Sommario
- Il costo nascosto di guardare ogni video fino alla fine
- Cosa succede effettivamente quando l'IA riassume un video di YouTube
- L'elenco di controllo delle funzioni che separa gli strumenti reali dai wrapper
- Un flusso di lavoro a 6 step per riassumere il tuo primo video in meno di 5 minuti
- Cinque errori che trasformano i riassunti dell'IA in passività
- Abbinare il riassuntore corretto al tuo volume e alle tue puntate
Il costo nascosto di guardare ogni video fino alla fine
Prima di poter valutare qualsiasi strumento, devi sapere esattamente cosa stai pagando in termini di tempo. L'imposta sulla sintesi manuale è invisibile su un singolo video e brutale nel corso di un trimestre.
- Imposta scorrimento-e-perdita. Avanzare velocemente attraverso un tutorial di 60 minuti significa scorrere oltre ~9.000 parole di dialogo al ritmo conversazionale di 150 parole al minuto. La scansione cattura i titoli ma perde la sequenza — un fallimento critico per i contenuti procedurali dove l'ordine dei step è il punto intero. Catturi cosa il presentatore consiglia e perdi quando te lo consiglia rispetto agli altri step.
- La trascrizione manuale è un moltiplicatore 4×. Il benchmark professionale di Rev colloca la trascrizione umana qualificata a circa 4 ore di lavoro per 1 ora di audio chiaro. I non professionisti colpiscono regolarmente 5×. Questo è il costo di base per produrre l'input che un riassuntore dell'IA si aspetta di ricevere chiaramente.
- YouTube è costruito per l'istruzione, non per lo scorrimento. Il 51% degli utenti di YouTube utilizza la piattaforma per scoprire come fare qualcosa di nuovo, secondo il Pew Research Center. Una grande parte di ciò che creatori, ricercatori e studenti hanno bisogno di estrarre da YouTube è procedurale — esattamente il tipo di contenuto che punisce lo scorrimento superficiale e premia il riassunto strutturato.
- Il segnale da 1 miliardo di ore. Gli spettatori di YouTube guardano collettivamente oltre 1 miliardo di ore di video al giorno, secondo il blog ufficiale di YouTube. Per l'intelligence competitiva, i flussi di lavoro di ricerca o la cura dei contenuti di formazione, il volume grezzo è impossibile da consumare linearmente. La selezione è l'intero gioco, e il riassunto è il meccanismo di selezione.
- L'aumento della produttività misurato dell'IA generativa. Uno studio di Science di Noy & Zhang (2023) ha rilevato che GPT-4 ha ridotto il tempo delle attività dei lavoratori della conoscenza del 40% in media e ha migliorato la qualità del 18% su attività di scrittura e trasformazione, incluso il riassunto. Questo è il motivo principale per cui questo cambio di flusso di lavoro sta accadendo ora — il guadagno di produttività è abbastanza grande da superare il costo del cambio di imparare uno strumento nuovo.
Traduci questi numeri in puntate specifiche del ruolo. Un creatore di YouTube che ricerca tre video di concorrenti a settimana perde circa 12 ore al mese a revisione manuale con tassi di scansione conservativi. Un team di e-learning che ricostruisce una libreria di formazione di 40 video su una cadenza trimestrale affronta circa 160 ore di lavoro di riassunto se lo fa a mano — vicino a un mese intero del tempo di lavoro di una persona. Un'agenzia che triage i contenuti dei clienti per il riutilizzo assorbe quel costo in margini già sottili, di solito non revisionando sufficientemente il materiale di partenza e producendo brief creativi più deboli. Il compounding è invisibile fino a quando non lo misuri, il che la maggior parte dei team non fa mai. Senti il sintomo — deadline mancate, ricerca superficiale, un backlog di schede "dovrei guardare quello" — e lo tratti come un problema di disciplina piuttosto che come uno di tooling.
Ogni video non guardato ma aggiunto ai segnalibri è debito di contesto — e come tutto il debito, si accumula silenziosamente fino a non costarti una settimana di lavoro.
Cosa succede effettivamente quando l'IA riassume un video di YouTube
La maggior parte degli strumenti commercializzati come "riassuntori dell'IA" si trovano sulla stessa pipeline a tre stadi. Conoscere gli stadi ti dice cosa stai effettivamente pagando e dove la qualità perde valore.
