用 Claude Code 剪视频：丢一堆原始素材，聊天一句话，拿回 final.mp4
更新于 2026-09-23 · 数据来源：GitHub API + README/SKILL.md（采集于 2026-09-23）
← 返回汇总LLM 不「看」视频，它「读」视频
browser-use 团队开源的 Agent Skill：把视频剪辑变成 coding agent 的对话任务。核心理念是把 45M tokens 的帧暴力降维成 12KB 词级转写文本——和 browser-use 给 LLM 结构化 DOM 而非截图是同一个哲学，只是对象换成了视频。适合有大量口播/访谈素材、会用终端、不想学时间线软件的创作者和开发者。
2026-04-12 创建 · 最后 push 2026-08-30 · 8 位贡献者 · 115 open issues · MIT · 无 release tag（skill 形态，git clone 即安装）· 来源：GitHub API 2026-09-23
Premiere/达芬奇是给专业剪辑师设计的。独立创作者有素材、有意图，却没有「把意图变成时间线操作」的技能。菜单和预设解决不了「这条 take 比那条好」的判断。
帧暴力：30,000 帧 × 1,500 tokens/帧 = 45M tokens 噪声，上下文直接爆炸；GUI 自动化：模拟鼠标拖时间线，脆弱且不可复现。视频对 LLM 一直是「不可读」的介质。
video-use 的答案是换介质：不让 LLM 看画面，让它读带时间戳的转写文本——剪辑的本质信息（说了什么、什么时候说的、哪里停顿）全在音频里。
| browser-use（网页） | video-use（视频） | |
|---|---|---|
| 原始形态 | 截图 = 像素噪声 | 视频帧 = 像素噪声 |
| 结构化形态 | DOM 树 + 可交互元素 ref | word-level 转写 + 时间戳 + 说话人 |
| 按需下钻 | 截图（决策点才看） | timeline_view PNG（决策点才看） |
| 动作 | click / type | EDL 剪切决策 → ffmpeg |
同一家族的两个项目共享同一条第一性原理：给 LLM 它读得动的表示，别让它看。音频是主轨道，画面跟随——剪切点永远来自语音边界和静默间隙。
转写按源文件缓存（Hard Rule 9：源文件没变就永不重转写）；4-worker 并行批量转写多 take。
SKILL.md 把规则严格二分：Hard Rules 偏差 = 静默失败（字幕被挡、切点爆音、画面错帧），必须背下来；其余一切——字体、调色、节奏、技巧——全是「一条已发布视频的算例」，素材需要就随便偏离。
| 脚本 | 职责 | 关键细节 |
|---|---|---|
transcribe.py | 单文件 Scribe 调用 | 结果缓存；--num-speakers 可选 |
transcribe_batch.py | 目录批量转写 | 4-worker 并行，多 take 场景 |
pack_transcripts.py | JSON → takes_packed.md | 静默 ≥0.5s / 换人断短语；token 省 10× |
timeline_view.py | 胶片条+波形+词标签 PNG | 决策点下钻用，明确「不是扫描工具」 |
render.py（771 行） | EDL → 成片 | 分段提取→concat→PTS 偏移叠层→字幕最后；--preview 720p 快渲 |
grade.py | 调色滤镜链 | 预设 + --filter 任意自定义 ffmpeg 链 |
仓库另 vendored 一个完整 manim-video skill（含 13 篇 references：动画思维/镜头 3D/公式/图表/排错……），动画槽位直接引用。测试仅 2 个文件（render 的 fps 与朝向回归）——执行逻辑薄，因为重活全在 ffmpeg 和 LLM 推理里。
HTML/CSS/GSAP 合成。产品 UI 动效、kinetic 字幕、透明 WebM 叠层。像写网页一样写视频。
React 组件树合成。已有 React 品牌系统或组件复用需求时选它。
3Blue1Brown 那套。公式推导、状态机、图变形。vendored skill 带全套参考。
PNG 序列叠层卡：计数器、打字机、条形揭示。官方发布视频用的就是它。
「看帧 → 判断哪里不对 → 调一个参数 → 再看」。per-channel：out = (in × slope + offset)^power，再全局饱和度。slope→高光、offset→阴影、power→中间调。内置 warm_cinematic（发布视频实船）/ neutral_punch / none 三预设，--filter 可塞任意 ffmpeg 链。硬规则：分段提取时逐段调色（别拼接后调，双重编码），激进调色先测肤色。
| 风格 | 参数 | 适合 |
|---|---|---|
| bold-overlay | 2 词/行 · 全大写 · MarginV=35 · Helvetica 18 Bold 白字黑描边 | 快节奏科技发布 / 短视频 |
| natural-sentence | 4–7 词/行 · 句首大写 · MarginV=60–80 · 更大字号 | 叙事 / 纪录 / 教学 |
两种都是「算例」——SKILL.md 明说「需要就发明第三种」。硬规则只有两条：字幕最后进链（R1）、输出时间轴偏移（R5）。
# 对 Claude Code / Codex / 任意有 shell 的 agent 粘贴： Set up https://github.com/browser-use/video-use for me. Read install.md first ... register the skill with whichever agent ... set up the ElevenLabs API key — ask me to paste it when you need it. # agent 自己：clone → uv sync → brew ffmpeg → symlink 到 skills 目录 → 要一次 API key cd /path/to/your/videos && claude > edit these into a launch video # → 清点素材 → 转写打包 → 提策略（等确认）→ 执行 → 自检 → edit/final.mp4
| 静默时长 | 判定 | 处置 |
|---|---|---|
| ≥ 400ms | 最干净切点 | 首选剪切目标 |
| 150–400ms | 可用需目检 | 短语边界，跑一次 timeline_view 确认 |
| < 150ms | 不安全 | 短语内部，别切 |
Playground 复刻 audio-first 剪辑内核：词级转写 → 静默三档着色 → 点击词定切边（词边界 = Hard Rule 6 天然满足）→ 拖垫片滑块看 30–200ms 工作窗违规实时报警 → 组装 EDL 看 -c copy 拼接总时长。Scribe 时间戳漂移怎么被垫片吸收，点两下就懂。
纯前端实现，零网络依赖 · 短语切分 / 垫片窗口 / 间隙三档 / EDL 组装逻辑均经 2000 组真值表验证
评分 8.5：5 个月 25.9k stars 验证了「视频是 agent 的下一个介质」这个判断——不是靠产品功能，是靠「12KB 文本代替 45M 帧暴力」这个降维表示。SKILL.md 的工程质量（硬规则/算例二分、自检回环、sub-agent 并行）是 agent skill 写作范本，manim 子 skill 直接白送一套动画知识库。扣分：ElevenLabs 单点依赖、无 release/无版本化（git 即版本）、视觉素材能力弱。看点：Scribe 换成 Whisper word-level 或本地模型后护城河是否仍在；「skill 而非 app」的形态能否长出社区贡献的剪辑算例生态。