用Claude Code剪视频，自动去口癖、加字幕、调色，完全免费开源

browser-use 团队最近开源了一个叫 video-use 的 Claude Code 技能。

项目地址：

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

作者表示，因为不想继续为视频编辑器付费，于是自己做了这个工具。

它能做什么？

把原始素材丢进一个文件夹，和 Claude Code 对话，最终输出 final.mp4。

具体功能包括：

自动剪掉口头禅（嗯、啊、false start）和镜头间的空白；自动对每个片段调色，支持暖色电影风、中性冲击感或任意自定义 ffmpeg 链；每个剪切点加 30ms 音频淡入淡出，消除爆音；自动烧录字幕，默认两词一组全大写，可完全自定义；通过 Manim、Remotion 或 PIL 生成动画叠加层，多个动画并行处理；每次渲染完成后在每个剪切点自动自评，通过后才呈现给用户；用 project.md 持久化会话记忆，下次打开继续上次进度。

使用方法

# 1. 克隆并软链接到 Claude Code 技能目录

git clone https://github.com/browser-use/video-use

cd video-use

ln -s "$(pwd)" ~/.claude/skills/video-use

# 2. 安装依赖

pip install -e .

brew install ffmpeg      # 必须

brew install yt-dlp      # 可选，用于下载在线素材

# 3. 添加 ElevenLabs API key

cp .env.example .env

$EDITOR .env          # ELEVENLABS_API_KEY=...

然后进入存放原始素材的文件夹，打开 Claude，输入：

将这些素材剪辑成一条发布视频

工具会自动盘点素材、提出剪辑策略、等待确认，然后在素材目录下生成 edit/final.mp4。所有输出都在 videos_dir/edit/ 里，技能目录本身保持干净。

核心设计：LLM 不看视频，只读视频

这是整个方案最关键的地方。

LLM 通过两层结构来理解视频，精确到单词边界进行剪辑。

第一层是音频转录，每次都加载。每个源文件调用一次 ElevenLabs Scribe，获得逐词时间戳、说话人分离以及音频事件（笑声、掌声、叹气等）。所有素材打包进一个约 12KB 的 takes_packed.md，这是 LLM 的主要阅读视图，格式如下：

## 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.

第二层是视觉合成图，按需生成。timeline_view 会为指定时间范围生成一张包含胶片缩略图、波形和逐词标注的 PNG，仅在决策关键点调用，例如判断模糊停顿、对比重拍片段、验证剪切点。

朴素做法：30000 帧 × 1500 tokens = 4500 万 tokens 的噪声。video-use 的做法：12KB 文本 + 少量 PNG。

这个思路和 browser-use 给 LLM 提供结构化 DOM 而非截图是同一套逻辑，只不过这次用在了视频上。

完整流水线

转录 → 打包 → LLM 推理 → EDL → 渲染 → 自评

自评环节会在渲染输出的每个剪切点运行 timeline_view，检测画面跳变、音频爆音、字幕遮挡。只有通过自评，用户才能看到预览。如果有问题，自动修复并重新渲染，最多循环 3 次。

设计原则

文本加按需视觉，不做帧转储，转录文本是操作界面；音频优先，视觉跟随，剪切点来自语音边界和静音间隙；策略确认后再执行，执行后自评，自评后持久化；不对内容类型做任何假设，先观察，再询问，再剪辑；12 条硬性规则保证制作正确性，其余部分保留艺术自由度。

完整制作规则和剪辑细节见项目中的 SKILL.md。

再次送上传送门：

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

文章来自于"AI寒武纪"，作者 "AI寒武纪"。