Stage 1 — Acquisizione della trascrizione. Il riassuntore estrae le didascalie esistenti di YouTube (generate automaticamente o caricate dal creatore) oppure esegue l'audio attraverso il suo modello di riconoscimento vocale automatico (ASR). Questo step decide tutto il resto. L'ASR all'avanguardia raggiunge un tasso di errore di parole del 5-6% su dati di benchmark puliti come Switchboard, secondo Xiong et al. a Microsoft Research, corrispondendo approssimativamente ai trascrittori umani in condizioni di laboratorio. Ma le didascalie automatiche di YouTube su discorsi con accento o tecnici si comportano spesso molto peggio — Szark et al. (CHI 2019) hanno documentato che le didascalie automatiche sono inadeguate per le esigenze di accessibilità su contenuti del mondo reale. Lo standard di trasmissione raccomandato da Ofcom è almeno il 98% di accuratezza. Se la tua trascrizione inizia al 90%, il tuo riassunto eredita ogni termine tecnico frainteso, ogni nome proprio confuso, ogni numero confidenzialmente sbagliato. Il riassuntore non può dirti che è confuso. Produrrà un riassunto fluente e plausibile del contenuto sbagliato.
Questo è funzionalmente lo stesso problema risolto da Text to Speech al contrario — testo scritto che diventa discorso invece di discorso che diventa testo — e ha lo stesso collo di bottiglia di accuratezza al confine della modalità.
Stage 2 — Ranking semantico. Il modello di linguaggio non sceglie frasi "importanti" a caso o per lunghezza. Punteggia intervalli di testo lungo varie dimensioni: novità (introduce un nuovo concetto), causalità (spiega perché qualcosa accade) e proceduralità (step in una sequenza). Gli strumenti che solo estraggono trascrizioni senza ranking semantico producono elenchi puntati piatti che leggono come rapporti giudiziari — accurati, esaustivi e inutili. Gli strumenti con vero ranking semantico pesano gli intervalli didattici di un tutorial diversamente da una tangente aneddotica di un podcast. Qui è dove il divario tra uno strumento wrapper da $5/mese e un prodotto serio diventa ovvio nell'output.
Stage 3 — Compressione e formattazione. I benchmark di ricerca della Document Understanding Conference del NIST stabiliscono l'obiettivo di compressione convenzionale al 10-20% della lunghezza della fonte. Per una trascrizione di 9.000 parole, questo è un riassunto "dettagliato" di 900-1.800 parole o un riassunto esecutivo di circa 450 parole. Qualsiasi cosa più stretta del 5% inizia a perdere significato strutturale su contenuti educativi di lunga forma. La richiesta "dammi 3 bullet per una keynote di 90 minuti" chiede una compressione dello 0,5%, che non è riassunto — è un tagline. Lo strumento produrrà tre bullet perché li hai chiesti, ma i bullet saranno generici ("l'oratore ha discusso della leadership") o arbitrari (uno dei tre punti che il modello ha pesato più alto, che potrebbe non essere i tre che avevi bisogno).
Gli strumenti venduti come "riassuntori" possono stare in qualsiasi punto di questa pipeline. Un'estensione del browser che chiama ChatGPT sul file di didascalia di YouTube è Stage 1 più uno Stage 3 generico senza vero ranking semantico — è un wrapper, e di solito puoi replicarlo gratuitamente con uno scraper di trascrizioni e una scheda di chatbot. Un prodotto di riassunto dedicato con modelli semantici personalizzati offre tutti e tre gli stage con controlli di qualità, preset di lunghezza e opzioni di formato. La differenza di prezzo tra i due è spesso piccola. La differenza di output non lo è.
Un riassuntore è solo accurato quanto la trascrizione da cui inizia. Se le didascalie sono sbagliate, l'IA riassume con sicurezza il contenuto sbagliato.
