https://github.com/bradautomates/claude-video
把一个 YouTube 链接交给 Claude，让它总结视频，很多时候得到的其实只是“字幕总结”。
只要画面里出现了字幕没有提到的代码、图表、界面操作或者广告创意，Claude 就很容易漏掉。屏幕上明明已经报错了，Transcript 里却只留下讲解者的一句“这里有点问题”。
Claude Video 想补上的正是这块短板。
它是一个开源 Agent Skill。安装以后，只要输入一条 /watch 命令，就可以把 YouTube、TikTok、X、Loom 等视频链接，或者本地 MP4、MOV、MKV、WebM 文件，拆成带时间戳的字幕和关键画面，再交给 Claude 进行联合分析。
例如：
/watch bug-repro.mov 界面从什么时候开始出错？
/watch https://youtu.be/xxx 这个视频开头用了什么钩子？
/watch https://youtu.be/xxx 去掉宣传话术，告诉我真正更新了什么写稿时，这个项目已经获得九千多个 GitHub Star，采用 MIT 许可证。
它不再只依赖 Transcript
Claude Video 的基本思路并不复杂：
- 用
yt-dlp获取视频和平台字幕； - 用
ffmpeg提取关键帧或场景变化画面； - 字幕不存在时，把音频交给 Whisper 转写；
- 把每张图片的本地路径和时间戳，以及带时间轴的 Transcript，一起交给 Claude；
- Claude 并行读取图片，再回答用户的问题。
因此，它看到的不只是讲解者说了什么，还能看到画面上出现了什么。
分析广告时，可以同时观察开头镜头、字幕设计、产品展示和口播；分析课程时，可以读到幻灯片和代码；排查 Bug 时，可以找到界面异常出现的具体时刻。
这比单纯总结字幕更接近“看过视频以后再回答”。
但它并不是把整段视频逐帧塞给 Claude
“让 Claude 真正看视频”是一个方便理解的说法，但从实现上看，Claude Video 仍然是把视频转换成“抽样画面＋文字时间轴”。
它不会默认把每一帧都交给模型。因为视频有成千上万帧，全部读取不仅慢，还会迅速耗尽上下文和图片 Token。
项目提供四种详细程度：
transcript：只读字幕，不下载视频画面，成本最低；efficient：快速读取关键帧，最多约 50 张；balanced：默认模式，优先提取场景变化，最多约 100 张；token-burner：保留全部场景变化候选帧，覆盖更完整，但 Token 消耗也更大。
它还会把图片缩放到默认 512 像素宽，并删除视觉上几乎相同的画面。长时间停留在同一张幻灯片时，不会重复把十几张近似图片交给 Claude 计费。
这套设计的重点不是“看得越多越好”，而是用有限的图片预算覆盖尽量多的关键时刻。
长视频最好先粗看，再聚焦
短视频比较适合一次分析。30 秒以内默认约提取 30 张图，三分钟以内约 60 张，三到十分钟约 80 张。
超过十分钟以后，默认的 100 张画面会分散在整条视频上，只能算稀疏扫描。对于四五十分钟的课程或访谈，Claude 可能知道整体结构，却看不清某一分钟里的连续操作。
更合适的方法是先跑一次低成本分析，找到值得关注的时间段，再指定范围重新读取：
/watch video.mp4 --start 2:15 --end 2:45如果讲解者说“看这里”或者“注意这个变化”，还可以根据 Transcript 中的时间点，用 --timestamps 精确抓图。
所以它并不能保证替代完整观看。分析关键镜头、课程结构和 Bug 复现很有用；涉及高速动作、细微连续变化或逐帧判断时，仍然需要人工回看原视频。
支持数百个平台，实际依赖 yt-dlp
Claude Video 能处理 YouTube、TikTok、X、Instagram、Loom 等平台，是因为底层使用了 yt-dlp。
理论上，yt-dlp 支持的几百个平台都可以尝试；但这不等于每个链接都能随时下载。平台登录、地区限制、Cookie、验证码和反爬策略，都可能导致失败。TikTok、X 等平台的可用性也会随着网站变化而变化。
本地视频不受平台限制，但通常没有现成字幕，需要额外转写音频。
字幕优先免费，没有字幕才调用 Whisper
Claude Video 会先尝试获取平台的人工字幕或自动字幕。这一步不需要额外的语音识别费用。
如果视频没有字幕，它会提取单声道音频，并调用以下一种服务：
- Groq 的
whisper-large-v3； - OpenAI 的
whisper-1。
这时需要用户自己的 API Key，也会产生相应费用。如果不希望上传音频，可以使用 --no-whisper，只分析画面。
因此，“免费使用”指的是 Skill 本身采用 MIT 许可证，yt-dlp 和 ffmpeg 也可以免费使用。实际分析仍会消耗 Claude 的图片和文本 Token；没有字幕时，Whisper API 还可能产生额外费用。
它适合哪些场景
拆解爆款视频。分析开头钩子、镜头节奏、字幕设计、产品露出和口播结构，而不是只总结说了什么。
研究广告创意。找出品牌在什么时候展示产品、怎样做前后对比、如何用画面配合文案。
定位界面 Bug。把用户的屏幕录像交给 Claude，让它寻找异常开始的时间和操作路径。
整理课程教程。把视频变成带时间点的笔记，结合幻灯片、终端和代码画面补充字幕里没有的信息。
快速过滤发布会。跳过铺垫和营销话术，提取真正新增的功能以及对应演示画面。
如何安装
Claude Code 可以通过插件市场安装：
/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-videoCodex、Cursor、Copilot、Gemini CLI 等兼容 Agent Skills 的工具，可以执行：
npx skills add bradautomates/claude-video -g第一次运行时，Skill 会检查 yt-dlp 和 ffmpeg。macOS 可以通过 Homebrew 自动安装；Linux 和 Windows 会给出相应命令。如果需要 Whisper，它还会在本地配置目录生成 API Key 模板，密钥文件权限设为 0600。
本地视频也要注意隐私
视频下载、抽帧和音频提取主要在本机完成，但“本机处理”不等于“内容完全不离开电脑”。
Claude 读取关键帧时，图片会进入所使用模型的上下文；调用 Groq 或 OpenAI Whisper 时，音频也会发送给相应服务商。
如果是客户录屏、内部会议、未发布广告或包含账号信息的 Bug 视频，应先确认组织的数据政策。必要时只在本地抽帧，手动检查和脱敏后再交给模型，或者完全关闭 Whisper。
真正补齐的是“画面上下文”
Claude Video 没有让 Claude 获得人类一样的连续视频感知。它做的是一件更工程化、也更实用的事：
把难以直接输入模型的视频，转换成有时间关系的关键画面和字幕，再让多模态模型联合理解。
这已经足以解决很多原本只能依靠 Transcript 的局限。
以后研究竞品视频、拆解广告创意、整理课程或者分析屏幕录像，不一定要从头看到尾。可以先让 Claude Video 做一次粗看，再把真正重要的片段交给人重点检查。
AI 不一定需要像人一样连续盯着视频，才能帮我们节省大量观看时间。关键是让它看到字幕之外，画面里真正发生了什么。
