你有多久没剪视频了？

拍了一大堆素材，躺在文件夹里吃灰。

不是不想剪，是剪视频太累了——

你得把素材拖进剪辑软件，一遍一遍听哪里有口误，哪里有「嗯…」「啊…」「那个…」，手动标记入点出点，剪掉、拼接、调整音量，然后加字幕、调色、渲染导出……

一两个小时就这么没了。结果剪出来的视频你自己都不想看第二遍。

如果我告诉你，现在有个工具——你只需要把素材扔进文件夹，跟 Claude 说句话，它就能帮你把片子剪好呢？

它叫 video-use。

browser-use 团队的新作，开源、免费，15,000+ GitHub Stars，一周涨了 3,000+ Star——是目前增长最快的 AI 视频编辑工具之一。

---

video-use 是什么？

一句话：video-use 让 Claude Code 变成你的视频剪辑助理。

你把原始素材放进一个文件夹，用自然语言告诉 Claude 你想要什么效果，然后它就会自动完成：

• 转录所有素材的音频
• 分析内容，找出最好的片段
• 剪掉填充词和死区
• 自动调色
• 烧录字幕
• 加动画效果
• 自我检查剪辑质量
• 输出 final.mp4

没有时间线，没有菜单，没有预设。

就像你有一个助理剪辑师——你告诉他想要什么，他帮你搞定所有机械劳动，你只需要做决策。

---

最巧妙的设计：AI 不「看」视频，它「读」视频

这是 video-use 最聪明的地方，也是它和其他 AI 视频工具最大的区别。

传统做法：让 AI 一帧一帧看视频

30,000 帧 × 1,500 Token = 4,500 万 Token 的噪音

又贵又慢，而且模型根本记不住这么多信息。

video-use 的做法：两层架构

第一层：音频转录（始终加载）

用 ElevenLabs Scribe 对每段素材做转录，得到：

• 词级时间戳（精确到每个词的起止时间）
• 说话人分离（谁在说话）
• 音频事件（笑声、掌声、叹息）

所有素材的转录结果打包成一个 约 12KB 的 takes_packed.md 文件——这就是 LLM 的主要「阅读视图」。

C0103 (时长: 43.0s, 8 个短语)
 [002.52-005.36] S0 90% 的网页代理所做的事情都是完全浪费的。
 [006.08-006.74] S0 我们解决了这个问题。

第二层：视觉合成（按需调用）

只有在决策点（模糊的停顿、比较不同镜头、检查剪辑点）时，才会生成「胶片条 + 波形 + 词标签」的 PNG 图片，供模型视觉确认。

这个思路是不是很熟悉？browser-use 当年就是用「结构化 DOM 代替截图」火起来的。现在他们把同样的套路用到了视频上——

不给模型看原始像素，给模型看结构化的信息。

六阶段工作流：一次说清楚它怎么干活

video-use 的完整工作流分为六个阶段：

第一阶段：清点（Inventory）

AI 遍历素材目录，用 ffprobe 获取每段视频的元数据，然后批量转录所有文件。转录结果汇总成 takes_packed.md，同时生成 1-2 张时间线可视化图像。

第二阶段：预检（Pre-check）

AI 快速扫描转录文本，标出口误、重复表达、明显重录的位置，形成问题清单。这份清单不会直接删除，而是作为后续剪辑策略的参考。

第三阶段：沟通（Consultation）

AI 用自然语言描述素材的特点和存在的问题，然后问你：

• 剪辑目标是什么？
• 想要多长的成片？
• 风格偏好（快节奏/慢节奏/正式/轻松）？
• 哪些片段必须保留？哪些必须删掉？

这个阶段的提问是动态的，根据素材内容调整，不用固定模板。

第四阶段：策略确认（Strategy）

AI 提出一个剪辑方案（通常 4-8 句话），涵盖：

• 结构安排
• 语气选择
• 动画规划
• 调色方向
• 字幕样式
• 预估时长

你说 OK，它才动手剪。

第五阶段：执行（Execution）

生成 EDL（剪辑决策列表）——这是整个剪辑操作的蓝图，以 JSON 格式记录每个片段的源文件、起止时间、所属场景和选择理由。

json
{
  "segments": [
    {
      "source": "interview_01.mp4",
      "start": 12.4,
      "end": 28.7,
      "scene": "introduction",
      "reason": "清晰阐述主题"
    }
  ]
}