L'elenco di controllo delle funzioni che separa gli strumenti reali dai wrapper
Il mercato si è stabilizzato in tre archetipi di flusso di lavoro. Ciascuno scambia convenienza per controllo in una direzione diversa. La tabella sottostante confronta i flussi di lavoro stessi — non strumenti specifici — su funzionalità osservabili.
| Funzione | Estensione del browser | Web-App Incolla-URL | Trascrizione-Prima + Chatbot |
|---|---|---|---|
| Punto di ingresso | Pulsante sulla pagina di YouTube | Incolla URL nel sito | Esporta trascrizione, incolla in LLM |
| Tempo di configurazione | Installazione una tantum | Nessuno — aggiungi segnalibro al sito | Due strumenti da imparare |
| Controllo della lunghezza | Di solito modelli fissi | Conciso/equilibrato/dettagliato | Controllo completo del prompt |
| Formato di output | Bullet + timestamp | Paragrafi o bullet | Qualsiasi cosa produca l'LLM |
| Batch / multi-video | Raro | Limitato | Sì, con esportazione trascrizione |
Fonti dei vendor per le celle sopra: Eightify per il modello di estensione, Notta e Heuristica per il modello incolla-URL, e la guida pratica di Krisp e il flusso di lavoro di trascrizione di Tactiq per l'approccio trascrizione-prima. Tutti sono pubblicati dal vendor, quindi leggili come documentazione dei loro stessi prodotti piuttosto che come confronti neutrali.
Mappa i tre flussi di lavoro a colli di bottiglia specifici. I flussi di lavoro di estensione vincono sulla velocità per video ma limitano la tua flessibilità di output — ottieni il modello che il developer ha scelto, e "rendilo più corto" o "riscrivi come uno schema" di solito non è un'opzione. Le app web incolla-URL ti danno più controllo su lunghezza e formato ma interrompono il tuo flusso con il cambio di scheda e il copia-incolla. I flussi di lavoro trascrizione-prima sono i più potenti e i più lenti; sono quello che usi quando hai bisogno di output in un formato non predefinito — "riscrivi come uno schema per post LinkedIn," "estrai ogni affermazione che include un numero e marcalo con timestamp," "dammi uno schema di insegnamento a 12 bullet che posso consegnare a uno scrittore junior."
Cross-reference il tuo tipo di contenuto in seguito. I tutorial e le istruzioni puniscono la sovracompressione perché la sequenza degli step è importante — fai pressione per 8-12 bullet con timestamp. Le keynote e le interviste tollerano una compressione aggressiva — i riassunti a 4-6 punti chiave di solito catturano la sostanza. Le discussioni e i dibattiti sono il caso più difficile; l'IA fatica a pesare equamente le prospettive in competizione, che è l'argomento del terzo errore della sezione successiva.
Il paesaggio competitivo si divide anche lungo questi flussi di lavoro. Eightify, Notta e Heuristica sono prodotti incentrati sul riassunto. Rask AI e HeyGen guidano con il doppiaggio e la generazione di avatar — il riassunto è una funzione secondaria, non la competenza principale. Murf, ElevenLabs e Dubverse si concentrano sulla sintesi vocale. Se il tuo obiettivo a valle è tradurre e ridoppiare il video dopo averlo riassunto, la pipeline è più importante del riassuntore da solo. Vorrai una piattaforma che gestisca trascrizione, riassunto e doppiaggio senza tre cambii di strumento, che è il motivo per cui gli strumenti incentrati sul riassunto e gli strumenti incentrati sul doppiaggio raramente fanno la stessa lista — stai scegliendo il flusso di lavoro prima di inviare il risultato attraverso una pipeline di AI Dubbing in 33 lingue target.
Un flusso di lavoro a 6 step per riassumere il tuo primo video in meno di 5 minuti
Questa è la sequenza effettiva. Le stime di tempo presuppongono che tu abbia già scelto uno strumento. Se non l'hai fatto, esegui lo Step 1 rispetto alla matrice sopra prima di cronometrare qualsiasi cosa.
Step 1 — Scegli lo strumento giusto per il tipo di contenuto del tuo video (30 secondi). Il contenuto di tutorial o istruzioni con sequenze di step va a uno strumento stile estensione che supporta i timestamp. Il contenuto di discussione, intervista o panel va a un'app web incolla-URL con output di bullet selezionabile. Il video di fonte non in inglese passa attraverso un flusso di lavoro trascrizione-prima con un LLM multilingue, perché i riassuntori incentrati sull'inglese spesso ereditano il cattivo ASR su audio non inglese. Fai riferimento alla matrice del flusso di lavoro nella sezione precedente se stai cambiando tipi di contenuto frequentemente.
