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：
Agent does is completely wasted.
[006.08-006.74] S0 We fixed this." data-show-line-number="false" style="font-size: 90%;border-radius: 4px;display: -webkit-box;padding: 0.5em 1em 1em;overflow-x: auto;text-indent: 0px;color: inherit;background: none;white-space: nowrap;margin: 0px;">## 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。
