【震撼】一个让 Claude Code 处理视频编辑的开源项目在 GitHub 上已收获 15K 星标，名为 video-use。它能做什么：
・传入素材文件夹
・通过对话与 Claude Code 进行编辑
・剪掉填充词和静音部分
・添加字幕和色彩调整
・最后输出 final.mp4

换句话说，正在发生的是……
从“在软件中手动编辑”
变成“让代码代理处理视频编辑”。
视频制作自动化已经开始变得相当真实。

browser-use/video-use

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

video-use

介绍 video-use — 用 Claude Code 编辑视频。100% 开源。将原始素材放入文件夹，与 Claude Code 对话，得到 final.mp4。适用于任何内容 — 人物出镜、蒙太奇、教程、旅行、访谈 — 无需预设或菜单。
在 Browser Use Cloud 中试用 video-use：https://cloud.browser-use.com/v4?utm_campaign=video-use-use-in-cloud&utm_source=github。

它能做什么

• 剪掉填充词（呃、嗯、错误开头）和镜头之间的空白空间
• 自动调色每个片段（温暖的电影感、中性冲击感，或任何自定义 ffmpeg 链）
• 每次剪辑添加 30ms 音频淡出，以免听到爆音
• 烧录字幕，按你的风格 — 默认每段两个大写的英文单词块，完全可定制
• 生成动画叠加层，通过 HyperFrames (https://github.com/heygen-com/hyperframes)、Remotion (https://www.remotion.dev/)、Manim (https://www.manim.community/) 或 PIL — 在并行子代理中生成，每个动画一个代理
• 自评估渲染输出，在每个剪辑边界处，然后才展示给你
• 在 project.md 中保持会话记忆，下次会话可以从上次停止的地方继续

设置提示

粘贴到 Claude Code、Codex、Hermes、Openclaw 或任何具有 shell 访问权限的代理中：

为我设置 https://github.com/browser-use/video-use。首先阅读 install.md 以安装此仓库，配置 ffmpeg，向当前运行的任何代理注册技能，并设置 ElevenLabs API 密钥 — 在需要时提示我粘贴它。然后阅读 SKILL.md 了解日常用法，并始终阅读 helpers/，因为编辑脚本放在那里。安装完成后，不要自行转录任何内容 — 只需告诉我已准备好，等待我将素材放入文件夹。  

代理会处理克隆、依赖、技能注册，并提示你一次输入 ElevenLabs API 密钥（在 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：

cd /path/to/your/videos  
claude # 或 codex, hermes 等  

如果你希望从自己的 VPS 或 Telegram 实现始终在线的编辑，通过 Browser Use Box (https://browser-use.com/bux) 运行代理。
观看 15 秒演示视频：https://www.tiktok.com/@browser_use/video/7639824093721758989。

在会话中，输入：

将这些编辑成一个发布视频
它会盘点素材源，提出策略，等待你确认，然后在你的素材旁边生成 edit/final.mp4。所有输出都放在 /edit/ 中 — 技能目录保持干净。

手动安装

如果你更倾向于手动操作：

# 1. 克隆并创建符号链接到代理的技能目录  
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 # 必需的  
brew install yt-dlp # 可选的，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 从未观看视频。它读取视频 — 通过两层机制，共同提供它需要的所有信息，以便进行精确到词边界的剪辑。

第一层 — 音频转录（始终加载）。
每个素材源调用一次 ElevenLabs Scribe 即可获得词级时间戳、说话人分离和音频事件（（笑声）、（掌声）、（叹气））。所有素材打包成一个约 12KB 的 takes_packed.md — 这是 LLM 的主要阅读视图。

## C0103 (时长: 43.0s, 8 个短语)
[002.52-005.36] S0 百分之九十的网页代理工作都是浪费的。
[006.08-006.74] S0 我们修复了这个问题。

第二层 — 视觉合成（按需调用）。
timeline_view 为任意时间范围生成一个包含胶片条、波形和词标签的 PNG 图片。仅在决策点调用 — 模糊的停顿、重拍比较、剪辑点合理性检查。

朴素方法：30,000 帧 × 1,500 词元 = 45M 词元的噪音。
Video Use：12KB 文本 + 少量 PNG 图片。与 browser-use 给 LLM 提供一个结构化 DOM 而非截图是同样的思路 — 只不过现在针对视频。

流程

转录 ──> 打包 ──> LLM 推理 ──> EDL ──> 渲染 ──> 自评估
               │                      └─ 有问题？修复 + 重新渲染（最多 3 次）

自评估循环会在每个剪辑边界对渲染后的输出运行 timeline_view — 捕捉视觉跳跃、音频爆音、隐藏的字幕。只有通过后，你才会看到预览。

设计原则

1. 文本 + 按需视觉。 不倾倒帧。转录是表面。
2. 音频优先，视觉跟随。 剪辑来自语音边界和静音间隙。
3. 询问 → 确认 → 执行 → 自评估 → 持久化。 未经策略批准，绝不触碰剪辑。
4. 对内容类型零预设。 观察、询问、然后编辑。
5. 12 条硬规则，其余艺术自由。 制作正确性不可妥协。品味则不然。
   完整制作规则和编辑工艺请参阅 SKILL.md。