视频使用
隆重推出 视频使用 —— 使用 Claude 代码编辑视频。100% 开源。
将原始素材放入文件夹，与 Claude 代码对话，即可得到 final.mp4。适用于任何内容——访谈、蒙太奇、教程、旅行、采访——无需预设或菜单。
它能做什么
- 去除填充词（
umm、uh、错误起头）以及片段间的静音间隔 - 自动调色每个片段（暖色电影感、中性冲击感，或任何自定义 FFmpeg 链）
- 每个剪切点施加 30 毫秒音频淡入淡出，让你绝不听到爆音
- 烧录字幕，按你的风格——默认是 2 词大写块，完全可定制
- 生成动画叠加层，通过 HyperFrames、Remotion、Manim 或 PIL——在并行子代理中生成，每个动画一个
- 自我评估渲染输出，在每个剪切边界处，在向你展示任何内容之前
- 持久化会话记忆 在
project.md中，以便下周的会话从上次中断处继续
设置提示
粘贴到 Claude 代码、Codex、Hermes、Openclaw 或任何具有 Shell 访问权限的代理中：
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.
该代理处理克隆、依赖项、技能注册，并询问你一次 ElevenLabs API 密钥（在 elevenlabs.io/app/settings/api-keys 获取一个）。
然后将你的代理指向一个包含原始素材的文件夹：
cd /path/to/your/videos
claude # 或 codex、hermes 等
若要通过你自己的 VPS 或 Telegram 进行始终在线的编辑，可通过 Browser Use Box 运行代理。观看 15 秒演示。
然后在会话中：
将这些编辑成一个发布视频
它盘点源文件，提出一个策略，等待你的确认，然后在你源文件的旁边生成 edit/final.mp4。所有输出都放在 <videos_dir>/edit/ 中——技能目录保持干净。
手动安装
如果你更愿意手动操作：
# 1. 克隆并软链接到你的代理技能目录
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use # Claude 代码
# 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 # 必需
brew install yt-dlp # 可选，用于下载在线资源
# 3. 添加你的 ElevenLabs API 密钥
cp .env.example .env
$EDITOR .env # ELEVENLABS_API_KEY=...
工作原理
LLM 从不观看视频。它阅读视频——通过两个层次，共同提供其以单词边界精度进行剪辑所需的一切。
<p align="center"> <img src="https://file.nanoskill.ai/timeline-view.svg" alt="timeline_view 合成图——胶片条 + 说话人轨道 + 波形 + 单词标签 + 静音间隙剪切候选" width="100%"> </p>第一层——音频转录（始终加载）。 每个源调用一次 ElevenLabs Scribe 可给出单词级时间戳、说话人分离和音频事件（(笑声)、(掌声)、(叹息)）。所有片段打包成一个约 12KB 的 takes_packed.md——LLM 的主要阅读视图。
## C0103 (长度: 43.0秒, 8 个短语)
[002.52-005.36] S0 网络代理所做的 90% 都完全浪费了。
[006.08-006.74] S0 我们解决了这个问题。
第二层——视觉合成（按需）。 timeline_view 为任意时间范围生成胶片条 + 波形 + 单词标签的 PNG 图像。仅在决策点调用——模糊的停顿、重拍比较、剪切点合理性检查。
朴素方法：30000 帧 × 1500 token = 4500 万 token 的噪音。 视频使用：12KB 文本 + 少量 PNG。
与 browser-use 向 LLM 提供结构化 DOM 而非截图的想法一样——但针对视频。
流水线
转录 ──> 打包 ──> LLM 推理 ──> EDL ──> 渲染 ──> 自我评估
│
└─ 有问题？修复 + 重新渲染（最多 3 次）
自我评估循环在每个剪切边界对 渲染输出 运行 timeline_view——捕捉画面跳跃、音频爆音、隐藏字幕。只有通过后，你才能看到预览。
设计原则
- 文本 + 按需视觉。 不进行帧转储。转录是表面。
- 音频为主，视觉跟随。 剪辑来自语音边界和静音间隙。
- 询问 → 确认 → 执行 → 自我评估 → 持久化。 未经策略批准，绝不触碰剪辑。
- 对内容类型零假设。 观察，询问，然后编辑。
- 12 条硬性规则，其他方面自由艺术发挥。 制作正确性是不可协商的。品味则不然。
查看 SKILL.md 获取完整的制作规则和剪辑手艺。