video-use: LLM 驱动的剪辑技能

video-use 是一个开源的 CLI 技能，用于 Claude Code，通过自然语言交互实现程序化视频剪辑。它作为媒体生产的流通层（infrastructure layer），将高层编辑指令通过结构化数据管线转换为 FFmpeg 操作，而非直接视觉处理。项目依循其理（principle）：LLM 应推理媒体文本表示（转录、时间线），而非消耗高 token 的视觉输入（如原始帧）。

Technical Architecture 核心创新在于将视频数据抽象为文本优先格式。video-use 不直接处理视频帧，而是构建 takes_packed.md 文件，包含单词级时间戳、说话人分离和来自 ElevenLabs Scribe 的音频事件。这相比 naive 帧转储策略显著减少了 token 占用。系统采用双层读取模型：主层（Audio Transcript）：始终加载。提供单词级精度用于剪辑决策、填充词检测和静音间隙分析。次层（Visual Composite）：按需生成。timeline_view 仅在决策点生成胶片条 + 波形 + 单词标签 PNG（如模糊停顿、重拍比较）。此架构最小化延迟和 token 成本，同时保持单词边界精度。LLM 推理 12KB 文本表示，而非处理数千帧。

Operational Pipeline 编辑工作流遵循确定性序列，旨在保证安全性和可复现性：

• Transcribe（转录）：通过 ElevenLabs Scribe 处理源文件获取单词级元数据。
• Pack（打包）：元数据整合至 takes_packed.md。
• LLM Reasons（LLM 推理）：智能体基于转录提出编辑策略。
• EDL（编辑决策列表）：生成结构化执行计划。
• Render（渲染）：FFmpeg 链执行色彩分级、字幕烧录和剪辑。
• Self-Eval（自评估）：使用 timeline_view 在剪辑边界分析渲染输出，捕捉视觉跳跃或音频爆音。若自评估失败，系统尝试修复并重渲染（最多 3 次），然后呈现预览。

会话内存持久化在 project.md 中，允许跨会话的迭代工作流。

Capabilities and Constraints 工具支持特定生产任务，无需人工干预：

• Filler Removal（填充词移除）：自动检测和移除 umm, uh 及错误起始。
• Audio Processing（音频处理）：每处剪辑应用 30ms 音频淡入淡出，防止爆音。
• Visuals（视觉）：自动色彩分级（温暖电影感、中性冲击或自定义 FFmpeg 链）。
• Overlays（叠加层）：烧录可自定义样式的字幕；通过并行子智能体生成动画叠加层（Manim, Remotion, 或 PIL）。

Constraints（约束）：需要本地安装 Python, ffmpeg, 和 yt-dlp。依赖 ElevenLabs API 进行转录。LLM 不“观看”视频；依赖转录和生成合成的准确性。

Linkage Check

• Repository（仓库）：https://github.com/browser-use/video-use
• Dependencies（依赖）：Python 3.10+, FFmpeg, ElevenLabs API。
• Integration（集成）：符号链接至 ~/.claude/skills/ 以供 Claude Code 访问。
• License（许可）：开源（请验证仓库根目录的具体许可）。
• Status（状态）：活跃开发；需手动核实 API 密钥成本和源材料转录准确性。

译注

• 理 (lǐ)：此处对应原文 "principle"，但在本语境下取其“自然纹理、内在规律”之意，暗示 LLM 对媒体处理应顺应数据本身的纹理（文本流），而非强行介入视觉表象。
• 流通 (liú tōng)：对应 "Currency" 概念，此处指代基础设施层作为信息流动的载体，强调其动态性与连接性。
• 智能体 (Agent)：此处对应 "Agent"，强调其作为自主执行单元的属性，而非简单的脚本或工具。