browser-use/video-use 来源：https://github.com/browser-use/video-use # video-use 隆重推出 video-use —— 用 Claude Code 剪辑视频。100% 开源。将原始素材放入文件夹，与 Claude Code 对话，即可拿回 final.mp4。适用于任何内容——口播、混剪、教程、旅行、访谈——无需预设或菜单。 ## 它能做什么 - 切除填充词（嗯、呃、重复开头）以及镜头之间的空白停顿 - 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） - 30ms 音频淡入淡出于每次剪切处，彻底消除爆音 - 按你的风格添加字幕——默认每两词大写显示，完全可自定义 - 通过 HyperFrames（https://github.com/heygen-com/hyperframes）、Remotion（https://www.remotion.dev/）、Manim（https://www.manim.community/）或 PIL 生成动画叠加层——并行子代理启动，每个动画一个代理 - 在每个剪切边界处自我评估渲染输出，然后才展示给你看 - 在 project.md 中持久保存会话记忆，这样下周的会话可以接续上次的工作 ## 设置提示 将其粘贴到 Claude Code、Codex、Hermes、Openclaw 或任何具有 shell 访问权限的代理中： text 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. 代理会处理克隆、依赖、技能注册，并提示你输入 ElevenLabs API 密钥（在 elevenlabs.io/app/settings/api-keys（https://elevenlabs.io/app/settings/api-keys）获取一个）。然后让你的代理指向一个包含原始素材的文件夹： bash cd /path/to/your/videos claude # 或 codex、hermes 等 如需从你自己的 VPS 或 Telegram 上进行始终在线的剪辑，可通过 Browser Use Box（https://browser-use.com/bux）运行代理。观看 15 秒演示（https://www.tiktok.com/@browser_use/video/7639824093721758989）。 在会话中： > 将这些剪辑成一个发布视频 它会盘点素材，提出策略，等待你的确认，然后在素材旁边生成 edit/final.mp4。所有输出位于 /edit/ 中——技能目录保持干净。 ## 手动安装 如果你想手动操作： bash # 1. 克隆并创建符号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 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 # 必需 brew install yt-dlp # 可选，用于下载在线素材 # 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。它读取视频——通过两层结构，共同提供精确到单词边界的剪辑所需的一切。 第一层——音频转录（始终加载）。 每个来源调用一次 ElevenLabs Scribe，即可获得单词级时间戳、说话人分离以及音频事件（(笑声)、(掌声)、(叹气)）。所有片段打包成一个约 12KB 的 takes_packed.md——这是 LLM 的主要阅读视图。 ## C0103（时长：43.0 秒，8 个短语） [002.52-005.36] S0 网络代理所做的工作百分之九十都是浪费的。 [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 为任何时间范围生成一张包含胶片条 + 波形 + 单词标签的 PNG。仅在决策点调用——模糊的停顿、重拍比较、剪切点合理性检查。 > 朴素做法：30,000 帧 × 1,500 tokens = 4500 万 tokens 的噪声。 > Video Use：12KB 文本 + 少量 PNG。与 browser-use 给 LLM 提供结构化 DOM 而非屏幕截图的想法相同——但针对视频。 ## 流程 转录 ──> 打包 ──> LLM 推理 ──> EDL ──> 渲染 ──> 自我评估 │ └─ 有问题？修复并重新渲染（最多 3 次） 自我评估循环在_渲染输出_的每个剪切边界处运行 timeline_view——捕捉视觉跳跃、音频爆音、隐藏字幕。只有在通过评估后，你才会看到预览。 ## 设计原则 1. 文本 + 按需视觉。 不进行帧转储。转录是基础。 2. 音频优先，视觉随后。 剪切来自语音边界和静音间隙。 3. 询问 → 确认 → 执行 → 自我评估 → 持久化。 未经策略批准，绝不触碰剪切。 4. 零假设内容类型。 观察、询问、然后剪辑。 5. 12 条硬规则，其他方面艺术自由。 制作的正确性不容商量。品味则不然。 完整的制作规则和剪辑工艺见 SKILL.md。