Вертикальный формат 9:16 — как обрезать горизонтальное видео и не потерять лицо в кадре

Большинство исходников — подкасты, интервью, записи вебинаров — снимают горизонтально: с одной или нескольких статичных камер, показывающих сразу нескольких людей. Площадки коротких видео при этом требуют вертикальный формат 9:16. Прямое сжатие горизонтального кадра в вертикальный либо оставляет чёрные поля по бокам, либо обрезает часть картинки — и здесь легко потерять из кадра именно то, что важно: лицо говорящего.

Модель холста: не масштаб всей картинки, а окно в неё

Технически задача (актуальная для нарезки на TikTok и Reels) решается не сжатием кадра, а вырезанием вертикального окна из горизонтального видео — представьте вертикальный прямоугольник 1080×1920, через который видна только часть исходного кадра, и который можно двигать по горизонтали. Всё, что происходит вне этого окна в конкретный момент времени, просто не попадает в вертикальную версию.

Масштаб этого окна относительно исходного видео и его положение можно менять во времени — то есть кадр может «наезжать» на конкретного человека, когда он говорит, а потом отъезжать обратно, если говорящих несколько и они меняются. Технически это набор опорных точек (положение и масштаб в конкретный момент времени), между которыми происходит плавная или резкая интерполяция.

Ручной режим: полный контроль, но требует времени

В ручном режиме положение и масштаб окна задаются самим человеком — через редактор, где можно двигать и увеличивать/уменьшать рамку прямо на превью кадра, расставляя точки в нужные моменты. Это даёт предсказуемый, полностью контролируемый результат, но требует пересмотреть видео и вручную расставить точки там, где говорящий меняется или двигается в кадре.

Для короткого фрагмента (30–60 секунд) с одним статичным говорящим это занимает пару минут. Для сцены с несколькими людьми, где инициатива в разговоре часто переходит от одного к другому, ручная разметка становится заметно более трудоёмкой.

Автофокус: камера сама находит говорящего

Автоматический подход решает ту же задачу без ручной разметки каждой точки. Идея простая по формулировке, но нетривиальная в реализации: система определяет лица в кадре, отслеживает их положение между кадрами видео и вычисляет, кто из присутствующих говорит именно сейчас — а затем сама генерирует те же самые опорные точки положения и масштаба, что и при ручной разметке, только автоматически.

Определение говорящего строится на двух источниках одновременно: движении губ (насколько активно шевелится рот у конкретного лица) и распознанных сегментах речи по звуку — если движение губ конкретного лица совпадает по времени с активной речью на дорожке, это лицо и признаётся текущим говорящим.

Отдельная инженерная задача — не дать камере дёргаться. Без сглаживания система переключала бы цель на каждую короткую реплику вроде «угу» или «ага», и результат выглядел бы дёрганым и неприятным для просмотра. Поэтому переключение цели происходит только при устойчивом, длящемся какое-то время перевесе одного говорящего над другим, а не при любом кратковременном всплеске активности — а движение самой камеры между точками сглаживается, чтобы оно выглядело как плавный или резкий, но управляемый монтажный переход, а не случайное дрожание.

Можно выбрать, как именно происходит переход между людьми — мгновенной склейкой (как монтажная смена плана) или плавным движением камеры — и что делать с масштабом: заполнять весь вертикальный кадр целиком или вписывать исходное изображение так, чтобы оно было видно полностью, с более узкой рамкой вокруг.

Когда автофокус работает хорошо, а когда — нет

Автофокус предсказуемо хорошо справляется с типичным подкастом или интервью: несколько людей анфас к камере, лица крупные и хорошо освещены, разговор идёт по очереди. Здесь система уверенно определяет, кто говорит, и держит его в кадре.

Хуже автофокус справляется, если говорящий вообще не виден в кадре (закадровый голос), лица показаны в профиль или частично, людей в кадре много и они говорят одновременно, или ролик анимационный/игровой без реальных лиц. В таких случаях система, если не находит уверенного кандидата на «говорящего», должна честно откатиться на камеру по центру кадра, а не гадать — это и есть правильное поведение при недостатке данных.

Автоматика — черновик, а не финальное решение

Важный практический момент: результат автофокуса — это не отдельный, изолированный формат, а обычные точки в том же самом вертикальном редакторе, которым пользуются при ручной разметке. Это значит, что автоматически расставленные точки можно после этого доработать вручную — подвинуть, удалить или добавить — если в каком-то месте автоматика ошиблась. Автофокус экономит время на рутинной части работы, но не отменяет возможность точечно вмешаться там, где это нужно.

Требования площадок к самому формату кадра и допустимой длительности собраны отдельно — см. какой длины должен быть шортс, рилс и TikTok в 2026.

Частые вопросы

Нужно ли пересматривать всё видео, чтобы проверить автофокус?

Не полностью — достаточно просмотреть готовую вертикальную версию и, если камера в каком-то месте держит не того человека или двигается некрасиво, поправить именно этот момент в редакторе, не переделывая разметку с нуля.

Что произойдёт, если в кадре вообще нет лиц?

Система должна честно оставить камеру по центру кадра вместо того, чтобы пытаться угадать движение — это ожидаемое, безопасное поведение при отсутствии данных для анализа.

Меняет ли вертикальная версия звук или тайминг ролика?

Нет, звук и длительность остаются исходными — меняется только то, какая часть кадра видна в конкретный момент времени.