在过去一段时间里，Claude 在文本理解、代码分析、资料总结方面表现非常突出，但视频一直是它能力体系中的一个缺口。用户可以让 Claude 阅读网页、分析代码仓库、执行脚本，却无法直接理解一个视频文件里的画面变化、字幕信息以及具体发生的场景。
Anthropic 官方 Claude 本身具备强大的多模态能力，但对于视频输入，很多场景仍然需要额外处理。
软件格律诗 介绍一个 来自 GitHub 开源社区的 claude-video 通过 /watch 技能，将视频下载、关键帧提取、语音转文字以及图像理解流程串联起来，让 Claude 能够像人一样“观看”视频，然后基于真实画面和声音进行分析。
Claude Video 是什么？
Claude Video 是一个开源项目，目标非常明确：Give Claude the ability to watch any video（让 Claude 具备观看任何视频的能力）。
作为一个连接视频内容与 Claude AI 的工作流插件，通过 /watch 命令接收视频链接、本地视频文件以及用户问题，然后自动完成：
- 使用
yt-dlp下载在线视频资源； - 使用
ffmpeg提取视频关键帧； - 获取视频字幕或调用 Whisper 进行语音转录；
- 将视频画面帧和带时间戳的文本交给 Claude；
- Claude 根据真实看到的画面和听到的声音进行回答。
相比单纯读取标题或者字幕摘要，Claude Video 让模型真正获得了视频视觉上下文。
Claude Video 的核心功能特点
支持多来源视频输入
Claude Video 支持 URL 视频以及本地视频文件。
在线资源方面，只要 yt-dlp 支持的视频来源，理论上都可以处理，包括：
- YouTube；
- Loom；
- TikTok；
- X；
- Instagram；
- Vimeo 等平台。
同时也支持本地视频：
.mp4.mov.mkv.webm
用户可以直接输入：
/watch https://youtu.be/example 总结这个视频内容也可以分析本地录屏：
/watch ~/Movies/demo.mp4 找出程序出现问题的位置自动提取视频关键帧
视频理解最大的成本来自图像处理，如果每秒发送大量截图，不仅效率低，也会快速消耗 Claude 上下文容量。
Claude Video 采用自动化帧采样策略，根据视频长度调整提取数量：
| 视频长度 | 默认帧数量 |
|---|---|
| ≤30秒 | 约30帧 |
| 30秒-1分钟 | 约40帧 |
| 1-3分钟 | 约60帧 |
| 3-10分钟 | 约80帧 |
| 超过10分钟 | 最多100帧 |
同时限制最高 2 fps，避免长视频产生过高 Token 消耗。
如果用户只关注某个片段，还可以指定时间范围：
/watch video.mp4 --start 50 --end 60这样 Claude 可以更加集中地分析目标区域。
自动生成带时间戳的视频文字内容
Claude Video 会优先尝试获取视频原生字幕，包括人工字幕和自动生成字幕。
如果视频没有字幕，则会调用 Whisper 进行语音识别，目前支持：
- Groq
whisper-large-v3 - OpenAI
whisper-1
其中 Groq Whisper 是项目推荐方案，具有成本较低、速度较快的特点。
对于公开视频，大部分情况下无需额外配置 API，只需要本地安装基础依赖即可运行。
视觉 + 语音联合理解
Claude Video 最大的价值在于，它不会只依赖视频标题或者文字稿。
例如分析一个教程视频时：
传统方式：
“根据字幕总结内容。”
Claude Video：
“查看视频画面，知道作者展示了什么界面，同时结合语音说明理解完整流程。”
这对于以下场景尤其有价值：
- 软件教程分析；
- 产品发布会研究；
- 视频课程整理；
- 竞品内容分析；
- UI 问题定位；
- 视频创作者内容拆解。
Claude Video 使用教程
方法一：安装 Claude Code 插件
首先安装插件：
/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video安装完成后，可以直接使用：
/watch 视频地址 你的问题例如：
/watch https://youtu.be/demo 分析这个视频前三分钟讲了什么方法二：在 claude.ai 中使用
如果使用网页版 Claude：
- 下载项目中的
watch.skill - 打开 Claude 设置页面；
- 进入 Settings → Capabilities → Skills；
- 上传 skill 文件。
同时需要开启：
- Code execution；
- File creation。
因为 Claude Video 需要调用 ffmpeg 和 yt-dlp 完成视频处理。
方法三：用于 Codex 或其他兼容环境
执行：
git clone https://github.com/bradautomates/claude-video.git ~/.codex/skills/watch即可加载技能。
实际使用体验
我认为 Claude Video 解决了 AI 使用中的一个实际痛点：很多时候我们并不缺总结能力，而是不想花几十分钟观看大量视频内容。
例如看到一个热门 YouTube 教程，以往需要完整观看，再自己整理重点。使用 Claude Video 后，可以直接丢给 Claude：
“这个视频核心观点是什么？”
“作者展示的软件流程有哪些？”
“前三分钟为什么吸引用户？”
Claude 会结合画面和字幕进行回答。
对于科技内容创作者来说，这个工具尤其适合做选题研究。我平时关注大量 AI 工具、开发项目和产品发布视频，不可能全部观看，通过 Claude Video 可以快速筛选值得深入研究的内容。
不过它也有一定限制。超过 10 分钟的视频虽然可以处理，但项目本身建议针对重点区域分析，因为长视频会受到 Token 消耗和帧数量限制影响。如果只是普通播客或者访谈类视频，字幕分析已经足够；如果涉及 UI 操作、产品演示、视觉变化，那么开启完整视频分析效果更明显。
总结
Claude Video 是一个非常符合 AI Agent 时代需求的小工具，它通过工程方式补齐 Claude 在视频理解流程上的短板。
对于普通用户，它可以快速总结长视频；对于开发者，它可以分析演示录像和 Bug 复现过程；对于内容创作者，它可以帮助研究热门视频结构。
随着 AI 从“阅读文字”逐渐走向“理解现实世界”，类似 Claude Video 这样的工具会越来越重要。它让 AI 不再只是回答文本问题，而是真正开始理解我们每天接触的大量视频信息。
官方网站
https://github.com/bradautomates/claude-video
