video-use：用 AI 编程智能体颠覆视频剪辑工作流

想象一个场景：拍摄完一小时的访谈素材，回到家后不是对着时间轴发呆，而是对 AI 说一句「把这些剪成一个 launch video」，然后去冲杯咖啡，回来时 final.mp4 已经安静地躺在文件夹里。video-use 正是这样一款工具——它将 AI 编程智能体（Claude Code、Codex 等）变成你的私人视频剪辑师。

背景：从「浏览器控制」到「视频创作」的延伸

browser-use 是开源 AI 浏览器自动化领域的明星项目，让大语言模型能够像人类一样操控网页界面。video-use 则将这一理念延伸到视频创作领域——通过给 AI 智能体「看」原素材、「听」音频脚本的能力，让 AI 在无需任何 GUI 的情况下完成完整的视频剪辑流程。

这个项目由 browser-use 团队在 2026 年 4 月发布，仅用不到 3 个月就积累了超过 13,000 颗 GitHub Stars，增长曲线极为陡峭，充分说明了市场对「自然语言驱动视频编辑」这一理念的强烈需求。MIT 许可证，完全开源。

核心能力：一条指令，全流程自动化

video-use 的设计哲学是**「对话即剪辑」**——用户无需学习任何软件操作，只需用自然语言描述需求，AI 智能体便会自动完成以下全部流程：

1. 智能转录与断句分析

素材导入后，AI 首先调用 ElevenLabs Scribe API 对音频进行逐词转录，并自动识别：

语气词（「嗯」「呃」「这个」等）和不流利片段（重复、错误重启）
静音间隙（两段对话之间的空白）
多说话人切换（支持双人多角色场景）
音频事件（笑声、掌声、背景音乐标记）

这为后续剪辑提供了精确到毫秒级的音频语义数据，而不是让 AI 去「猜」哪里该剪。

2. AI 剪辑策略生成

基于转录结果，AI 推断内容类型（访谈、脱口秀、教程、旅行 vlog 等），生成剪辑策略并主动向用户确认后才执行。这种「AI 提方案、人类把关」的机制在生产级内容中尤为关键——既保留了 AI 的效率优势，又避免了完全自动化可能带来的内容误判风险。

3. 专业级后期处理

剪辑确定后，AI 自动执行多项专业后期操作：

自动调色：通过 ffmpeg 滤镜链实现亮度/对比度/饱和度的自适应修正，也可选择预设风格（暖色电影感、中性增强等）
音频淡入淡出：在每个剪辑点前后 30ms 加入淡入淡出，彻底消除剪辑切换时的「咔哒」声
字幕烧录：自动生成 SRT 字幕文件，格式支持 2 词大写 chunks，默认 Helvetica 18pt Bold，并针对 TikTok/短视频平台的 UI 安全区域做了定位优化
动画叠加层：可调用 HyperFrames、Remotion、Manim 或 PIL 生成动画 overlay（如标题动画、转场特效），并行生成后与主视频合成

4. AI 自我评估

每个剪辑边界渲染后，AI 会自我审查输出质量，确认无误后才呈现给用户，避免用户在未完成阶段看到半成品。

5. 会话记忆持久化

剪辑会话状态保存在 project.md 中，下次继续时 AI 可以无缝衔接，不必重新描述项目背景。

技术架构：简洁高效，AI-first

video-use 本质上不是一个独立的 Web 应用，而是一套面向 AI 智能体的 Skill 系统。项目结构极为精简：

video-use/
├── SKILL.md          # AI 剪辑流程指南（含 Hard Rules）
├── install.md         # 自动化安装脚本
├── helpers/
│   ├── transcribe.py  # ElevenLabs Scribe API 封装
│   ├── render.py      # 核心渲染引擎（EDL 驱动）
│   ├── grade.py       # 色彩分级（预设 + 自适应）
│   ├── timeline_view.py
│   └── pack_transcripts.py
├── skills/manim-video/  # Manim 动画集成
└── static/           # Banner 等静态资源

依赖栈极为克制：requests、librosa、matplotlib、pillow、numpy — 全是 Python 生态中成熟稳定的工具库，无任何重型 ML 框架。Python 版本要求 ≥3.10。

FFmpeg 是唯一的硬依赖（必需）和 ElevenLabs API Key（转录必需）。这两个依赖项在 install.md 中都有详细的平台安装指南（macOS/Debian/Arch），安装过程基本是全自动的。

渲染管线设计值得特别关注。render.py 实现了正确的多阶段渲染流程：

先对每个片段单独提取 + 调色（不压缩，仅处理）
用 ffmpeg -c copy 无损拼接成 base.mp4
若有 overlay/字幕，在单一 filtergraph 中叠加（字幕必须放在滤镜链最末端）
关键要点：不能在单次 filtergraph 中做所有操作（否则会二次编码），也不能先 concat 再调色（会导致质量损失叠加）

这是专业视频工程的标准做法，代码中对每个坑都有注释说明（Hard Rules）。

上手体验：门槛低到令人意外

video-use 的安装和日常使用都极其简单。开发者将其定位为「粘贴给 AI 的安装提示」就能启动的工具：

Set up https://github.com/browser-use/video-use for me.
[AI 自动完成：克隆仓库 → 安装依赖 → 配置 ffmpeg → 注册 Skill → 提示用户输入 ElevenLabs Key]

之后只需把素材丢进文件夹，对 AI 说「edit these into a launch video」即可。

适用场景：

个人创作者的快速剪辑（播客、教程、脱口秀）
团队内部视频制作（产品 demo、团队汇报）
自动化批量处理（多个素材文件夹并行剪辑）

局限性：

无 GUI，纯命令行，对非技术用户有一定门槛
需要 ElevenLabs API Key（费用按分钟计，非免费）
暂无原生 GPU 加速，对于超长素材（如纪录片级别）处理速度可能较慢
无版本控制，多人协作场景需要额外机制

