video-use 完全指南：26k star，用 coding agent 把素材剪成片

📅 2026-09-23 · ☕ 9 分钟阅读

video-use 官方项目 banner — video-use 官方 banner（来源：browser-use/video-use 仓库 `static/video-use-banner.png`）

剪辑软件的问题从来不是"功能不够"，而是你得学会它：时间线、快捷键、轨道、导出预设。而 video-use 换了个思路——把原始素材丢进一个文件夹，跟你的 coding agent 说一句「把这些剪成一条发布视频」，然后拿回 final.mp4。

它的官方说明第一句就是：Introducing video-use — edit videos with Claude Code. 100% open source. 截至 2026-09-23，项目在 GitHub 上有 26,123 star、3,136 fork，MIT 协议，主语言 Python；仓库创建于 2026-04-12，最近一次提交是 2026-08-30。

🔥 为什么 video-use 值得关注？

交互范式变了 — 不是"用 AI 辅助剪辑"，而是"把剪辑交给 agent，你负责审片"
它真的在剪，不是生成 — 输入是你自己拍的素材，输出是剪辑结果；不涉及重新生成画面
有自评机制 — 渲染完先在每个剪切点自查，通过后才给你预览
解决"token 爆炸"的巧劲 — LLM 不逐帧"看"视频，而是"读"转写稿（下文详述）
可直接跑在 OpenClaw / Claude Code / Codex 等任何有 shell 权限的 agent 上

一、它到底做什么

官方 README 列出的能力清单很具体，都是剪辑里最费手的那几件事：

能力	说明
去掉废话和空镜	剪掉 `umm`、`uh`、口误起头，以及两条 take 之间的死时间
自动调色	每一段自动套调色（暖调电影感、中性锐利，或任意自定义 ffmpeg 链）
音频淡入淡出	每个剪切点做 30ms 淡变，听不到爆音
烧制字幕	按你的风格烧进画面，默认 2 词一组大写块，可完全自定义
生成动画叠加	通过 HyperFrames / Remotion / Manim / PIL 生成；并行子 agent 执行，一条动画一个
自评渲染结果	在每一个剪切边界检查渲染输出，过关才给你看
会话记忆	写进 `project.md`，下次开工接着上次的上下文

支持的内容类型官方也点明了：口播（talking heads）、混剪、教程、旅行、访谈——不需要预设或菜单，它会先看你的素材再决定怎么剪。

二、核心设计：LLM 不"看"视频，而是"读"视频

这是整个项目最值得借鉴的地方。把视频喂给模型做剪辑，直觉做法是抽帧——但代价惊人，官方自己算过这笔账：

朴素做法：30,000 帧 × 1,500 tokens = 45M tokens 的噪声
video-use：12KB 文本 + 若干张按需生成的 PNG

它用两层信息替代逐帧：

第一层：音频转写（始终加载） — 每个素材调一次 ElevenLabs Scribe，拿到逐词时间戳、说话人分离（diarization）和音频事件标注（如 (laughter)、(applause)、(sigh)）。所有 take 打包进一个约 12KB 的 takes_packed.md，这就是 LLM 的主要"阅读界面"。
第二层：视觉合成图（按需生成） — timeline_view 能为任意时间区间生成一张合成 PNG：胶片条 + 波形 + 逐词标签。只在需要判断时调用——模糊的停顿、重拍对比、剪切点复核。

timeline_view 合成图：胶片条、说话人轨、波形、逐词标签与静音间隔 — `timeline_view` 的输出示意：胶片条 + 说话人轨（SPEAKER 0/1）+ 波形 + 逐词标签，并标出静音间隔（如 620ms / 880ms）作为候选剪切点。图源：video-use 官方仓库 `static/timeline-view.svg`。

官方把这个思路类比得很准：就像 browser-use 给 LLM 结构化 DOM 而不是截图——只不过这次是给视频。

三、流水线

Transcribe ──> Pack ──> LLM Reasons ──> EDL ──> Render ──> Self-Eval
                                                              │
                                                              └─ 有问题？修复并重渲（最多 3 次）

值得注意的细节：自评循环是对渲染后的成片跑 timeline_view，逐个剪切边界检查——视觉跳变、音频爆音、字幕被遮挡都在这一步抓。只有通过后才给你预览。

另外，剪出来的结果是一份 EDL（编辑决策表）再交给渲染，而不是让模型直接操作时间线——这也是它能稳定复现、可回滚的原因。

四、5 条设计原则

官方自述的设计取舍

文本 + 按需视觉 — 不倾倒帧，转写稿才是主界面
音频优先，视觉跟随 — 剪切点来自语音边界和静音间隔
询问 → 确认 → 执行 → 自评 → 沉淀 — 策略没确认前绝不动刀
对内容类型零假设 — 先看、先问，再剪
12 条硬规则 + 其余交给品味 — 制作正确性不可协商，审美可以自由

五、安装：两种方式

方式一：让 agent 自己装（官方推荐）

README 直接给了一段可粘贴的 setup prompt，丢给 Claude Code、Codex、Hermes、Openclaw 或任何有 shell 权限的 agent 即可：

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.