动画片段在独立子代理中并行生成，不阻塞主流程。每段提取后立即应用调色和 30ms 音频淡入淡出。

第六阶段：自评估（Self-eval）

这是最体现「专业感」的一步。

AI 在渲染好的输出上运行时间线可视化工具，检查每个切割点前后 1.5 秒：

• 画面有没有跳帧？
• 音频有没有爆音？
• 字幕有没有被动画挡住？

同时抽查开头 2 秒、结尾 2 秒和 2-3 个中间节点，确保整体一致性。

发现问题？自动修复后重新渲染，最多循环三次。三次还有问题，就向你报告，由你判断。

你看到的预览，是 AI 自己先检查过一遍的。

内置功能：专业剪辑师的标配

自动去填充词

「嗯」「啊」「那个」「就是说」——全部自动识别并剪掉，而且是在词边界上切，不会把词切成两半。连两次录制之间的死区也一并清理。

自动调色

三种内置风格：

• 暖调电影感（Warm cinematic）
• 中性鲜明（Neutral punch）
• 自定义 ffmpeg 链

每段素材独立调色，保证整体色调一致。

30ms 音频淡入淡出

每个剪辑点都有 30 毫秒的音频交叉淡化——所以你永远不会听到「啪」的一声爆音。

这是专业剪辑的基本操作，但大多数 AI 工具根本不在意这些细节。

字幕烧录

默认样式：两个词一组、大写、底部居中。完全可定制——字体、大小、颜色、位置、每行几个词，你说了算。

而且字幕是最后一步烧录的，不会影响剪辑精度。

动画叠加

支持四种动画引擎，并行子代理生成：

你说「这里加个数据图表动画」，它就自己开个子代理去做了，做完了嵌进去。

会话记忆

所有项目状态保存在 project.md 里。上周剪了一半，这周接着剪——它还记得你上次的决策和偏好。

---

12 条硬性规则 + 艺术自由

video-use 有 12 条不可违反的制作规则，保证输出的专业性：

• 剪辑点必须在词边界或静音间隙
• 每个剪辑点必须有 30ms 音频淡入淡出
• 字幕必须最后烧录
• 调色必须在片段级别应用
• 动画必须在独立子代理中生成
• 输出前必须经过自评估
• 不能在词中间切割
• 填充词删除后必须保证语速自然
• 字幕不能被画面元素遮挡
• 音频电平必须标准化
• 输出格式必须符合平台规范
• 所有修改必须有记录（EDL）

而在这些规则之外，审美和创意是自由的。

就像一个好的剪辑师——技术规范从不打折扣，但创意表达从不设限。

安装：30 秒搞定

一键安装（推荐）

打开 Claude Code，把这段话贴进去：

Set up https://github.com/browser-use/video-use for me.

Read install.md first to install this repo, wire up ffmpeg, register the skill with whichever agent you're running under, and set up the ElevenLabs API key — ask me to paste it when you need it. Then read SKILL.md for daily usage, and always read helpers/ because that's where the editing scripts live. After install, don't transcribe anything on your own — just tell me it's ready and wait for me to drop footage into a folder.

AI 会自动完成：克隆仓库、安装依赖、注册技能、配置环境变量。

手动安装

如果你想自己动手：

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

2. 链接到 Claude Code 的 skills 目录
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use

3. 安装 Python 依赖
cd ~/Developer/video-use
uv sync   # 或 pip install -e .

4. 安装系统工具
brew install ffmpeg    # 必需
brew install yt-dlp    # 可选，下载在线视频

5. 配置 ElevenLabs API Key
cp .env.example .env
编辑 .env，填入 ELEVENLABS_API_KEY

支持的代理工具

不止 Claude Code——

---

怎么用

第一步：准备素材

把你的原始素材放进一个文件夹，比如 ~/Videos/my-project/。

第二步：启动 Claude Code

bash
cd ~/Videos/my-project
claude

第三步：说你想要什么

把这些素材剪成一个产品发布视频，时长大概 90 秒。
开头要有冲击力，中间讲三个核心功能，结尾是行动号召。
用暖调电影感调色，字幕要大一点。

然后：

• AI 清点素材、转录
• AI 问你几个澄清问题
• AI 提出剪辑方案
• 你说「OK」
• AI 开始干活
• AI 自我检查后，给你看 edit/final.mp4