Step 2 — Incolla l'URL o fai clic sul pulsante all'interno di YouTube (15 secondi). Per gli strumenti di estensione, un pulsante "Riassumi" appare direttamente sulla pagina di YouTube. Per le app web, copia l'URL dalla barra del browser. Gli URL della playlist di solito falliscono — usa URL di video individuali. Gli URL con timestamp (quelli con &t=1234s alla fine) funzionano nella maggior parte degli strumenti ma occasionalmente causano al riassuntore di iniziare dal timestamp piuttosto che dall'inizio, il che raramente è quello che vuoi.
Step 3 — Imposta la lunghezza del riassunto deliberatamente (15 secondi). Fai riferimento al benchmark di compressione del 10-20%. Per un video di 20 minuti (~3.000 parole di trascrizione): mirare a 300-600 parole di riassunto. Per un discorso di 90 minuti (~13.500 parole): mirare a 1.300-2.700 parole. L'istinto "dammi 3 bullet per una keynote di 90 minuti" ti costerà più tempo di revisione di quanto ne risparmi, perché i bullet saranno troppo vaghi per agire e tornerai comunque alla fonte.
Step 4 — Ispeziona la trascrizione prima di accettare il riassunto (60 secondi). Questo è lo step più saltato e quello con la leva più alta. Scansiona alla ricerca di termini tecnici misspellati, nomi propri sbagliati e segmenti confusi. Se vedi "Kubernetes" reso come "cuber net ease," ogni affermazione di Kubernetes nel riassunto è sospetta. Lo standard di accuratezza del 98% dal broadcasting è un utile controllo di intuito — se noti tre o più errori ovvi in 60 secondi di scansione, la trascrizione sottostante è probabilmente ben al di sotto di quella soglia e il riassunto ha bisogno di una revisione più pesante o di uno strumento diverso del tutto.
Step 5 — Specifica il caso di utilizzo nel tuo prompt (se lo strumento lo consente) (30 secondi). "Riassumi questo video" fornisce output generico. "Estrai i 5 step che il presentatore consiglia, con timestamp, formattati per un tutorial di blog" fornisce output utilizzabile. La guida di Krisp documenta esplicitamente questo approccio di controllo del prompt, con esempi come "riassumi in 5 bullet point" e "riassunto conciso sotto 150 parole." Il prompt sta facendo il lavoro strutturale che i default dello strumento non sono.
Step 6 — Riutilizza immediatamente (90 secondi). Il vero valore del riassunto è a valle, non nel documento stesso. Converti i timestamp in marcatori di capitoli per il tuo video. Trasforma l'elenco puntato in uno schema di script per un pezzo derivato. Se stai localizzando, alimenta lo script in un flusso di lavoro API di AI Dubbing per produrre versioni in 33 lingue target da un singolo script di origine — uno step che una volta richiedeva un'agenzia di traduzione e un attore vocale per lingua e ora si risolve in minuti.
Un video diventa tre post social, uno schema di blog e un doppiaggio multilingue — ma solo se tratti il riassunto come materiale grezzo, non come un prodotto finito.
Cinque errori che trasformano i riassunti dell'IA in passività
Ciascuna di questi modalità di fallimento ha costato ai team reali soldi reali. La correzione in ogni caso è procedurale, non tecnologica — puoi evitare tutti e cinque con disciplina e le giuste vie di fuga.
- Fidare delle didascalie automatiche su contenuti tecnici o con accento. Il National Deaf Center è esplicito nel dire che le didascalie automatiche da sole non sono sufficienti per l'accessibilità, a causa dei tassi di errore sui termini tecnici, i nomi propri e il discorso con accento. Se il tuo video di origine è un discorso della conferenza degli sviluppatori, una lezione medica o qualsiasi contenuto in cui il vocabolario del dominio è importante, esegui due minuti della trascrizione attraverso un controllo di nome proprio e termine prima di riassumere. WCAG 2.1 Success Criterion 1.2.2 richiede didascalie di qualità umana per contenuti preregistrati — le didascalie automatiche non soddisfano lo standard legale nelle industrie regolamentate, e non soddisfano nemmeno lo standard pratico per un riassuntore dell'IA.
- Trattare i riassunti dell'LLM come fatti. Arvind Narayanan di Princeton sostiene che le allucinazioni sono intrinseche ai grandi modelli di linguaggio e non possono essere completamente eliminate, in particolare nel riassunto dove il modello può omettere avvertenze o inventare dettagli plausibili che non erano nella fonte. Emily Bender dell'Università di Washington lo afferma più nettamente: i grandi modelli di linguaggio "producono forma linguistica senza una connessione al significato," il che li rende inclini a output fluente ma fuorviante. Per contenuti ad alto rischio — medico, legale, finanziario, normativo — non pubblicare mai un riassunto o agire su uno senza che un esperto del dominio esamini la fonte.