Agent 会负责 clone、装依赖、注册 skill，并在需要时向你索要 ElevenLabs API key（在 elevenlabs.io 后台获取）。

方式二：手动安装

# 1. 克隆并软链到 agent 的 skills 目录
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use        # Claude Code
# ln -sfn ~/Developer/video-use ~/.codex/skills/video-use       # Codex

# 2. 装依赖
cd ~/Developer/video-use
uv sync                         # 或: pip install -e .
brew install ffmpeg             # 必需
brew install yt-dlp             # 可选，用于下载在线素材

# 3. 配置 ElevenLabs API key
cp .env.example .env
$EDITOR .env                    # ELEVENLABS_API_KEY=...

六、日常用法

把 agent 指向素材文件夹，然后正常开工：

cd /path/to/your/videos
claude    # 或 codex、hermes 等

会话里直接说需求：

edit these into a launch video

它会先盘点素材、提出剪辑策略、等你确认，然后产出 edit/final.mp4。所有输出都落在 <videos_dir>/edit/ 下，skill 目录保持干净。

想让它常驻（比如从自己的 VPS 或 Telegram 触发），官方建议跑在 Browser Use Box 上；官方还放了一条 15 秒演示。

七、优点与注意事项

👍 优点

输入自己的素材、输出真实剪辑，不是"AI 生成视频"
去口头禅 / 静音、调色、淡变、字幕一次搞定
自评 + 最多 3 次重渲，明显减少人工返工
不逐帧喂模型，token 成本结构合理
MIT 开源，可读全部编辑脚本（helpers/）
能挂在 OpenClaw / Claude Code / Codex 上，不锁死单一 agent

👎 注意

依赖 ElevenLabs 转写服务，需要申请 API key（第三方付费服务，非项目自带）
必须装 ffmpeg；安装命令以 macOS 的 brew 为主，Windows 需自行替换
仓库最近提交是 2026-08-30，发布节奏偏"实验性"，生产使用建议锁定版本
它是个 agent 技能仓库（skill），不是能 pip install 就用完的库——使用体验取决于你挂的 agent
没有官方网站，文档即 README + SKILL.md + helpers/ 源码

🎯 总结

video-use 的价值是把"剪辑"从一门手艺变成一段对话，而且它选对了实现路径——用转写稿当模型的输入、用 EDL 当中间产物、用自评保证质量。如果你已经在用 coding agent 干活，又常拍口播或教程视频，它会省掉你大量拉时间线的时间。唯一要提前想清楚的是 ElevenLabs 的成本，以及别指望它替你决定"剪得好不好"——审美那部分，官方明说留给你。

FAQ

Q: video-use 是"AI 生成视频"吗？

不是。它不生成画面，而是对你提供的原始素材做剪辑：去废话、调色、加字幕、加动画叠加、自评后导出 final.mp4。

Q: 必须用 Claude Code 吗？

不必须。官方 README 明确列出 Claude Code、Codex、Hermes、Openclaw 以及任何有 shell 权限的 agent；本质上它是一组脚本 + 技能说明（SKILL.md + helpers/），由 agent 来调用。

Q: 需要付费吗？

项目本身 MIT 开源免费。但它依赖 ElevenLabs 的转写（Scribe）来拿到逐词时间戳，那部分需要你自己申请 API key，费用按 ElevenLabs 计费走。官方也提供了 Browser Use Cloud / Box 的托管方式（可选）。

Q: 剪辑结果在哪？

统一在 <你的素材目录>/edit/final.mp4，不会往 skill 目录里写东西。

Q: 能处理多长的视频？

它的设计是"每段素材单独转写再打包"，因此长素材主要是转写成本和时间的问题；README 未给出硬性时长上限，实际表现取决于你的素材数量和 ElevenLabs 配额。

Q: 它能保证成片质量吗？

它保证的是制作正确性——剪切点无跳变/爆音、字幕不被挡、结构连续，这部分靠自评循环兜底。至于节奏和审美，官方把它归为"不协商之外的自由"，由你拍板。