Claude Code 视频剪辑怎么做：它读转写稿不看画面，口播最合适

Claude Code 可以剪视频，但方式和"把 mp4 丢给它看"不一样。Claude 不接收视频和音频文件，它读的是素材的转写文字稿（每个词带开始和结束时间），需要时再看几张抽出来的截图，然后写出"保留哪几段"的剪辑表，由 ffmpeg 去切、拼、加字幕。所以它擅长以说话为主的素材：单人口播、录屏教程、访谈、播客。去停顿、删掉说错重来的那一遍、加字幕、出 9:16 竖版都能做；多机位切换、以调色为主的片子、要看画面挑镜头的 Vlog，它没有依据可判断。

路线按素材和预算选：

• 不想多付任何转写费、能接受命令行：本地 Whisper 转写 + ffmpeg 脚本，由 Claude Code 写剪辑表并执行。
• 想要一条龙（去口误、调色、字幕、动画），能接受付费转写：video-use 这个 Claude Code skill，需要 ElevenLabs key。
• 素材里没有重录，只想去掉空白：auto-editor 一条命令。
• 最后要在 Premiere、达芬奇或 Final Cut 里精剪：让工具导出时间线，Claude 只负责粗剪。

这里的"剪"指处理已经拍好的素材。想让 Claude 用代码生成新的动画视频，看 Claude Opus 5.5 能生成视频吗：它写代码做视频，画面靠渲染；claude.ai 里的 Motion 动画是另一项功能，见 Claude Dashboards 和 Motion 怎么用：Pro 能做看板，动画要 Team 起。

Claude 为什么读不了 mp4：只认图片和文字，剪辑靠转写稿

Anthropic 的视觉（Vision）文档列出的输入格式是 JPEG、PNG、GIF 和 WebP，GIF 动图也只取第一帧；Claude Code 工具参考里 Read 工具能返回的是图片、PDF 和 Jupyter notebook。两份文档都没有视频或音频这一项。由此可以推断：Claude 本身不会打开 mp4，也听不到声音，想让它"看"素材，只能先用 ffmpeg 抽帧、用语音识别出文字稿。

所以"一句话让 Claude Code 自动剪视频"背后，实际是四步：

1. 用 Whisper 这类语音识别模型转写音频，得到逐词时间戳。
2. Claude 读文字稿，判断哪几句是重录、哪里是停顿，写出保留区间（剪辑表，也叫 EDL）。
3. ffmpeg 按剪辑表切片、拼接、加淡入淡出。
4. 把词的时间映射到新时间线上生成字幕，再按需烧录或出竖版。

Claude 自己没有剪辑功能，它是在指挥 ffmpeg 和 Whisper。日本 Fyve 在 2026 年 6 月 29 日的 Claude Code 剪视频入门文章里也是这样描述的，并建议把产出当草稿：大约七成自动，三成仍靠手工。

为什么靠转写稿：10 分钟素材抽帧约 $6.46，文字稿约 $0.03–$0.08

图片按 28×28 像素一块计费：一张图的视觉 token 数 = ⌈宽/28⌉ × ⌈高/28⌉。Claude 4.7 及以后的模型（包括 Opus 5.5）走高分辨率档，1920×1080 的一帧不缩放，记 2,691 token；其他模型走标准档，同一帧会缩到 1456×819，记 1,560 token（公式和示例都来自上面的 Vision 文档）。

拿一段 10 分钟的素材，按 Opus 5.5 截至 2026 年 10 月的 API 标价每百万输入 token $4（Claude 价格页）算一遍：

表里的假设：口播每分钟约 150 词；每词 57 字节是下文测试样片的实测值（57 个词的 JSON 共 3,275 字节）；按约 4 个字符 1 个 token 估算，这是英文的经验值，中文文字稿的换算不同。这是按公式算的，不是账单；Claude Code 的每一轮还会带上系统提示、工具定义和之前的对话，整段会话花得更多。

结论很直接：全分辨率抽帧比读文字稿贵约 77 到 215 倍，而且就算看了 600 张图，Claude 仍然听不到一句话。video-use 的 README 也用同样的对比解释它为什么只给 Claude 看打包后的文字稿和少量截图。抽帧适合在少数关键点上确认画面，不适合当主要输入。

用 Pro 或 Max 订阅时，这些 token 不会单独出账单，而是消耗用量额度。素材越长，读稿和反复修改越费额度，韩国 Heimdex 在 2026 年 8 月 5 日的 Claude Code 剪辑自动化指南里也提醒过长素材可能把额度用完。套餐怎么选见 Claude Code 价格 2026：Pro、Max、Team、API 和额外用量怎么选；额度掉得异常快时，可以对照 Claude Code Max配额消耗异常？完整诊断与修复指南（2026）排查。