- Sovra-compressione di contenuti di lunga forma. Un riassunto di 3 bullet di un corso di 90 minuti viola il range di compressione NIST del 10-20% di un ordine di grandezza. Per una trascrizione di 13.500 parole, 3 bullet è approssimativamente una compressione dello 0,5% — densità di informazione così aggressiva che collassa il significato in platitudini. Abbina la lunghezza al tipo di contenuto: il contenuto procedurale ha bisogno di più bullet del contenuto espositivo, e il contenuto espositivo ha bisogno di più sfumature del contenuto promozionale. Il rapporto di compressione è un parametro che scegli deliberatamente, non un default che accetti.
- Saltare il framing del caso di utilizzo nel prompt. Ethan Mollick di Wharton caratterizza l'IA generativa come un moltiplicatore di forza specificamente quando abbinato a direzione esplicita. "Riassumi questo" produce output generico che legge come ogni altro riassunto dell'IA su internet. "Estrai ogni affermazione che il relatore fa sui ricavi del Q4, con timestamp, e contrassegna tutti quelli che mancano di dati di supporto" produce output utilizzabile che puoi consegnare a un analista. Il prompt è il lavoro. Gli strumenti che nascondono il controllo del prompt dietro modelli fissi ti stanno facendo un favore di usabilità e un disservizio di qualità allo stesso tempo.
- Dimenticare l'amplificazione del bias su argomenti contestati. Bender et al. nel documento Stochastic Parrots documentano come i modelli di linguaggio riflettono e talvolta amplificano i bias dei loro dati di allenamento. Per video politici, sociali o culturalmente contestati, il modello può sottilmente riformulare le posizioni, appiattire la sfumatura o omettere i punti di vista minoritari anche quando la trascrizione stessa era equilibrata. L'output legge come neutrale perché suona neutrale. Chiedi sempre la prospettiva di chi è stata compressa via, e controlla il riassunto rispetto alla trascrizione su qualsiasi affermazione che dipende dalla cornice.
Abbinare il riassuntore corretto al tuo volume e alle tue puntate
La scelta non è "quale riassuntore è migliore." È "dove il mio flusso di lavoro si interrompe per primo?" Usa l'elenco di controllo sottostante per eliminare gli strumenti prima di sprecare tempo nel testarli, quindi mappa il tuo volume alla categoria di strumento giusta.
Elenco di controllo pre-volo (usa questo per eliminare gli strumenti prima di testarli):
- Estrae gli URL di YouTube nativamente, o richiede il caricamento della trascrizione manuale? Se lo userai settimanalmente, il nativo è non negoziabile. Il caricamento manuale aggiunge 30-60 secondi per video e si rompe su larga scala.
- Puoi impostare la lunghezza del riassunto in modo esplicito? Il modello a tre livelli di Heuristica (conciso/equilibrato/dettagliato) è il controllo minimo accettabile. Uno strumento con una sola lunghezza di output fissa è uno strumento che ti fallirà su un clip di 5 minuti o su un podcast di 2 ore.
- Qual è la copertura della lingua di origine? Se riassumerai contenuti non in inglese, questo è un filtro fisso. Molti strumenti gestiscono bene solo l'inglese, e alcuni pubblicizzano il supporto multilingue ma degradano nettamente su qualsiasi cosa al di fuori delle lingue europee principali.
- Espone un'API o un endpoint batch? Gli strumenti solo UI raggiungono approssimativamente 5 video a settimana prima di diventare il collo di bottiglia stessi. Le API si ridimensionano a centinaia e si integrano nei flussi di lavoro di contenuto esistenti.
- Dove atterra l'output? L'esportazione diretta a Google Docs, Notion o il tuo CMS risparmia 30-60 secondi per riassunto. A 20 riassunti a settimana, sono circa un'ora a settimana di attrito composto.
- Qual è la divulgazione della modalità di fallimento? Gli strumenti che ti mostrano la trascrizione prima di riassumere ti permettono di catturare gli errori. Gli strumenti che nascondono la trascrizione sono una scatola nera, e le scatole nere sono come il problema della propagazione entra nel tuo output pubblicato.
