现在，剪视频这件事，对很多人来说还是挺劝退的。一堆原始素材摆在那，要去找切点、去废话、调色、加字幕、做动画，哪怕你只想剪一支简单的口播，也得跟一堆时间轴和菜单较劲。

今天继续给大家分享一个用 AI 剪视频的工具，叫做 video-use ，由browser-use 开源的项目。 video-use 想做的，就是把剪视频这个流程变简单。

video-use 的用法特别朴素。你把一堆原始素材丢进一个文件夹，然后跟你的 AI 编程助手聊几句，它就可以帮你剪出一支成片出来。

talking head 也好，混剪也好，教程也好，旅行 vlog 也好，访谈也好，它都接，而且没有预设模板，也没有一堆菜单要你点。

它能在 Claude Code、Codex、Hermes、Openclaw，反正任何有 shell 权限的 Agent 里跑。

那它是怎么做到的，核心思路其实挺巧。

平常你要让 AI 处理视频，最直觉的办法是把画面一帧帧抽出来丢给模型。模型看到的是海量的、几乎没用的像素。

video-use 不这么干。它的路子，是把 browser-use 那套给大模型一个结构化界面而不是一张截图的做法，搬到了视频上。说人话就是：

模型不靠逐帧盯原始画面，而是去读视频

它做了两层处理。第一层是音频转写。

它用 ElevenLabs 的 Scribe 接口，对每个素材做一次转写，拿到逐字的、带时间戳的文本，还有说话人区分，以及笑声、掌声、叹气这类声音事件。所有素材被打包进一个大概十二 KB 的 takes_packed.md 文件，这就是模型主要阅读的东西。

第二层是按需调用的画面。

它有个叫 timeline_view 的工具，能在任意时间段生成一张胶片条加波形加文字标签的合成图。只有拿不准的时候才去调这张图看一眼。

把它那些能力拆开看，对应的其实都是剪片时最烦的几件事。

第一个，去废话。它能把嗯、啊、说错重来的那些，还有两段之间的沉寂，自动剪掉。你口播里那些自己听了都尴尬的停顿和口头禅，它能帮你清了。

第二个，自动调色。每一段它都能自动调，有暖调电影感、中性增强两种现成的，你也可以直接丢给它一段自定义的 ffmpeg 滤镜链。不用你自己去研究达芬奇。

第三个，听不到爆音。它在每一个剪切点都做三十毫秒的音频淡入淡出，那种一切就啪一下的突兀感，没了。第四个，字幕不用愁。它把字幕直接压进画面里，不用你再单独挂字幕文件。默认是短视频那种快节奏风格：屏幕上一次只冒两三个词，大写白字带描边，亮背景上也看得清。

第五个，动画特效。它可以用 HyperFrames、Remotion、Manim 或者 PIL 来生成叠加动画，而且一个动画开一个并行子 Agent 去做，多个动画同时跑，总耗时约等于最慢那个。你不用再自己一个个手搓。

第六个，最让人舒服的，它会自己验收。成片渲染完，它在每个剪切点附近再跑一遍 timeline_view，专门找画面跳变、音频爆音、字幕被遮挡这些问题。只有验收过了才拿给你看，发现问题就改了重渲染。

第七个，它还记得住。每次会话的决策写进 project.md，下周你再开会话，它能接着上次的地方往下干。

把这几条合起来看，它解决的根本问题其实就一个，让一个不懂剪辑、或者没空抠细节的人，能靠聊天拿到一支没有硬伤的成片。

怎么部署和使用，这块挺省事，分两种玩法。

懒人版

懒人版，你直接把一段安装提示词贴进 Claude Code、Codex、Hermes 或者 Openclaw。这段提示词会让 Agent 自己去把仓库克隆下来，装好依赖，把 skill 注册好，然后在需要 ElevenLabs 的 API key 时提示你贴一下。

然后你把 Agent 指到你放素材的文件夹，在会话里说一句，把这些剪成一支发布视频吧。它会先盘点你有哪些素材，提出剪辑方案，等你确认，确认完才动手，最后在素材旁边生成 edit 目录，成片就在里面的 final.mp4。所有产物都在你那个文件夹的 edit 目录下，不会弄脏项目本身。

爱动手版

爱动手版，手动安装也不复杂。克隆仓库，软链到 Agent 的 skills 目录，uv sync 装依赖，装好ffmpeg（macOS 用 brew，Linux 用 apt 或 pacman），再把 ElevenLabs 的 key 写进 .env 就齐了。要下网上的素材，再可选装个 yt-dlp。

剪视频这件事，门槛一直卡在工具和时间轴上。如果有个东西能让你只管聊、它来扛那些枯燥的活，对很多内容创作者来说，应该是个挺实在的解放。

如果你的工作里也经常要跟一堆原始素材打交道，这个东西值得你点开看一眼。