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：

1. 先对每个片段单独提取 + 调色（不压缩，仅处理）
2. 用 ffmpeg -c copy 无损拼接成 base.mp4
3. 若有 overlay/字幕，在单一 filtergraph 中叠加（字幕必须放在滤镜链最末端）
4. 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：

1. 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
2. 生产流程可编程化：剪辑策略可以版本化、复用、自动化调度
3. 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