- Livello gratuito o versione di prova? Non pagare mai un riassuntore che non hai testato sul tuo contenuto effettivo. Esegui tre test: un tutorial (preservazione della sequenza), una discussione (sfumatura e equilibrio), un video non in inglese (qualità della trascrizione al confine della modalità).
Matrice volume-a-strumento:
| Profilo di utilizzo | Video/settimana | Categoria di strumento | Priorità |
|---|---|---|---|
| Ricercatore occasionale | 1–3 | Estensione gratuita o app web | Velocità, interfaccia pulita |
| Creator attivo | 5–15 | App web a pagamento con opzioni di formato | Controllo della lunghezza, esportazioni |
| Team di contenuti | 15–40 | Piattaforma abilitata per API | Batch, spazio di lavoro del team |
| Pipeline di localizzazione | 20+ multilingue | Trascrizione integrata + doppiaggio | ASR multilingue |
| Enterprise / e-learning | 40+ | Integrazione API personalizzata | SLA, accuratezza, accessibilità |
Per i creator solisti, il punto di rottura è solitamente un disadattamento di formato: lo strumento fornisce bullet quando avevi bisogno di uno schema, o paragrafi quando avevi bisogno di timestamp. La correzione è uno strumento con controllo di formato esplicito, non un modello più potente. Per i team, il punto di rottura è il volume — l'interfaccia che ha funzionato per 5 video collassa a 50, e il copia-incolla diventa il lavoro effettivo. La correzione è un'API o un endpoint batch. Per i flussi di lavoro pesanti di localizzazione, il punto di rottura è l'integrazione della pipeline: riassumere in uno strumento, tradurre in un altro e doppiare in un terzo crea tre posti dove gli errori possono accumularsi e tre relazioni di vendor da gestire.
Questo è dove il consolidamento della piattaforma guadagna il suo valore. Un flusso di lavoro che accetta una fonte YouTube → trascrizione → riassunto semantico → script tradotto → audio doppiato dall'IA in 33 lingue → narratore facoltativo con clonazione vocale non dovrebbe richiedere cinque vendor. Meno passaggi, meno perdite di accuratezza ad ogni confine della modalità, e meno abbonamenti sulla carta aziendale. DubSmart AI, Rask AI e Dubverse competono esattamente su questo consolidamento, anche se l'enfasi delle funzionalità differisce attraverso di loro. Murf e ElevenLabs guidano sulla qualità della voce ma richiedono riassunto esterno. HeyGen guida sulla generazione di avatar ma non è un prodotto nativo di riassunto. La lista corta giusta dipende da quale step della pipeline tu spendi il più tempo su — per i team che riassumono occasionalmente ma doppiacciano costantemente, la qualità della riassunto della piattaforma di doppiaggio è "abbastanza buona" come funzione; per i team che riassumono centinaia di video e doppiacciano occasionalmente, il contrario è vero.
Per i flussi di lavoro che terminano in una voce sintetizzata — briefing esecutivi narrati, moduli di formazione multilingue, ripurposing da podcast a video — lo step di riassunto si alimenta direttamente nella Voice Cloning per narrativa coerente con il talento o un Text to Speech API per voiceover programmatico su larga scala. Il passaggio tra riassunto e sintesi è dove la maggior parte dei team scopre che il loro tooling non si connette effettivamente. Il riassunto è in Notion. Il generatore di voce vuole uno script in un formato specifico. La piattaforma di doppiaggio vuole chunk con timestamp. Ogni conversione richiede minuti e introduce errori. Le piattaforme consolidate crollano quella pipeline in un singolo documento che si muove attraverso gli stage, che è l'unico modo in cui i risparmi di tempo dallo studio di Science del guadagno di produttività del 40% si mostri effettivamente nella tua settimana invece di evaporare nel sovraccarico di integrazione.
Il test onesto è procedurale, non analitico. Prendi un video di 30 minuti nel tuo flusso di lavoro effettivo. Riassumi. Traduci il riassunto in una lingua target. Genera un voiceover. Cronometra ogni passaggio e conta i cambii di strumento. La piattaforma che vince non è quella con il riassunto più bello su una pagina di marketing — è quella con il percorso più breve dal video grezzo all'output multilingue pubblicabile, misurato in minuti e contato in schede.