行业意义：视频创作的新范式

video-use 代表了一种新兴的 AI 应用模式——将 AI 智能体作为生产工具的核心控制层，而不是简单地在现有软件上叠加 AI 功能。这一模式的核心价值在于：

彻底消除操作学习成本：用户不需要学任何剪辑软件，只要会说话
生产流程可编程化：剪辑策略可以版本化、复用、自动化调度
多模态 AI 的真实落地：不是 PPT 上的 demo，而是每天真的在工作流中使用的工具

随着 AI 视频生成（Runway Gen-3、Pika、Sora）的成熟，AI 剪辑 + AI 生成的组合将成为内容创作的新标配。video-use 作为这个链路中「后期剪辑」环节的开源方案，填补了一个真实的市场空白。

项目链接：https://github.com/browser-use/video-use

video-use：用 AI 编程智能体颠覆视频剪辑工作流

背景：从「浏览器控制」到「视频创作」的延伸

核心能力：一条指令，全流程自动化

video-use 的设计哲学是**「对话即剪辑」**——用户无需学习任何软件操作，只需用自然语言描述需求，AI 智能体便会自动完成以下全部流程：

1. 智能转录与断句分析

素材导入后，AI 首先调用 ElevenLabs Scribe API 对音频进行逐词转录，并自动识别：

语气词（「嗯」「呃」「这个」等）和不流利片段（重复、错误重启）
静音间隙（两段对话之间的空白）
多说话人切换（支持双人多角色场景）
音频事件（笑声、掌声、背景音乐标记）

这为后续剪辑提供了精确到毫秒级的音频语义数据，而不是让 AI 去「猜」哪里该剪。

2. AI 剪辑策略生成

3. 专业级后期处理

剪辑确定后，AI 自动执行多项专业后期操作：

自动调色：通过 ffmpeg 滤镜链实现亮度/对比度/饱和度的自适应修正，也可选择预设风格（暖色电影感、中性增强等）
音频淡入淡出：在每个剪辑点前后 30ms 加入淡入淡出，彻底消除剪辑切换时的「咔哒」声
字幕烧录：自动生成 SRT 字幕文件，格式支持 2 词大写 chunks，默认 Helvetica 18pt Bold，并针对 TikTok/短视频平台的 UI 安全区域做了定位优化
动画叠加层：可调用 HyperFrames、Remotion、Manim 或 PIL 生成动画 overlay（如标题动画、转场特效），并行生成后与主视频合成

4. AI 自我评估

每个剪辑边界渲染后，AI 会自我审查输出质量，确认无误后才呈现给用户，避免用户在未完成阶段看到半成品。

5. 会话记忆持久化

剪辑会话状态保存在 project.md 中，下次继续时 AI 可以无缝衔接，不必重新描述项目背景。

技术架构：简洁高效，AI-first

video-use 本质上不是一个独立的 Web 应用，而是一套面向 AI 智能体的 Skill 系统。项目结构极为精简：

video-use/
├── SKILL.md          # AI 剪辑流程指南（含 Hard Rules）
├── install.md         # 自动化安装脚本
├── helpers/
│   ├── transcribe.py  # ElevenLabs Scribe API 封装
│   ├── render.py      # 核心渲染引擎（EDL 驱动）
│   ├── grade.py       # 色彩分级（预设 + 自适应）
│   ├── timeline_view.py
│   └── pack_transcripts.py
├── skills/manim-video/  # Manim 动画集成
└── static/           # Banner 等静态资源

依赖栈极为克制：requests、librosa、matplotlib、pillow、numpy — 全是 Python 生态中成熟稳定的工具库，无任何重型 ML 框架。Python 版本要求 ≥3.10。

渲染管线设计值得特别关注。render.py 实现了正确的多阶段渲染流程：

先对每个片段单独提取 + 调色（不压缩，仅处理）
用 ffmpeg -c copy 无损拼接成 base.mp4
若有 overlay/字幕，在单一 filtergraph 中叠加（字幕必须放在滤镜链最末端）
关键要点：不能在单次 filtergraph 中做所有操作（否则会二次编码），也不能先 concat 再调色（会导致质量损失叠加）

这是专业视频工程的标准做法，代码中对每个坑都有注释说明（Hard Rules）。

上手体验：门槛低到令人意外

video-use 的安装和日常使用都极其简单。开发者将其定位为「粘贴给 AI 的安装提示」就能启动的工具：

Set up https://github.com/browser-use/video-use for me.
[AI 自动完成：克隆仓库 → 安装依赖 → 配置 ffmpeg → 注册 Skill → 提示用户输入 ElevenLabs Key]

之后只需把素材丢进文件夹，对 AI 说「edit these into a launch video」即可。

适用场景：

个人创作者的快速剪辑（播客、教程、脱口秀）
团队内部视频制作（产品 demo、团队汇报）
自动化批量处理（多个素材文件夹并行剪辑）

局限性：

无 GUI，纯命令行，对非技术用户有一定门槛
需要 ElevenLabs API Key（费用按分钟计，非免费）
暂无原生 GPU 加速，对于超长素材（如纪录片级别）处理速度可能较慢
无版本控制，多人协作场景需要额外机制

行业意义：视频创作的新范式

彻底消除操作学习成本：用户不需要学任何剪辑软件，只要会说话
生产流程可编程化：剪辑策略可以版本化、复用、自动化调度
多模态 AI 的真实落地：不是 PPT 上的 demo，而是每天真的在工作流中使用的工具

项目链接：https://github.com/browser-use/video-use