Вертикальное видео из горизонтального: умная обрезка с трекингом лица

У тебя есть горизонтальный ролик: интервью, вебинар, кусок подкаста, съёмка с камеры. А площадки хотят вертикаль. Reels, Shorts и TikTok показывают контент на весь экран телефона, и это формат 9:16. Самый быстрый способ переделать - обрезать по центру. Самый быстрый способ всё испортить - тоже обрезать по центру.

Разберём, почему плоский центральный кроп режет именно то, что важно, как работает умная обрезка с трекингом лица, и какие цифры стоят за тем, что вертикаль реально забирает внимание на мобильных.

Почему обрезать по центру - плохая идея

Когда ты берёшь кадр 16:9 и вырезаешь из него вертикальную полосу 9:16, ты физически выкидываешь бока. По ширине от исходника остаётся примерно 56%, всё остальное уходит за границу кадра (Transcriptr). Если ты просто ставишь окно обрезки в центр и не двигаешь его, то любой человек, который стоит не по центру, теряет половину лица. Спикер отошёл к флипчарту - его нет в кадре. Двое в диалоге - в кадре остаётся пустая стена между ними.

Центральный кроп ничего не знает про содержимое. Он вырезает геометрический центр прямоугольника, а важное в видео почти никогда не сидит ровно посередине.

Что происходит, когда 16:9 становится 9:16

Стоит понимать масштаб потери. Горизонтальный кадр 1920x1080 и вертикальный 1080x1920 - это разные миры. Чтобы получить честные 9:16 без чёрных полос, из широкого кадра приходится оставить узкую вертикальную колонну. По ширине это чуть больше половины исходной картинки.

Вот почему выбор, куда поставить эту колонну, решает всё. Если поставить наугад по центру - выкинешь не пустой фон, а лицо. Если ставить по содержимому и вести окно за спикером - выкинешь как раз фон, а человек останется в кадре.

Как работает умная обрезка с трекингом лица

Под капотом у нормального авто-рефрейма не магия, а понятный конвейер. Сначала на каждом кадре ищутся лица (например, через MediaPipe Face Mesh, который ставит до 468 точек на лицо), затем определяется, кто из них сейчас в кадре главный. Дальше считается положение вертикального окна так, чтобы лицо было в кадре с запасом сверху 15-20%, а потом траектория этого окна сглаживается, чтобы кадр не дёргался (Transcriptr).

Ключевой шаг здесь - сглаживание. Если окно будет прыгать за каждым микродвижением головы, зритель укачается за три секунды. Поэтому траекторию пропускают через фильтр (низкочастотный или Кальмана) с окном сглаживания порядка 10-30 кадров: большие перемещения кадр отрабатывает, а мелкую тряску гасит (Transcriptr).

• Детекция: где вообще лица на каждом кадре
• Трекинг: тот же человек между кадрами, чтобы окно не перескакивало
• Кроп: узкое вертикальное окно с воздухом над головой
• Сглаживание: плавный ход камеры без рывков

Цифры: почему вертикаль реально выигрывает

Это не вкусовщина. Люди держат телефон стоя и смотрят так же. По данным, которые расходятся по индустрии, около 94% пользователей смартфонов держат телефон вертикально при просмотре видео, и большинство не переворачивает его ради горизонтального ролика (Embryo). Вертикальный кадр при этом занимает примерно на 78% больше площади экрана на мобильном, чем горизонтальный (Sculpt).

Отсюда же и про удержание. Часто цитируют старое исследование MediaBrix: у вертикальных роликов досматриваемость примерно на 90% выше, чем у горизонтальных (Sculpt). А по свежим наблюдениям площадок, ролик именно в 9:16 на вертикальных лентах собирает примерно в 2.3 раза больше вовлечения, чем квадрат 1:1 или 4:5 (quso.ai). То есть даже сам факт правильного формата уже двигает цифры.

И ещё один момент, который часто забывают: около 85% видео в ленте смотрят вообще без звука (Sculpt). Значит, вертикальный формат сам по себе половину дела не делает - без субтитров, вшитых в кадр, зритель не поймёт, о чём речь, и улетит дальше.

Центр-кроп, ручные ключи и трекинг

Есть три способа получить вертикаль из горизонтали. Разница между ними - в том, сколько ты тратишь времени и насколько стабильно лицо остаётся в кадре.

Ручные ключевые кадры дают идеальный результат, если ты готов сидеть и вручную двигать окно кадрирования по всей длине ролика. На минуту разговора это десятки правок. Умный трекинг даёт почти то же качество за секунды, потому что окно ведёт алгоритм.

Кадрирование напрямую бьёт по удержанию

Первые секунды решают. На вертикальных лентах зритель пролистывает бесконечно, и если в первом кадре у человека отрезан лоб или он вообще уехал за край - палец уже двинулся дальше. Хорошее кадрирование удерживает взгляд ровно там, где нужно, весь ролик.

Безопасные зоны 9:16

Даже идеально закадрированное лицо можно испортить интерфейсом площадки. Поверх видео TikTok, Reels и Shorts рисуют свои кнопки, ник, описание и подписи. Стандартный холст - 1080x1920, 9:16. Держи важное подальше от краёв, которые перекрывает интерфейс (quso.ai).

• Низ: держи лицо и текст выше нижних ~270 px - там ник, описание и музыка
• Право: оставь ~100 px справа - там кнопки лайка, комментариев и шеринга
• Верх: не сажай подписи под самый верх, там иконки и время
• Ролики, где важное вылезает за безопасную зону, теряют в досматриваемости - по одной оценке около 22% (quso.ai)

Как это делает Monty

Monty берёт один твой дубль и собирает из него готовый короткий ролик под каждую площадку. Он пишет сценарий твоим голосом, монтирует дубль (нарезка, музыка, b-roll), делает субтитры, синхронные с речью, готовит отдельную версию под каждую площадку и публикует в Shorts, Reels, TikTok и Telegram. Первый ролик бесплатный.

Для перевода горизонтали в вертикаль это значит, что тебе не нужно вручную двигать окно кадрирования и вписывать себя в безопасные зоны. Monty делает вертикальную версию с субтитрами, вшитыми в кадр, и постит её сам. Хочешь контроль - оставь подтверждение включённым, и каждый ролик будет ждать твоего ок. Хочешь автопилот - поставь на расписание.