Video-use 使用教程：从脚本到成片的完整 AI 视频工作流

2026 年 AI 视频有两条截然不同的路线：一条用 Sora、Veo 从文字生成画面；另一条用 Agent 把已有素材剪成成片。后者对口播、教程、访谈、产品发布片更实用——素材是你拍的，AI 负责去废话、对齐节奏、烧字幕、调色和导出。

Video-use 正是走第二条路：browser-use 团队开源的 Agent 视频剪辑技能包。把原始 take 丢进文件夹，跟 Claude Code 说一句「剪成发布片」，等它产出 edit/final.mp4。全程无时间线 GUI，剪辑逻辑写在 helpers/ 脚本和 SKILL.md 规则里。

这篇从原理 → 安装 → 实操 → Cloud Mac 部署 → 成本风险，带你跑通从脚本到成片的完整工作流。

一、问题背景：为什么需要 Agent 剪辑

独立开发者和内容团队最常见的痛点不是「不会拍」，而是粗剪耗时：删「嗯啊」、合并多条 take、对齐字幕、统一色调、检查切点有没有爆音。Premiere 熟练工也要 1–2 小时处理 10 分钟口播。

传统自动化（宏、脚本）的问题是：规则写死，换内容类型就失效。Video-use 把「剪辑决策」交给 LLM，但用结构化文本 + 按需视觉约束它，避免让模型瞎猜画面。设计原则和 browser-use 给 Agent 结构化 DOM 而非截图一脉相承。

二、核心概念：两层阅读面与管线

Video-use 的核心理念：LLM 从不「看视频」，而是「读」视频。 通过两层信息完成词边界精度的剪辑。

Layer 1 — 音频转写（始终加载）

每个源文件调用一次 ElevenLabs Scribe，得到：

• 词级时间戳：精确到每个单词的起止
• 说话人分离：多嘉宾访谈可区分 S0、S1
• 音频事件：(laughter)、(applause)、(sigh) 等标记

所有 take 打包进单个约 12KB 的 takes_packed.md——这是 Agent 的主阅读视图，格式类似：

## C0103  (duration: 43.0s, 8 phrases)
  [002.52-005.36] S0 Ninety percent of what a web agent does is completely wasted.
  [006.08-006.74] S0 We fixed this.

对比朴素方案「30,000 帧 × 1,500 token = 4500 万 token 噪声」，文本面成本几乎可以忽略。

Layer 2 — 视觉复合（按需调用）

当切点有歧义——停顿该不该留、两条 take 选哪条、字幕是否被裁切——Agent 调用 timeline_view，生成胶片条 + 波形 + 词标签的 PNG 合成图。只在决策点调用，不做全片逐帧分析。

五步管线

Transcribe ──> Pack ──> LLM Reasons ──> EDL ──> Render ──> Self-Eval
                                                              │
                                                              └─ issue? fix + re-render (max 3)

流程遵循 Ask → Confirm → Execute → Self-Eval → Persist：先提案策略等人确认，再执行；渲染后在每个切点边界自评，有问题自动修复重渲（最多 3 轮）。

三、安装与环境准备

Video-use 支持 Claude Code、Codex、Hermes、OpenClaw 等任何能跑 Shell 的 Agent。下面以 macOS + Claude Code 为例。

方式 A：一键 Setup Prompt（推荐）

把以下内容粘贴进 Agent 会话，它会读 install.md 完成克隆、依赖、技能注册，并向你索要 ElevenLabs API Key：

Set up https://github.com/browser-use/video-use for me.

Read install.md first to install this repo, wire up ffmpeg, register the skill with whichever agent you're running under, and set up the ElevenLabs API key — ask me to paste it when you need it. Then read SKILL.md for daily usage, and always read helpers/ because that's where the editing scripts live. After install, don't transcribe anything on your own — just tell me it's ready and wait for me to drop footage into a folder.

方式 B：手动安装

# 1. 克隆并软链到 Agent skills 目录
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use        # Claude Code
# ln -sfn ~/Developer/video-use ~/.codex/skills/video-use     # Codex

# 2. 安装依赖
cd ~/Developer/video-use
uv sync                         # 或: pip install -e .
brew install ffmpeg             # 必需
brew install yt-dlp             # 可选，下载在线素材

# 3. 配置 ElevenLabs API Key
cp .env.example .env
# 编辑 .env：ELEVENLABS_API_KEY=sk_...

四、实操：从素材到 final.mp4

4.1 清点素材与策略确认

把原始 take（.mp4、.mov 等）放进同一目录，例如 ~/Videos/launch-takes/。进入该目录启动 Agent：

cd ~/Videos/launch-takes
claude    # 或 codex、openclaw 等

在会话中说：

把这些素材剪成产品发布片，去掉废话和停顿，加 2 词一组的大写字幕，暖色电影感调色。

Agent 会：

1. 清点源文件数量、总时长、说话人
2. 提出剪辑策略（删 filler、take 选择逻辑、字幕样式、调色预设）
3. 等待你确认后再执行——这是硬性规则之一

4.2 转写与 takes_packed

确认策略后，Agent 对每个源文件调用 Scribe，生成词级转写并打包为 takes_packed.md。此时它已能「读」完整口播内容，开始规划 EDL（Edit Decision List）。

你可以中途介入，例如：

• 「C0103 的 18–22 秒那段保留，是重点 demo」
• 「S1 嘉宾只保留问答部分，开场寒暄全删」
• 「 laughter 标记处留 0.5 秒再切」

