很多朋友不知道，让视频博主最烦恼的不是写脚本、不是录制，而是后期剪辑。

打开剪辑软件，一帧帧剪掉那些 “呃”、“嗯” 等多余的语气片段，还要配字幕加动效。

手动打点，不断裁剪，反复试听，一段简单几分钟视频，却要剪辑几个小时，极其耗时耗力。

最近在 GitHub 上发现一个叫 video-use 的 Claude Code 视频剪辑技能。

来自 Browser Use 团队开源，他们之前开源的 browser-use 让 AI 自动操控浏览器，已狂揽 8.8 万 Star。

这次他们把 AI 操控浏览器的同样思路，应用到视频编辑并制作成 Skill，安装到 Claude Code 后。

不用再打开任何剪辑软件，只需把视频素材放到一个文件夹，然后在 Claude Code 里，用一句人话告诉它想要什么。

比如说一句：“把 xxx 文件夹里的视频素材剪辑成一条可发布的视频”。

它就会自己盘点素材、给出剪辑方案、等我们确认，接着就自动识别并剪掉口头禅片段。

给每段素材做色彩调级，每个剪切点自动加 30 毫秒音频淡入淡出，还有加入字幕。

最后，直接输出一段剪辑合并完成的视频，并存放在素材目录旁边的文件夹里。

但最让我觉得牛的地方，不是它的功能，而是它背后的底层实现逻辑思路。

当把一段视频发给多模态模型进行读，通常的处理是将视频拆成一帧一帧塞给大模型识别，一条视频轻松干到几千万 Token。

而 video-use 的做法非常巧妙，主要分两层。

第一层是音频层，常驻加载。通过 ElevenLabs Scribe 转写，扒出带词级时间戳的文字稿，同时标好说话人、笑声、叹息这类信息。

词级时间戳是剪辑精度的命门，缺了它每一刀切在哪全靠瞎猜。其他主流转写工具要么只给句级时间戳，要么不做说话人区分，Scribe 是少数一家全配齐的。

第二层是视觉层，按需调用。遇到模糊停顿、重录比对、剪辑点确认这类关键决策，timeline_view 会现场合成一张图扔给 LLM，胶片缩略、音频波形、单词标签叠在一起。

这个思路作者在另一个项目 browser-use 里验证过一次，当时是给 LLM 喂结构化 DOM 代替网页截图。放到 Video Use 这里，换汤不换药。

渲染完成后，工具还会在每个剪切点做一次自检，扫描渲染结果，看有没有画面跳切、爆音、字幕遮挡。有问题就自动回炉重新渲染，最多 3 次，通过了才把预览交到我们面前。

整个流程是：转录 → 打包 → 模型推理 → 生成剪辑决策 → 渲染 → 自检。每一步策略都需要我们确认才会执行，不会偷偷下刀。

还有个非常贴心的小细节，每次剪辑的上下文会写进 project.md。

如果是剪辑同一个项目，它能从上次的状态继续，对做课程、长播客、连载 vlog 的创作者来说很实用。

安装使用也不复杂。

只需要把项目克隆到本地，再链接到 Claude Code 的 skills 目录，命令如下：

git clone https://github.com/browser-use/video-usecd video-useln-s"$(pwd)" ~/.claude/skills/video-use

然后再安装依赖，其中 ffmpeg 必装，yt-dlp 可选，用来下载在线素材：

pip install -e .brew install ffmpegbrew install yt-dlp

最后还需一个 ElevenLabs 的 API Key 用于语音转录，配置到 .env 文件后，打开 Claude Code 即可使用。

目前项目刚开源，处于早期阶段，复杂场景可能需要多轮对话才能达到预期效果。描述越具体，结果越准确。

写在最后

Video Use 真正让我觉得有意思的地方，其实不在它本身做得多好。

而在于作者之前在 browser-use 上用过的那套方法论，在 Video Use 里又跑通了一次。

browser-use 是把 LLM 从「看网页截图」换成「读结构化 DOM」，Video Use 是把「看视频帧」换成「读带时间戳的转录文本」。

再加上 Opus 4.7 模型学会了自我验证，AI agent 开始真正具备「独立交付」的能力，而不只是协助我们完成某一步。

未来我们可以把更多精力留给创作本身，而不是耗在那些重复、琐碎、磨时间的执行环节上。

GitHub 项目地址：https://github.com/browser-use/video-use

今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！