以前想让 Claude 看视频，基本只能靠猜。要么从标题推断，要么拉个字幕文本丢给它，但字幕经常少 90% 的屏幕内容。即使把视频链接给 Claude，它也会说"我不能看视频"。
GitHub 上刚开源的 claude-video（4200+ Star）解决了这个问题——它让 Claude 能真正"看完"视频后再回答你的问题。
它的工作原理其实不复杂：给一个 B 站链接或本地视频文件，它会自动下载、提取帧、转录字幕，把所有内容交给 Claude。从技术上讲，Claude 并没有获得"视频理解能力"，只是把视频分成了它可以理解的图像和文字。
实际运行效果
比如一个 5 分钟的 B 站视频，只需要说一句 /watch https://www.bilibili.com/video/xxx 总结一下，它就自动开始处理。
先用 yt-dlp 查看是否有原生字幕，有就直接提取出来——大多数公开视频都配有字幕，这一步基本免费且很快。
然后 ffmpeg 根据视频时长自动控制帧数，5 分钟的视频大约提取 30 帧，涵盖从头到尾的重要画面。这些是 512 像素宽的 JPEG 图片，Claude 可以直接"看懂"。
接着把音频转成文字，字幕和帧都带有时间戳（如 t=1:42）。Claude 不仅能看到画面、听见声音，还能像人一样把视频"看完"。
最后你提问它回答。问"30 秒讲的是什么"，它会看第 30 秒的帧和字幕直接回答，不需要你打开视频去找。
核心特性
1. 多平台视频抓取
支持 YouTube、TikTok、X、Instagram 和本地文件。底层用 yt-dlp，可识别几百个视频源。
2. 自适应帧提取
根据视频时长动态采样：30 秒以内约 30 帧，1～3 分钟约 60 帧，3～10 分钟约 80 帧，超过 10 分钟控制在约 100 帧以内，不会把 context window 撑爆。
3. 双重转录方式
优先使用视频原字幕，免费、快速、相对准确。没有字幕时才调用 Whisper API。
4. 智能去重
自动检测并删除静止画面、重复帧，防止浪费 token。
5. 时间段精准定位
使用 --start 和 --end 参数指定时间段，在范围内密集提取帧，适合分析 Bug 录屏、病毒视频开头、竞品广告创意等。
安装方式
Claude Code 用户：
/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video其他平台（Codex、Cursor、Copilot、Gemini CLI 等）：
npx skills add bradautomates/claude-video -g首次运行会自动检查依赖，macOS 自动安装 ffmpeg 和 yt-dlp，Linux/Windows 会打印具体安装命令。
边界与限制
- 不支持私有视频：只处理公开 URL 和本地文件
- 长视频精度受限：超过 10 分钟的视频帧率稀疏，可用 --start/--end 指定时间段
- 依赖外部工具：需要 ffmpeg 和 yt-dlp
- 字幕质量依赖原视频：自动字幕质量差时理解会受影响
总结
这个工具的价值不在于技术有多高深，而是它让 Claude 的能力边界从文本和图片扩展到了视频。把现有能力组合出新玩法，这种方式值得学习。