就这么简单。

常用说法参考

---

实测效果怎么样？

独立开发者 Andrew 做了详细测评，用播客素材、产品演示、旅行 B-roll 三种场景测试了 video-use。

播客访谈素材

产品演示素材

对于有旁白的产品演示视频，video-use 的表现尤其出色——因为它的剪辑逻辑是以音频为主导的，而旁白驱动的内容天然适合这种模式。

纯视觉素材（B-roll）

对于没有对白的纯 B-roll 素材，video-use 的效果会打折扣。毕竟它的核心是「文本优先」，没有文字就没有了主要的决策依据。

一句话总结：有对白的视频，它是神器；纯视觉的素材，它还不够强。

适合谁？不适合谁？

✅ 强烈推荐

• 内容创作者：播客、访谈、教程、vlog
• 独立开发者：产品演示视频、发布视频
• 运营和市场：快速剪出社交媒体片段
• 已经在用 Claude Code 的人：零学习成本，装上就用
• 讨厌机械劳动的人：把时间花在创意上，不是剪「嗯啊」上

⚠️ 需要考虑

• 专业电影级剪辑：目前还替代不了专业剪辑师
• 纯视觉内容：音乐 MV、纯 B-roll 蒙太奇
• 对节奏要求极高的内容：AI 能剪出合格的片子，但微妙的节奏感还是人更强

❌ 不推荐

• 完全不用 Claude Code / 编码代理的人
• 只剪纯视觉内容，没有对白
• 期望一键出大片、完全不用动脑子的人

---

设计哲学

video-use 背后有五条核心设计原则：

• 文本 + 按需视觉：不倾倒原始帧。转录是主要视图，视觉只在决策点调用。
• 音频为主，视觉跟随：剪辑点来自语音边界和静音间隙。
• 询问 → 确认 → 执行 → 自评 → 持久化：没经过你同意，绝不碰剪辑。
• 零内容类型假设：先看、先问、然后再剪。
• 12 条硬规则 + 艺术自由：制作正确性不可协商，品味由你定。

这五条，每一条都在说同一件事：

AI 做执行，人做决策。

成本问题：ElevenLabs API 要花多少钱？

video-use 依赖 ElevenLabs Scribe 做转录，这是有成本的。

大致参考：

• 1 小时音频 ≈ 约 0.3 美元（Scribe 转录）
• 10 小时素材 ≈ 约 3 美元
• 一个中等项目 ≈ 几块钱

对于偶尔剪视频的人来说，成本可以忽略不计。对于重度用户，你可以自己算一下：和你手动剪辑的时间成本比，这点钱值不值。

提示：转录结果是缓存的。同一段素材不会重复转录，只付一次钱。

写在最后

视频剪辑这件事，90% 的工作是机械劳动——找口误、剪填充词、对齐镜头、调音量、加字幕……

剩下 10%，才是真正的创作——决定讲什么故事、用什么节奏、传递什么情绪。

video-use 做的事情，就是帮你把那 90% 的机械劳动干掉。

它不会让你变成一个更好的剪辑师。但它会让你有更多的时间和精力，去做那些只有人才能做的事情——创意、审美、讲故事。

就像当年非线编辑代替了剪刀和胶带，就像 Premiere 代替了 Moviola，工具在变，但创作的核心没变。

好的工具，是让人更像人。

试一下吧。下次再拍了素材，别让它们在文件夹里吃灰了。

---

快速开始（再放一次）

bash
在 Claude Code 中执行：
Set up https://github.com/browser-use/video-use for me.

然后把素材扔进文件夹，说：
把这些素材剪成一个 xxx 视频

祝你剪出好片子。

---

参考资料

[1] video-use GitHub 仓库：https://github.com/browser-use/video-use

[2] browser-use 官网：https://browser-use.com/

[3] Browser Use Cloud：https://cloud.browser-use.com/

[4] ElevenLabs Scribe：https://elevenlabs.io/docs/product-guides/audio-tools/scribe

[5] Andrew 独立测评：https://dev.to/andrew-ooo/video-use-review-browser-use-teams-ai-video-editor-58nl

[6] 掘金实战测评：https://juejin.cn/post/7658274482063720457

[7] HyperFrames 动画引擎：https://github.com/heygen-com/hyperframes