограмме, возможен локальный сервер | трекинг лиц MediaPipe и YOLOv8 |
| ClipsAI 0.2.1 | ваша машина | по стенограмме WhisperX | активный спикер, детекция лиц |
| AI-Youtube-Shorts-Generator | ваша машина; шаг LLM внешний | LLM по стенограмме | трекинг лиц OpenCV |
| FunClip 2.2.1 | ваша машина, интерфейс Gradio | выбранный текст или спикер; LLM через хостинговые шлюзы | не описано |
| Локальная цепочка ниже | ваша машина | локальная LLM по стенограмме WhisperX | трекинг лиц модулем кадрирования ClipsAI |
Источник: страницы функций opus.pro; README OpenShorts, ClipsAI, AI-Youtube-Shorts-Generator и FunClip на GitHub, файл лицензии OpenShorts; документация ClipsAI и история версий на PyPI; все прочитано 30.10.2026.
OpusClip. Страницы сервиса (30.10.2026) описывают ClipAnything, который делает из видео любого жанра «viral clips in 1 click», ReframeAnything для смены формата с AI-трекингом объектов, субтитры с точностью «over 99%» по заявлению поставщика, AI B-roll, шаблоны бренда, планировщик для соцсетей, командные аккаунты и API. Видео загружают файлом или ссылкой (для тарифа Pro: YouTube, Zoom, Vimeo, Google Drive). Поименно названы английский, немецкий, испанский, французский и португальский плюс еще 20 языков; украинского среди названных нет.
OpenShorts. 7,1 тыс. звезд на GitHub, лицензия MIT; отдельная коммерческая лицензия касается только папки cloud/ с биллингом, а ядро, по README, разворачивается и без нее. Расшифровывает faster-whisper, режет ffmpeg, лица ведут MediaPipe и YOLOv8, субтитры вшиваются локально. Шаг выбора моментов по умолчанию отправляет в Gemini стенограмму (без видео), но его можно направить на Ollama, LM Studio, vLLM или другой OpenAI-совместимый сервер, и тогда весь конвейер остается у вас. Анализ кадров, дубляж и публикация требуют внешних сервисов. Пакет ultralytics для YOLOv8 распространяется под AGPL-3.0, и его разработчик отправляет коммерческих пользователей к корпоративной лицензии, поэтому OpenShorts мы в конфигурацию не включаем и перед использованием советуем показать лицензии юристу.
ClipsAI. Библиотека Python под MIT для разговорных видео: подкастов, интервью, выступлений. Клипы ищет по стенограмме WhisperX, кадр 9:16 держит на текущем спикере. Компоненты по документации: pyannote speaker-diarization-3.0 (кто и когда говорит), PySceneDetect (смена сцен), MTCNN и MediaPipe (лица); для pyannote нужен токен Hugging Face. Последняя версия на PyPI: 0.2.1 от 15.01.2024.
AI-Youtube-Shorts-Generator. MIT, 5,6 тыс. звезд, обновлялся 22.10.2026. Расшифровывает и кадрирует локально, но шагу LLM нужен ключ OpenAI или Gemini, так что стенограмма покидает компанию.
FunClip. Инструмент на FunASR с интерфейсом Gradio, MIT, версия 2.2.1 от 01.09.2026. Основной язык китайский, LLM подключается только через хостинговые шлюзы, вертикального кадрирования README не описывает, так что для украиноязычных вебинаров это наименее очевидный выбор.
Куда попадает запись: Opus Clip и локальные варианты
OpusClip обрабатывает запись на своей стороне. AI-Youtube-Shorts-Generator в локальном режиме держит видео у себя, но стенограмму отдает поставщику модели. OpenShorts хранит все на машине, как только его направили на локальный сервер модели. В ClipsAI, в локальных функциях FunClip и в цепочке ниже запись, стенограмма и клипы остаются на станции, если там же работает языковая модель.
Это важно для внутренних собраний, презентаций до релиза и гостей, которые согласились на вебинар, но не на публичный клип. Гражданский кодекс Украины разрешает снимать человека на видео только с его согласия (ст. 307), которое презюмируется при открытой съемке на публичном мероприятии. Голос и записанный разговор являются персональными данными, поэтому нужно одно из оснований статьи 11 Закона № 2297-VI и предварительное информирование человека (ст. 12). Прежде чем публиковать клип с гостем, проверьте, покрывает ли его согласие короткие ролики в соцсетях; это не юридическая консультация, детали подтвердит юрист. И режьте только собственные записи: OpenShorts умеет скачивать видео по URL через yt-dlp, а для чужого видео нужно разрешение правообладателя.
