ทักษะเอเจนต์ตัดต่อวิดีโอ

video-use

แนะนำ video-use — ตัดต่อวิดีโอด้วย Claude Code โอเพ่นซอร์ส 100%

เพียงวางฟุตเทจดิบในโฟลเดอร์ คุยกับ Claude Code แล้วคุณจะได้ final.mp4 กลับมา ใช้ได้กับทุกเนื้อหา — วิดีโอพูดหน้ากล้อง, มอนทาจ, บทเรียน, ท่องเที่ยว, สัมภาษณ์ — โดยไม่ต้องใช้พรีเซ็ตหรือเมนู

ความสามารถ

• ตัดคำพูดติดขัด (อืมม, เอ่อ, การเริ่มพูดผิด) และช่วงเงียบระหว่างเทค
• ปรับสีอัตโนมัติ ทุกเซกเมนต์ (โทนอบอุ่นแบบภาพยนตร์, สีสว่างเป็นกลาง, หรือใช้ ffmpeg chain ตามที่กำหนดเอง)
• เสียงเฟดเข้า-ออก 30ms ทุกจุดตัด คุณจะไม่ได้ยินเสียงป๊อป
• ฝังซับไตเติ้ล ในสไตล์ของคุณ — ค่าเริ่มต้นเป็นกลุ่มคำ 2 คำตัวพิมพ์ใหญ่ ปรับแต่งได้เต็มที่
• สร้างภาพซ้อนแอนิเมชัน ผ่าน HyperFrames, Remotion, Manim หรือ PIL — ทำงานด้วย sub-agent แบบขนาน หนึ่งตัวต่อหนึ่งแอนิเมชัน
• ประเมินผลลัพธ์เอง ที่ทุกขอบเขตการตัดก่อนแสดงให้คุณดู
• บันทึกความจำเซสชัน ใน project.md ให้เซสชันสัปดาห์หน้าต่อจากที่ค้างไว้

พรอมต์ตั้งค่า

วางลงใน Claude Code, Codex, Hermes, Openclaw หรือเอเจ้นท์ใดก็ได้ที่เข้าถึงเชลล์ได้:

ตั้งค่า https://github.com/browser-use/video-use ให้ฉัน

อ่าน install.md ก่อนเพื่อติดตั้ง repo นี้ ตั้งค่า ffmpeg ลงทะเบียนสกิลกับเอเจ้นท์ที่คุณใช้งานอยู่ และตั้งค่า ElevenLabs API key — ขอให้ฉันวางให้เมื่อจำเป็น จากนั้นอ่าน SKILL.md สำหรับการใช้งานประจำวัน และให้อ่าน helpers/ เพราะสคริปต์ตัดต่ออยู่ที่นั่น หลังจากติดตั้งเสร็จ อย่าแปลงเสียงเป็นข้อความเอง — แค่บอกฉันว่าพร้อมแล้วรอฉันวางฟุตเทจลงโฟลเดอร์

เอเจ้นท์จะจัดการการโคลน, dependencies, การลงทะเบียนสกิล และถามคุณครั้งหนึ่งเพื่อขอ ElevenLabs API key (รับได้ที่ elevenlabs.io/app/settings/api-keys)

จากนั้นชี้เอเจ้นท์ของคุณไปยังโฟลเดอร์เทคดิบ:

cd /path/to/your/videos
claude    # หรือ codex, hermes, ฯลฯ

สำหรับการตัดต่อที่พร้อมตลอดเวลาจาก VPS หรือ Telegram ของคุณเอง รันเอเจ้นท์ผ่าน Browser Use Box ดูเดโม 15 วินาที

และในเซสชัน:

ตัดต่อพวกนี้เป็นวิดีโอเปิดตัว

มันจะสำรวจแหล่งที่มา เสนอกลยุทธ์ รอการยืนยันจากคุณ แล้วผลิต edit/final.mp4 ไว้ข้างแหล่งที่มาของคุณ ผลลัพธ์ทั้งหมดอยู่ใน <videos_dir>/edit/ — ไดเรกทอรีสกิลจะยังคงสะอาด

การติดตั้งด้วยตัวเอง

หากคุณอยากทำเอง:

# 1. โคลนและสร้าง symlink ไปยังไดเรกทอรีสกิลของเอเจ้นท์
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. ติดตั้ง dependencies
cd ~/Developer/video-use
uv sync                         # หรือ: pip install -e .
brew install ffmpeg             # จำเป็น
brew install yt-dlp             # ไม่จำเป็น, สำหรับดาวน์โหลดแหล่งที่มาออนไลน์

# 3. เพิ่ม ElevenLabs API key ของคุณ
cp .env.example .env
$EDITOR .env                    # ELEVENLABS_API_KEY=...

วิธีการทำงาน

LLM ไม่เคยดูวิดีโอ แต่มัน อ่าน มัน — ผ่านสองเลเยอร์ที่รวมกันแล้วให้ทุกอย่างที่จำเป็นในการตัดด้วยความแม่นยำระดับขอบเขตคำ

เลเยอร์ 1 — ทรานสคริปต์เสียง (โหลดตลอดเวลา) หนึ่งการเรียก ElevenLabs Scribe ต่อแหล่งที่มา ให้การประทับเวลาระดับคำ การแยกผู้พูด และเหตุการณ์เสียง ((หัวเราะ), (ปรบมือ), (ถอนหายใจ)). ทุกเทคถูกบรรจุลงใน takes_packed.md ขนาดประมาณ 12KB — มุมมองการอ่านหลักของ LLM

## C0103  (duration: 43.0s, 8 phrases)
  [002.52-005.36] S0 เก้าสิบเปอร์เซ็นต์ของสิ่งที่เว็บเอเจ้นท์ทำนั้นเสียเปล่าโดยสิ้นเชิง
  [006.08-006.74] S0 เราแก้ไขเรื่องนี้แล้ว

เลเยอร์ 2 — ภาพคอมโพสิต (เมื่อเรียกใช้) timeline_view สร้างภาพ PNG แบบฟิล์มสตริป + รูปคลื่น + ป้ายคำสำหรับช่วงเวลาใด ๆ ถูกเรียกใช้เฉพาะที่จุดตัดสินใจ — การหยุดที่คลุมเครือ, การเปรียบเทียบการถ่ายทำใหม่, การตรวจสอบจุดตัด

วิธีที่ไร้ประสิทธิภาพ: 30,000 เฟรม × 1,500 โทเค็น = 45 ล้านโทเค็นของสัญญาณรบกวน Video Use: ข้อความ 12KB + ภาพ PNG สองสามภาพ

แนวคิดเดียวกับที่ browser-use ให้ LLM เห็น DOM ที่มีโครงสร้างแทนภาพหน้าจอ — แต่สำหรับวิดีโอ

กระบวนการ

ถอดเสียง ──> แพ็ค ──> LLM คิด ──> EDL ──> เรนเดอร์ ──> ประเมินตนเอง
                                                              │
                                                              └─ ปัญหา? แก้ไข + เรนเดอร์ใหม่ (สูงสุด 3 ครั้ง)

วงจรประเมินตนเองรัน timeline_view บน ผลลัพธ์ที่เรนเดอร์แล้ว ที่ทุกขอบเขตการตัด — ตรวจจับการกระโดดของภาพ, เสียงป๊อป, ซับไตเติ้ลที่ซ่อนอยู่ คุณจะเห็นตัวอย่างหลังจากผ่านการตรวจสอบแล้วเท่านั้น

หลักการออกแบบ

1. ข้อความ + ภาพตามต้องการ ไม่มีการดัมพ์เฟรม ทรานสคริปต์คือพื้นผิว
2. เสียงเป็นหลัก ภาพตามมา การตัดมาจากขอบเขตคำพูดและช่องว่างเงียบ
3. ถาม → ยืนยัน → ดำเนินการ → ประเมินตนเอง → บันทึก ห้ามแตะจุดตัดโดยไม่ได้รับการอนุมัติกลยุทธ์
4. ไม่มีการสันนิษฐานเกี่ยวกับประเภทเนื้อหา ดู ถาม แล้วตัดต่อ
5. กฎตายตัว 12 ข้อ อิสระทางศิลปะนอกนั้น ความถูกต้องในการผลิตห้ามต่อรอง แต่รสนิยมต่อรองได้

ดู SKILL.md สำหรับกฎการผลิตฉบับเต็มและเทคนิคการตัดต่อ