bradautomates/claude-video

项目介绍

Watch 是一个 Agent Skill，让编程 Agent 能够「看」视频。给它一个视频链接或本地文件，它会下载或读取媒体、按选定的方式抽帧、生成字幕或语音转写，再把带原始时间戳的结果交回给 Agent。它可安装到 Claude Code（桌面版 Code 会话、VS Code 或终端）、Codex、Cursor/Copilot 等 Agent Skills 宿主，不支持 Claude Chat 和 Cowork（支持的界面）。

引擎有两种：auto 在有 GEMINI_API_KEY 时使用 Gemini，把整段视频交给 Google 并转回带时间戳的答案，YouTube 链接无需本地工具，本地文件上传后会在回答后删除；否则使用 local 引擎，在本机通过 FFmpeg、ffprobe 和 yt-dlp 抽帧、抽音（引擎配置）。

安装与首次使用

在 Codex 中最快的做法是把下面这段粘到消息框里（Codex 安装）：

Use $skill-installer to install the watch skill from:
https://github.com/bradautomates/claude-video/tree/main/skills/watch

在终端的 Claude Code 会话里依次输入（终端安装）：

/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video

Claude Desktop 则在 Customize → Plugins 中添加仓库作为 marketplace，再安装 Watch；只添加 marketplace 不会安装 skill（桌面版步骤）。其他 Agent Skills 宿主可用 npx skills add bradautomates/claude-video -g --skill watch，需要 Node.js（其他 Agent）。

然后打开一个装有短视频的文件夹，在新会话中让 Agent 执行：

Use the watch skill on example.mp4 in the folder I shared.
For setup, choose balanced detail and captions only (none).
Summarize what is visible, with timestamps.

成功的标志是得到带时间戳的画面摘要，这条路径不需要转写 API Key（第一个视频）。要用 Gemini 引擎，在向导要求时粘贴免费的 Google AI Studio Key，或在 ~/.config/watch/.env 中写入 GEMINI_API_KEY=。

精细度、字幕与转写

精细度决定抽帧量和成本：transcript（不抽普通帧）、efficient（关键帧，上限 50）、balanced（场景变化，上限 100）、token-burner（不设上限）。用 --start/--end 指定区间，或在读完文字稿后用 --timestamps 让 Agent 回看具体时刻。原生字幕始终优先；可选语音后端有 WhisperX（本地，自动管理 Python 3.12 环境）、Groq whisper-large-v3 或 OpenAI whisper-1（转写后端）。

使用约束

• 需要 Python 3.10+、较新的 FFmpeg/ffprobe 以及最新版 yt-dlp；YouTube 还需要可用的 JavaScript 运行时/EJS。skill 本身只提供说明和脚本，不包含这些程序（缺少工具）。
• 本地 WhisperX 需要约 3 GB 空闲磁盘和 8 GB 内存；已验证的是 Apple Silicon macOS，Intel macOS、Linux 和 Windows 均未测试，CUDA 未测试，也不承诺 MPS 支持。
• Gemini 引擎会把视频（或其链接）发给 Google；local 引擎不访问 Google。云端语音转写会把抽出的音频发给对应服务商。
• 不支持 Claude Chat 和 Cowork；云端会话有自己的环境和网络权限，可能要按任务重新配置。
• 采用 MIT 许可（LICENSE）。

HotRepo 点评

该仓库没有记录到 GitHub 全语言日榜名次，但 Star 快照显示增长很快：2026-07-06 约 3,945 星，2026-07-27 达 10,804 星，2026-11-08 达 20,184 星、2,145 个 Fork。这条曲线与把一个实用 Agent 能力做出来所获得的真实兴趣相符，只是没有讨论记录能说明用户实际拿它做什么。README 对引擎、数据外发和失败场景写得很具体，这比涨星数字更值得参考：是否采用取决于你接受本地媒体工具链，还是接受把视频发给 Google。