Как нарезать шортсы из вебинара локально: по шагам
- Стенограмма со временем слов. WhisperX (BSD-2-Clause, 3.8.6 от 25.05.2026) точно расставляет метки слов через выравнивание wav2vec2, тогда как обычные метки Whisper, по README, могут сдвигаться на несколько секунд. Встроенные модели выравнивания из torchaudio есть для английского, французского, немецкого, испанского и итальянского, причем четыре неанглийские имеют некоммерческую лицензию CC BY-NC 4.0. Для украинского, русского и многих других языков код WhisperX берет модели с Hugging Face; их лицензию мы проверяем, а при необходимости задаем другую модель через
--align_model. Спикеров размечает pyannote community-1. Движки Whisper сравниваются в статье о faster-whisper, WhisperX и whisper.cpp. - Выбор фрагментов. Локальная модель читает стенограмму со временем предложений и возвращает список: начало, конец, рабочее название и объяснение, почему отрывок сработает. Условие можно задать: вопрос о продукте, цитата клиента, тезис короче 45 секунд.
- Нарезка и кадрирование. ffmpeg вырезает отрывок, а модуль кадрирования ClipsAI ведет вертикальную рамку за спикером.
- Субтитры. Параметр
--highlight_wordsзаписывает время каждого слова в файл SRT для привычной в шортсах подсветки слов по одному; затем субтитры рендерятся вашими шрифтами и цветами. - Просмотр и экспорт. Редактор подрезает начало и конец, отбрасывает слабые варианты и экспортирует остальное. Что публиковать, решает человек.
Для модели стенограмма небольшая. По нашей оценке, спикер с темпом 200 слов в минуту дает за час 12 000 слов, около 24 000 токенов по плановому значению 2 токена на слово: меньше десятой части контекста Qwen3.8-27B в 262 144 токена.
Субтитры на украинском и русском
Для украинского WhisperX по умолчанию берет модель выравнивания Yehor/wav2vec2-xls-r-300m-uk-with-small-lm, для русского jonatasgrosman/wav2vec2-large-xlsr-53-russian (по коду WhisperX, ноябрь 2026). Их лицензии мы не проверяли: перед коммерческой работой посмотрите карточки моделей, а если лицензия не подходит, задайте другую модель через --align_model. Слова с символами, которых нет в словаре модели выравнивания, обычно числа со знаками, времени не получают, так что цифры и коды продуктов в субтитрах проверяйте отдельно.
Для расшифровки цифры есть: в статье NVIDIA (arXiv 2509.14128) Whisper large-v3 на FLEURS имеет WER 6,51 % для украинского и 4,17 % для русского. FLEURS состоит из прочитанных предложений, поэтому на живом вебинаре ошибок будет больше. Опубликованных измерений на суржике, смешанных записях или для точности выравнивания украинского мы не нашли. faster-whisper позволяет зафиксировать язык (language) или определять его на каждом сегменте (multilingual), и для смешанных записей стоит проверить оба режима. Названия продуктов исправляйте при просмотре и ведите для них список слов. Модели для обоих языков подробно разобраны в статье о локальном распознавании украинского и русского. Показателя DER для украинского или русского карточка pyannote community-1 не приводит, так что разметку спикеров проверьте на реальной записи.
Какая видеокарта нужна для нарезки шортсов
Карту нагружают распознавание, языковая модель, детекция лиц и кодирование видео; большая карта нужна, чтобы держать модели загруженными вместе и рендерить несколько клипов параллельно. Память считаем так: 90 % объема, который показывает драйвер, минус 3 ГиБ на карту, минус веса. Для Whisper large репозиторий OpenAI называет около 10 ГБ, а WhisperX пишет о менее чем 8 ГБ для large-v2 с beam_size=5.
| Уровень | Железо | Что работает | Для кого |
|---|---|---|---|
| Начальный | станция, 1 × RTX PRO 4000 (24 ГБ), 2 NVENC | WhisperX, потом gpt-oss-20b, по очереди | один маркетолог, несколько видео в неделю |
| Команда | станция, 1 × RTX PRO 5000 (48 или 72 ГБ), 3 NVENC | WhisperX и Qwen3.8-27B одновременно: NVFP4 на 48 ГБ, FP8 на 72 ГБ | маркетинговая команда или агентство |
| Студия | станция, 1 или 2 × RTX PRO 6000 Workstation Edition или Max-Q, по 4 NVENC | цепочка плюс генерация видео или повышение разрешения для B-roll | несколько редакторов, много записей |
| Медиахолдинг | сервер с RTX PRO 6000 Server Edition или L40S | непрерывные очереди записей | вещатели, издательства |
Источник: наша оценка по правилу расчета памяти; Whisper large около 10 ГБ (репозиторий Whisper от OpenAI); gpt-oss-20b 12,8 ГиБ, Qwen3.8-27B NVFP4 20,4 ГиБ и FP8 28,75 ГиБ по нашим расчетам для моделей; число кодировщиков по страницам продуктов NVIDIA и ее матрице поддержки кодирования и декодирования видео.
На RTX PRO 5000 с 48 ГБ правило дает 40,0 ГиБ. Whisper large (около 9,3 ГиБ) и Qwen3.8-27B в NVFP4 (20,4 ГиБ) занимают 29,7 ГиБ, и, по нашей оценке, около 10 ГиБ остается на модель спикеров, детекцию лиц и рабочую память языковой модели. Версия на 72 ГБ вмещает сборку FP8 с запасом около 23 ГиБ. NVIDIA указывает для RTX PRO 5000 три кодировщика NVENC девятого поколения и три декодера, для RTX PRO 4000 по два, для каждой редакции RTX PRO 6000 по четыре; больше кодировщиков дает больше клипов, которые рендерятся одновременно. RTX PRO 5000 потребляет до 300 Вт.
