Wie die KI das Hochformat-Layout für jede Einstellung wählt

Ein Hochformat-Fenster aus einem 16:9-Bild ist nur etwa ein Drittel so breit. Das reicht für eine Person, die in die Kamera spricht, aber nicht für zwei Personen, die auseinandersitzen, für jemanden, der auf ein Whiteboard zeigt, oder für eine bildschirmfüllende Folie.

Die meisten langen Videos wechseln alle paar Sekunden die Einstellung, ein Clip erbt also mehrere davon. Pro Einstellung zu entscheiden heißt: Jede bekommt das Layout, das ihr Inhalt braucht, und Einstellungen mit demselben Inhalt bekommen dieselbe Antwort, damit der Clip nicht grundlos zwischen Layouts springt.

Das Ziel ist für jede Einstellung dasselbe: Wer auf dem Handy schaut, soll dem Clip so leicht wie möglich folgen. Um das zu beurteilen, bekommt die KI mehr als Pixel:

• Titel, Beschreibung und das Gesagte des Clips, damit sie weiß, ob es um den Sprecher, die Reaktion des Gasts oder das Diagramm auf dem Bildschirm geht.
• Ein Bild aus jeder Einstellung und wie lange diese Einstellung zu sehen ist.
• Was über das ganze Video bekannt ist, etwa eine Webcam-Box, die immer in derselben Ecke sitzt.
• Die Gesichter in jeder Einstellung, damit ein Fenster auf der Person landet und nicht daneben.

Ein geteilter Bildschirm halbiert alles darin, und jeder Wechsel zwischen geteilt und einzeln ist für die Zuschauer sichtbar. Darum nutzt die KI standardmäßig ein Fenster und teilt nur, wenn zwei Personen tatsächlich in derselben Totalen miteinander sprechen.

Ein Schnitt auf die andere Person ist kein Grund zum Teilen: Die nächste Einstellung bekommt einfach ihr eigenes Fenster. Jemand, der durch den Hintergrund läuft, auch nicht. Ein Inhaltsbereich neben einer Person kommt nur, wenn das Video einen Webcam- oder Avatar-Presenter hat oder ein ins Bild geschnittenes Overlay. Vergleiche nebeneinander und eingeschnittene Grafiken werden als ganzes Bild gezeigt, damit nichts Wichtiges weggeschnitten wird.

Innerhalb einer Einstellung steht das Fenster still. Ein Ausschnitt, der jeder Kopfbewegung hinterherwandert, ist anstrengender als ein ruhiger, deshalb bekommt jede Einstellung ein Fenster, das den Bewegungsraum des Motivs abdeckt.

Ist das Motiv breiter als ein Hochformat-Fenster, etwa eine Person mit dem, was sie in der Hand hält, oder jemand über ein Tablet gebeugt, wird das Fenster nicht zur schmalen Säule und springt auch nicht auf ein zufälliges Gesicht. Es wird breiter, bis das ganze Motiv hineinpasst, und das Bild erscheint etwas kleiner über einer unscharfen Kopie seiner selbst. Du bekommst schmale unscharfe Balken statt eines angeschnittenen Produkts oder einer fehlenden Hand.

Die Wahl der KI ist ein Ausgangspunkt. Würdest du eine Einstellung anders rahmen, ändere sie im Clip-Editor:

• Gesichter sind ganz im Bild, auch in kurzen Einstellungen von ein, zwei Sekunden.
• Text auf Folien und Bildschirmen ist in einer Vorschau in Handygröße lesbar.
• Untertitel verdecken weder das Gesicht noch das untere Fenster eines geteilten Bildes.
• Der Clip wechselt das Layout nicht öfter als der Inhalt.
• Gegenstände, die Personen zeigen oder auf die sie deuten, sind im Bild und nicht nur daneben.