4.3 EDL 与 FFmpeg 渲染

Agent 根据文字稿生成 EDL，调用 helpers/ 里的脚本驱动 FFmpeg：

• 切 filler：umm、uh、假起音、take 间死区
• 30ms 音频淡入淡出：每个切点避免爆音
• 自动调色：warm cinematic、neutral punch 或自定义 ffmpeg 链
• 烧录字幕：默认 2 词一组 UPPERCASE，可完全自定义样式

所有输出落在 <videos_dir>/edit/，技能目录本身保持干净。最终文件通常是 edit/final.mp4。

4.4 自评循环

渲染完成后，Agent 对每个切点边界运行 timeline_view 检查成片，捕捉：

• 画面跳变（头部位置突变、背景闪烁）
• 音频 pop 或淡入不足
• 字幕被裁切或重叠

发现问题会自动调整 EDL 重渲，最多 3 轮。你看到的预览已通过自评——这是和传统「导出才发现切坏了」最大的体验差异。

五、进阶能力一览

动画叠加是 2026 版新增亮点：每个动画由独立子 Agent 并行生成（HyperFrames、Remotion、Manim 或 PIL），主 Agent 只负责编排时间线和合成，适合教程里插入示意图、数据卡、品牌片头。

六、与 Cloud Mac / Apple Silicon 的关联场景

Video-use 本质是「Python + FFmpeg + Agent Shell」——天然适合 macOS 云节点，尤其适合以下几类团队：

场景 1：远程素材批处理

拍摄团队在本地拍完，素材上传云盘；Claude Code SSH 登录 Cloud Mac，在节点上跑完整管线。M4 芯片 FFmpeg 硬件加速，10 分钟 4K 口播渲染通常几分钟内完成。你本地笔记本只收 final.mp4 通知。

场景 2：与 iOS 开发流水线并联

很多独立开发者同一台 Mac 既跑 Xcode 又剪发布片。把 Video-use 放到独立 Cloud Mac 节点，避免 FFmpeg 占满 CPU 导致模拟器卡顿。Agent 可同时服务「编译 TestFlight」和「剪 App 演示视频」两条任务队列。

场景 3：Always-on 剪辑 Bot

配合 Browser Use Box 或自建 VPS + OpenClaw，Telegram 丢素材链接 → 节点自动转写剪辑 → 回传成片。适合周更口播、课程切片等固定产能场景。

七、成本、性能与风险

成本估算（10 分钟单人口播，3 条 take）

性能要点

• 转写：网络 I/O 为主，与源文件码率关系不大
• 渲染：4K 多轨 + 调色链时 M4 优势明显；1080p 口播单轨很快
• 动画叠加：Remotion / Manim 子 Agent 并行，是最耗时的可选环节

风险与局限

• 不是魔法：多机位复杂叙事、精细节奏蒙太奇仍需人工终审
• Scribe 质量：重口音、强背景音乐会影响词边界，需人工标注纠错
• API 依赖：ElevenLabs outage 时无法转写；可提前缓存 takes_packed.md
• 审美主观：12 条硬规则保证技术正确，调色和节奏「好不好看」仍要人拍板

FAQ

Video-use 是什么？和传统剪辑软件有什么区别？

开源 Agent 视频剪辑技能包：素材进文件夹，对话描述需求，Agent 读转写文本 + 按需视觉，FFmpeg 出片。与传统 NLE 的手动时间线不同，决策由 LLM 按规则完成，人确认策略即可。

需要哪些依赖？

Python、FFmpeg、ElevenLabs API Key、能跑 Shell 的 Agent（Claude Code / Codex / OpenClaw 等）。动画叠加可选 Remotion、Manim、HyperFrames。

为什么 LLM 不直接「看视频」？

逐帧成本极高。Video-use 用 ~12KB 文字稿作主视图，仅在歧义切点生成 timeline PNG——和 browser-use 用 DOM 代替截图同一思路。

适合在 Cloud Mac 上跑吗？

非常适合。转写、渲染都是算力任务；SSH 远程 Agent 可无人值守批处理，与 Xcode 构建争抢本地 CPU 的问题一并解决。

一次剪辑大概多少费用？

10 分钟口播约 $2–5（转写 + Agent token）+ 云节点时长。适合周更、教程切片等重复性场景。

总结

Video-use 把 AI 视频从「生成奇幻画面」拉回「高效剪现实素材」：词级转写驱动剪辑、按需视觉辅助决策、FFmpeg 保证输出质量、自评循环减少返工。对 iOS 开发者、独立创作者和小团队，它是一条可复现、可扩展、可上云的 Agent 工作流。

上手三步记牢：

1. 装技能 + FFmpeg + ElevenLabs Key
2. 素材进文件夹，先确认策略再执行
3. 重活放 Cloud Mac，本地只收 final.mp4

Agent 工具选型可参考 2026 AI 编程工具排名；OpenClaw 远程编排见 OpenClaw 远程 Mac 安装指南。

相关阅读

• 2026 最好的 AI 编程工具排名：Claude、Cursor、GitHub Copilot、Codex、Gemini
• OpenClaw 远程 Mac 安装与 SSH/VNC 排障 FAQ
• 个人 AI Agent 架构三要素
• 远程 Mac 开发必备开源终端工具

功能与定价以 video-use 官方仓库 与 ElevenLabs 官网为准。最后更新：2026 年 8 月 5 日。