Claude Code视频剪辑教程：免费开源工具自动去口癖加字幕调色

视频剪辑的门槛，正在被一个开源项目重新定义。厌倦了为专业剪辑软件支付高昂费用或忍受复杂操作？browser-use团队开源的video-use工具，或许提供了一种全新的思路：将原始视频素材丢进文件夹，通过与Claude Code的自然对话，直接生成一条完成度极高的成品视频。

这个项目的诞生，源于一个朴素的需求：作者不想再为视频编辑器付费了。于是，他们决定自己动手，打造一个能通过对话驱动的智能剪辑工具。

它能做什么？

整个过程可以概括为：准备素材，发起对话，获得成品。你只需要告诉Claude“将这些素材剪辑成一条发布视频”，剩下的工作便会自动推进。

其功能覆盖了专业剪辑的核心环节：

自动剔除口语中的冗余部分，如“嗯”、“啊”等口头禅以及不自然的停顿；智能识别并剪掉镜头切换间的空白间隙；为每个视频片段自动调色，预设风格包括温暖的电影感或中性的冲击力，也支持完全自定义的ffmpeg滤镜链；在每个剪切点添加30毫秒的音频淡入淡出，有效消除爆音；自动生成并“烧录”到视频中的字幕，默认样式为每两词一组且全大写，当然样式完全可定制；利用Manim、Remotion或PIL等库生成动态图形叠加层，且支持多个动画并行处理；引入自评机制，每次渲染完成后，系统会在每个剪切点自动检查效果，通过后才呈现给用户；通过project.md文件持久化会话记忆，下次打开可以无缝衔接上次的编辑进度。

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=...

完成上述配置后，进入存放原始视频素材的目录，在Claude中输入指令即可启动剪辑流程。所有生成的内容都会存放在素材目录下的edit/文件夹中，例如final.mp4，从而确保工具本身的目录保持整洁。

核心设计：LLM不看视频，只“读”视频

这是整个方案最具巧思之处。如何让大语言模型理解视频内容？video-use采用了一种高效的两层结构，实现了精确到单词边界的智能剪辑。

第一层是音频转录，这是每次都会加载的基础信息。系统为每个源文件调用ElevenLabs Scribe服务，获取逐词时间戳、说话人分离标记以及笑声、掌声等音频事件。所有这些信息被打包成一个约12KB的takes_packed.md文件，构成了LLM理解和操作视频的主要“文本界面”。其格式清晰明了：

## 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。当需要在关键决策点（如判断某处停顿是否该剪、对比不同条次的素材、验证剪切点是否合理）进行视觉确认时，timeline_view功能会为指定时间范围生成一张PNG图片。这张图综合了关键帧缩略图、音频波形以及逐词标注，为LLM提供直观的视觉参考。

这种设计的优势显而易见。试想一下，如果让LLM直接处理视频帧：30000帧乘以每帧约1500个token，那就是4500万token的庞杂噪声数据。而video-use的思路将其转化为12KB的精华文本加上少量按需生成的图片，效率不可同日而语。这其实与browser-use团队一向的理念一脉相承：为LLM提供结构化的文本信息（如DOM），而非海量的原始像素（如截图），这次只不过是把这套逻辑成功应用到了视频领域。

完整流水线

从素材到成片，整个过程是一条高度自动化的流水线：转录 → 打包 → LLM推理 → 生成编辑决策列表（EDL） → 渲染 → 自评。

尤其值得一提的是自评环节。它并非简单的流程终点，而是一个质量守门员。系统会在渲染输出的每个剪切点运行timeline_view进行检查，识别画面跳变、音频爆音、字幕遮挡等问题。只有通过这轮自查，预览才会展示给用户。如果发现问题，工具会自动尝试修复并重新渲染，最多循环3次，以此保障输出质量。

设计原则

纵观其设计，可以总结出几条清晰的原则：以文本为操作界面，视觉信息按需提供，坚决不做全帧转储；音频驱动剪辑，视觉辅助判断，剪切点优先基于语音边界和静音间隙；策略先确认后执行，执行后必自评，状态持久化保存；不对内容类型做先入为主的假设，遵循“观察-询问-剪辑”的流程；用12条硬性规则确保技术上的正确性（如避免音画不同步），在此框架之外，则充分保留创作者的艺术自由度。