Скорость всей цепочки на RTX PRO никто не публиковал, есть цифры отдельных шагов. Для speaker-diarization-3.0 pyannote приводит коэффициент реального времени около 2,5 % на Tesla V100, то есть примерно 1,5 минуты на час разговора. StorageReview (обзор от 14.10.2026) измерял Qwen3.8-27B в NVFP4 на нескольких картах, в том числе RTX PRO 4500 Server Edition в сервере Dell PowerEdge R770: с одним запросом каждая давала от 17 до 22 токенов/с. Значит, десять предложений по 100 токенов, по нашей оценке, пишутся меньше чем за минуту с выключенным режимом рассуждений, плюс время на чтение стенограммы.
RTX PRO 6000 Workstation Edition рассчитана на 600 Вт, поэтому больше двух таких карт в станцию не ставят; три или четыре Max-Q ставят только в корпус, спроектированный под них, с сильным направленным потоком воздуха. Генерация B-roll и повышение разрешения рассчитаны в статье об AI-станции для видеомаркетинга, а медиахолдингу с часами видео ежедневно подходит сервер из статьи об AI-сервере для медиа. ETE считает конфигурацию именно от типа, длительности и количества ваших записей.
Заметки для ИТ-команды
- Зафиксируйте окружение ClipsAI. Релиз 2024 года, а WhisperX ставится из Git, так что собирайте библиотеку в отдельном контейнере и тестируйте после обновлений WhisperX или pyannote.
- Токены Hugging Face. Модели pyannote скачайте один раз и работайте офлайн; модель community-1, по README WhisperX, распространяется под CC-BY-4.0.
- Структурированный ответ. Просите список клипов в JSON по фиксированной схеме и отбрасывайте время за пределами записи.
- Кодирование. Смотрите нагрузку кодировщиков в
nvidia-smiво время параллельного рендеринга. - Хранилище. Сырые записи держите отдельно и удаляйте по расписанию.
Развернуть модели на vLLM или Ollama в вашей сети при необходимости помогут инженеры Vixen.UNO.
Частые вопросы
Есть ли открытая альтернатива Opus Clip, которую можно поставить у себя?
Да. OpenShorts проходит все шаги на вашей машине, если выбор моментов направить на локальный сервер модели, но для лиц использует пакет под AGPL, так что лицензии проверьте заранее. Ту же цепочку собирают из WhisperX, локальной модели, модуля кадрирования ClipsAI и субтитров по времени слов.
Может ли AI нарезать шортсы из длинного видео без облака?
Может: станция расшифровывает запись, локальная модель предлагает отрывки, трекинг лица переводит их в вертикаль, а субтитры вшиваются в изображение. Запись и стенограмма остаются у вас, если каждый шаг, включая языковую модель, работает на вашем железе.
Загружает ли Opus Clip мое видео на свои серверы?
Судя по его страницам, да: клипы делает сервис поставщика из вашего файла или ссылки. Условия хранения смотрите в его документах.
Как автоматически перевести горизонтальное видео в формат 9:16?
Шаг кадрирования определяет, кто говорит и где его лицо, и ведет за ним вертикальную рамку. В ClipsAI для этого объединены pyannote, детекция сцен и MTCNN или MediaPipe, а ffmpeg вырезает результат.
Какая видеокарта нужна для шортсов на локальном AI?
RTX PRO 4000 на 24 ГБ запускает WhisperX и gpt-oss-20b по очереди, RTX PRO 5000 на 48 ГБ держит Whisper large и Qwen3.8-27B NVFP4 вместе. Нескольким редакторам хватит общей RTX PRO 6000 на 96 ГБ.
Сделает ли локальный AI субтитры на украинском для шортсов?
Да. Whisper large-v3 распознает украинский и русский, а время слов дает выравнивание WhisperX с моделью сообщества с Hugging Face, лицензию которой стоит проверить. Числа со знаками и названия продуктов сверьте вручную.
Что из этого есть в ETE
- NVIDIA RTX PRO 5000 Blackwell 48 ГБ: Whisper large и Qwen3.8-27B NVFP4 занимают 29,7 из 40,0 ГиБ полезных, три NVENC, до 300 Вт.
- ETE AI Workstation: RTX PRO 6000 на 96 ГБ с четырьмя NVENC для студии, блок питания с запасом под вторую карту.
- ETE AI Server RTX PRO: четыре RTX PRO 6000, 384 ГБ видеопамяти и по четыре NVENC на карту для непрерывных очередей записей.
Какая станция нужна под ваши вебинары и подкасты?
Напишите, какие записи вы обрабатываете, какой они длительности, сколько видео выходит в месяц и на каких языках в них говорят. ETE рассчитает конфигурацию, а при необходимости инженеры Vixen.UNO установят WhisperX, локальную модель и ffmpeg.