video-use：让 Claude Code 帮你剪辑视频

介绍 video-use —— 用 Claude Code 编辑视频。100% 开源。

把原始素材丢进一个文件夹，和 Claude Code 聊天，就能拿回 final.mp4。适用于任何内容——口播、混剪、教程、旅行、访谈——无需预设、无需菜单。

在 Browser Use Cloud 试用 video-use。

自动切除填充词（嗯、啊、重复起头）和镜头之间的无效空白

自动为每个片段调色（暖色电影感、中性高反差，或任意自定义 ffmpeg 调色链）

每个剪辑点 30ms 音频淡入淡出，彻底消除爆音

按你的风格烧字幕——默认 2 词大写块，完全可自定义

通过 HyperFrames、Remotion、Manim 或 PIL 生成动画叠加层——在并行子 agent 中生成，每个动画一个独立进程

在向你展示任何内容之前，对每个剪辑边界处的渲染输出进行自我评估

在 project.md 中持久化会话记忆，下次继续时从上次断点开始

粘贴到 Claude Code、Codex、Hermes、Openclaw 或任何有 shell 访问权限的 agent：

Set up https://github.com/browser-use/video-use for me.

Read install.md first to install this repo, wire up ffmpeg, register the skill with whichever agent you're running under, and set up the ElevenLabs API key — ask me to paste it when you need it. Then read SKILL.md for daily usage, and always read helpers/ because that's where the editing scripts live. After install, don't transcribe anything on your own — just tell me it's ready and wait for me to drop footage into a folder.

Agent 会处理克隆、依赖安装、skill 注册，并提示你输入一次 ElevenLabs API key（在 elevenlabs.io/app/settings/api-keys 获取）。

然后让 agent 指向原始素材文件夹：

cd /path/to/your/videos
claude    # or codex, hermes, etc.

如果你想从自己的 VPS 或 Telegram 长期运行编辑能力，可以通过 Browser Use Box 运行 agent。看 15 秒演示。

把这些素材剪成一条发布视频

它清点素材来源、提出剪辑策略、等待你确认，然后在与源文件同目录下生成 edit/final.mp4。所有输出都放在 <videos_dir>/edit/——skill 目录保持整洁。

如果你想手动操作：

# 1. Clone and symlink into your agent's skills directory
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. Install deps
cd ~/Developer/video-use
uv sync                         # or: pip install -e .
brew install ffmpeg             # required
brew install yt-dlp             # optional, for downloading online sources

# 3. Add your ElevenLabs API key
cp .env.example .env
$EDITOR .env                    # ELEVENLABS_API_KEY=...

LLM 从不看视频。它读视频——通过两层机制，共同赋予它以单词边界精度进行剪辑所需的一切。

第一层——音频转录（始终加载）。每个源文件调用一次 ElevenLabs Scribe，获得单词级时间戳、说话人分离和音频事件（（笑声）、（掌声）、（叹息））。所有素材打包成一份约 12KB 的 takes_packed.md——这是 LLM 的主要阅读视图。

## C0103  (duration: 43.0s, 8 phrases)
  [002.52-005.36] S0 Ninety percent of what a web agent does is completely wasted.
  [006.08-006.74] S0 We fixed this.

第二层——视觉合成（按需加载）。timeline_view 为任意时间范围生成胶片条 + 波形图 + 单词标签 PNG。只在决策点调用——模糊的停顿、重拍对比、剪辑点合理性检查。

朴素方案：30,000 帧 × 1,500 tokens = 45M tokens 噪音。Video Use：12KB 文本 + 几张 PNG。

这和 browser-use 让 LLM 读取结构化 DOM 而不是截图是同一套思路——只是换成了视频。

Transcribe ──> Pack ──> LLM Reasons ──> EDL ──> Render ──> Self-Eval
                                                              │
                                                              └─ issue? fix + re-render (max 3)

自我评估循环在每个剪辑边界处对渲染输出运行 timeline_view——捕捉视觉跳帧、音频爆音、隐藏字幕。只有通过评估后，你才会看到预览。

文本 + 按需视觉。无帧转储。转录稿即界面。

音频为主，视觉为辅。剪辑点来自语音边界和静音间隙。

提问 → 确认 → 执行 → 自我评估 → 持久化。未经策略审批，绝不触碰剪辑。

对内容类型零假设。先观察，再提问，然后编辑。

12 条硬规则，艺术自由在其他地方。制作正确性不可妥协。品味则不然。

参见 SKILL.md 获取完整制作规则和剪辑技巧。