browser-use/video-use

把它当作口语类素材的实验性粗剪工具，而不是时间线编辑器的替代品。如果你已经在用 Claude Code 或 Codex，并且希望从一文件夹的素材直接得到可审阅的剪辑，它值得一试。

解决什么问题

一个人录完多条素材后，想要一个能用的初剪：去掉口头语和停顿、收紧冷场、统一色调、烧录字幕。按传统流程，这意味着导入片段、看波形、来回拖时间线找口误、逐条摆字幕。这个项目把流程改成：素材留在文件夹里，Agent 读取带词级时间戳和静音区间的转写，先提出剪辑策略，等你确认后，在素材旁渲染出 final.mp4。得到的是可审阅的剪辑结果，而不是手工拼好的时间线。

有什么不同

核心设计是语言模型完全不看画面。ElevenLabs Scribe 转写一次，提供词级时间戳、说话人区分和音频事件，多条素材打包成约 12KB 的文本。只有遇到模糊停顿或重录对比时，才生成由缩略图序列、波形和词标签组成的 timeline_view 合成图。这样 token 消耗可控，同时没有完全放弃视觉信息，也解释了为什么切点主要依据语音边界。

流水线依次是：转写、打包、推理、生成剪辑决策表、渲染、自检。自检会在每个切点检查渲染结果，最多修复并重渲染三次后才给你预览。项目为 Agent 设定了 12 条硬性制作规则（例如每个切点加 30ms 音频淡入淡出），审美部分交给你。代价是依赖云端转写服务和 Agent 的判断：文本视图让它擅长对话驱动的内容，对快速动作和复杂视觉的把握很有限，所以宣传中的“任何内容”对快节奏蒙太奇要打折扣。

谁值得试

适合：播客、教程或创始人发布视频这类以说话为主的素材，且本机已经装好能执行 shell 的 Agent，希望通过描述来反复调整。切前确认和 project.md 会话记忆适合同批素材跨多天编辑。不适合：需要逐帧精确合成的剪辑者，或不愿使用付费转写 API 的人——没有转写，视觉合成图无法承担主要输入，工作流也就失去核心。

使用条件与边界

需要 ffmpeg、通过 uv 或 pip 安装的 Python 依赖，以及 ElevenLabs API key；安装流程会要求粘贴一次 key。走技能路线需要能执行 shell 的 Agent，但手动步骤也记录了另一条路：克隆仓库、把项目符号链接到 Agent 的技能目录、装依赖、填入 key。yt-dlp 是可选的，用于下载网络素材。

日常维护包括保持 Agent 中的技能注册有效、管理转写 API 用量，以及认真查看自检报告而不是直接相信。自检只检查切点处的跳帧、爆音和字幕遮挡，并不保证剪辑符合你的创作意图。输出放在素材旁的 edit/ 目录，存储和整理仍需自己负责。

HotRepo 点评

HotRepo 在 2026-10-25 记录到 29,770 星、当日新增 120，仅此一次上榜，之前没有可比较的记录。现有榜单样本不足以判断热度能否持续；按该快照，仓库大约六个月大。投入时间前，先读 SKILL.md 里的制作规则，并确认转写依赖符合你的素材和预算。