video-use Skill：让 Claude Code 用文字稿自动剪辑视频

Skill超级捕获手 技术创作者 2026-09-23 61 阅读

video-use Skill：让 Claude Code 用文字稿自动剪辑视频

这个 Skill 让 Claude Code 直接接管视频剪辑全流程——把原始素材扔进文件夹，用自然语言描述需求，Agent 自动完成剪辑、字幕、调色，输出 final.mp4。整个过程不需要人工打开任何剪辑软件，也不依赖昂贵的视频模型。核心逻辑是「LLM 不看视频，只读文字稿」——通过 ElevenLabs 将音频转文字后，Agent 用 ~12KB 的文字描述完成所有剪辑决策，token 消耗极低。9 月下旬 GitHub Star 突破 2.6 万，是当前 Agent 视频工具赛道最值得关注的新晋项目。

功能与原则

video-use 的设计原则是「音频优先、视觉按需」——剪辑决策全部来自文字稿（停顿、语气词、语义段落），视觉素材仅在需要核实边界时オ请求。

核心能力包括：自动删除 filler words（umm、uh、语气词）和死空间；多风格自动调色（暖电影感、中性 punch 或自定义 ffmpeg 链）；30ms 音频淡入淡出消除cut点 pop 声；自定义字幕烧录（默认 2 词大写形式）；动画叠加层（通过 HyperFrames / Remotion / Manim / PIL 并行子 Agent 渲染）；每一cut边界自动自检，不通过则重新渲染（最多 3 轮）；Session 记忆持久化到 project.md，下次直接续上。

认可度

  • GitHub Star：26,217（截至 2026-09-23），近期日均增长 155+
  • GitHub Trending 多次上榜，出现在 2026-09 月多期 AI Agent GitHub Digest 推荐
  • 技术路线独特（音频转写→文字稿剪辑而非视频帧输入），在 Agent 视频工具赛道差异化明显
  • 生态绑定：与 ElevenLabs（转写）、HyperFrames（动画）、browser-use 平台形成完整工作流

链接

GitHub：https://github.com/browser-use/video-use

原作者

browser-use 团队——开源 browser-use 项目的核心维护组织，同时运营 Browser Use Cloud（云端 AI 浏览器自动化）和 Browser Use Box（VPS/Telegram 接入）。video-use 是其从浏览器自动化延伸至视频编辑场景的战略性 Skill。

介绍

video-use 的出现解决了一个实际问题：当前 AI 剪辑工具要么需要昂贵的视频生成模型，要么需要人工在Premiere/DaVinci 里一点点操作。video-use 走了第三条路——不生成视频，只剪辑视频。让 LLM 完全不接触原始帧，而是通过 ElevenLabs Scribe 转写成文字稿（word-level timestamps、说话人区分、笑声/掌声等事件标签），全部剪辑决策基于 ~12KB 的文本进行。

工作流分为五步：转写→打包→LLM推理→生成 EDL→渲染→自检。LLM 在决策点オ请求 timeline_view 生成的 filmstrip+waveform PNG 来核实视觉边界。整个流程 token 消耗极低（一支 43 秒的片段转写结果仅 ~12KB），效果却能精确到 word-boundary 的 cut 点，比传统帧级分析更省钱、更精准。

渲染完成后，Agent 用 timeline_view 在每个 cut 边界自检输出，发现视觉跳跃、音频 pop 或字幕问题会自动修复，最多重渲染 3 轮才交付。所有输出文件统一放在 <videos_dir>/edit/ 下，保持素材目录整洁。

特点

  • 音频即全部：LLM 从不看原始帧，文字稿是唯一剪辑依据——转写质量决定剪辑质量，token 成本极低
  • 全流程自控：从素材分析→策略制定→确认→执行→自检→持久化，全部由 Agent 主导，人类只需最后审稿
  • 多 Agent 通用：支持 Claude Code、Codex、Hermes、OpenClaw 等所有有 shell 访问权限的 Agent
  • Session 记忆：project.md 自动保存工作进度，下次启动自动续上，无需重复描述项目背景
  • Production Ready：内置 12 条硬规则保障剪辑专业度，艺术风格则完全开放

使用方法

安装步骤：

# 1. Clone 并 symlink 到 Agent skills 目录
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use   # Claude Code
# ln -sfn ~/Developer/video-use ~/.codex/skills/video-use  # Codex

# 2. 安装依赖
cd ~/Developer/video-use
uv sync              # 或 pip install -e .
brew install ffmpeg  # 必须
brew install yt-dlp  # 可选（下载在线素材用）

# 3. 配置 ElevenLabs API Key
cp .env.example .env
$EDITOR .env  # 写入 ELEVENLABS_API_KEY=...

# 4. 让 Agent 读完 install.md 后注册 skill
# 在 Agent 里运行：
Set up https://github.com/browser-use/video-use for me.

最小调用示例：

cd /path/to/your/videos   # 原始素材文件夹
claude                      # 或 codex、hermes 等

# 在 Agent 对话中：
edit these into a launch video

Agent 会先清点素材、制定剪辑策略（输出到 edit/），等人类确认后才开始渲染最终视频。

使用场景与人群

  • 内容创作者：需要快速出 Tutorial、产品介绍、采访类视频，不擅长也不愿花时间在剪辑软件上
  • AI Tooling 开发者：基于 browser-use 生态构建更复杂的多模态 Agent 工作流
  • 营销/增长团队：批量处理产品演示、客户访谈、活动回顾等多素材剪辑任务
  • 技术团队：集成到 CI/CD 或自动化 pipeline，做视频内容工厂化管理

输入与输出案例

输入：
用户将 3 段原始拍摄素材（产品发布会 demo，共 8 分钟）放入文件夹，告诉 Agent：edit these into a 90-second launch video

Agent 执行路径：
1. 调用 ElevenLabs Scribe 对 3 段素材分别转写，合并为 takes_packed.md
2. 分析文字稿：识别 6 处语气停顿、2 处重拍、1 处冷场，生成剪辑策略
3. 用户确认后渲染：填充词全部切除、调色应用「warm cinematic」预设、字幕按 2 词大写烧录
4. 自检发现第 4 个 cut 边界有 80ms 音频 pop，自动修复后重新渲染
5. 输出 edit/final.mp4（时长 88s），project.md 记录本次剪辑决策供下次续用

输出：
final.mp4：88 秒成品视频，填充词全无，色调统一，字幕规范，可直接发布。

GitHub: https://github.com/browser-use/video-use

评论区

0 条评论

登录后可评论。

Skill超级捕获手 61 阅读