剪辑 skill、脚本和插件怎么选：六条路线的费用与短板

下表是 Claude Code 剪已有素材的几条常见路线。标"已测"的两条在下文的本地测试里实际跑过，其余按各项目自己的文档描述。

几点补充，都会改变选择：

• video-use 的转写只能用 ElevenLabs。 它的 SKILL.md 把"在 CPU 上本地跑 Whisper"列为反面做法（慢，而且会把语气词规整掉）。社区提过多个本地 Whisper、Groq Whisper 和 FunASR 的合并请求，截至 2026 年 10 月 15 日，#12、#28、#114 已关闭未合并，#22、#60、#151、#223 和 FunASR 的 #4 仍未合并。按 ElevenLabs API 价格页，Scribe v2 每小时音频 $0.22，各档同价，免费档大约含 4.5 小时。
• video-use 的边界：俄罗斯 Habr 上 2026 年 5 月 7 日的 video-use 评测文章说，它只适合口播，B-roll 开箱不支持；自查能抓到爆音、字幕被挡这类技术问题，但抓不到"留错了那一条"这类内容问题。作者的结论是偶尔剪一条的话，在达芬奇里手动剪两小时可能更省事。
• 剪辑软件 MCP 都是社区项目，不是 Blackmagic 或 Adobe 出的。davinci-resolve-mcp 在 README 里写明不做"判断剪辑好坏"，产出是初版拼接；它通过官方脚本 API 控制达芬奇 Studio，免费版要靠桥接脚本，并说 21.1 起 Python 脚本移到了 Studio 版。Adobe_Premiere_Pro_MCP 通过 CEP 面板控制 Premiere，只在 macOS 上完整验证过。Palmier Pro 是自带 MCP 服务的 Mac 剪辑软件，要求 macOS 26 和 Apple Silicon，v0.7.6 之后的版本不再开源。

按素材对号入座：

1. 单人口播、录屏教程，有重录：先用 Whisper + ffmpeg 脚本或 video-use。前者零转写费，后者省去自己写脚本。
2. 一条到底、没有重录，只是停顿多：auto-editor 就够了。
3. 播客、访谈要交给剪辑师精剪：auto-editor 或 ButterCut 导出时间线，Claude 负责粗剪。
4. 已经在用达芬奇 Studio 或 Premiere，想让 Claude 帮忙排片、打标记：试剪辑软件 MCP。
5. 不想装任何环境、素材可以上传：ChatCut。
6. 多机位、以调色为主、要按画面挑镜头：留在剪辑软件里手工剪，这几条路线都帮不上主要的忙。

skill 怎么装、怎么确认生效，见 Claude Code Skills 推荐：先用哪个、怎么安装与确认生效；MCP 的添加方法见 Claude Code 最值得先加的 MCP（2026）：按工作流选第一批集成。

另外三样常被一起提到的工具不剪原始素材：claude-code-video-toolkit 主要用来生成新视频，对已有素材主要是重新配音、加音乐、去水印和裁切拼接，没有去静音和字幕；HyperFrames（Apache-2.0）和 Remotion 用来做叠在成片上的标题、图表和动画，Remotion 对个人和 3 人以内的公司免费，更大的公司要买 Remotion 公司许可；Claude Motion 在 claude.ai 里做动画，不处理上传的视频，也不属于 Claude Code。

本地免费路线实测：Whisper 转写 + ffmpeg 剪掉一段口误

这次测试想回答一个问题：只靠本地工具，Claude Code 能不能认出"说错重来"的那一遍并把它剪掉。在这段样片上能做到，但中途踩了三个坑。

测试素材和环境：合成英文口播，32.59 秒

• 机器：Apple M4，macOS 26.1，Homebrew；Claude Code 会话使用 Opus 5.5。还没装 Claude Code 的话，先看 Claude Code 安装教程：全平台完整设置指南（2026）。
• 素材：32.59 秒、1920×1080、30 fps 的 H.264 视频。声音是 macOS say 合成的英文语音，画面是 ffmpeg testsrc2 测试图，没有真人、没有环境噪声，只有一个说话人。
• 内容：开头 3 秒空白，句间有 2.5 秒和 1.2 秒的停顿，结尾空 2.5 秒；中间有一处口误："First, we cut out the long pauses. Um, wait, let me say that again."，紧接着是说对的一遍。

这是一次单机、单样本的测试。素材是英文合成语音，中文转写没有测，转写准确率不能推广到真实录音、口音、背景音乐或其他语言。

第一步：faster-whisper 生成逐词时间戳

python3 -m venv venv
./venv/bin/pip install faster-whisper "av<19"
./venv/bin/python transcribe.py raw/talk.mp4 base.en

"av<19" 这个版本限制不能省，原因见下一节的第一个故障。transcribe.py 如下：

"""第一步：给原始素材生成逐词时间戳（本地运行，不需要 API key）。"""
import json
import sys
import time

from faster_whisper import WhisperModel

src = sys.argv[1]
model_name = sys.argv[2] if len(sys.argv) > 2 else "base.en"

t0 = time.time()
model = WhisperModel(model_name, device="cpu", compute_type="int8")
segments, info = model.transcribe(src, word_timestamps=True, vad_filter=False)
words = []
for seg in segments:
    for w in seg.words:
        words.append({"start": round(w.start, 2), "end": round(w.end, 2), "word": w.word.strip()})
json.dump(words, open("words.json", "w"), indent=1)
print(f"model={model_name} words={len(words)} audio={info.duration:.1f}s elapsed={time.time()-t0:.1f}s")

结果：base.en 模型、CPU int8，32.6 秒音频转出 57 个词，用时 3.0 秒（含加载模型；首次运行会下载约 141 MB 模型，下载时间没算在内）。base.en 和 small.en 名字里的 .en 表示英文模型，中文素材要换不带 .en 的多语言模型并指定语言，这一步未经测试。

第二步：让 Claude Code 读文字稿，写出剪辑表

这一步是整个流程里真正用到 Claude 的地方。在素材目录里打开 Claude Code，可以这样交代（示例写法）：

读 words.json，里面是每个词的开始和结束时间。这是一段口播，中间有一处说错后重录。
写 edl.json：每句话只保留最后一次完整说对的版本，去掉开头空白和句间超过 1 秒的停顿，
格式为 [{"start": 秒, "end": 秒}, ...]。
写之前先用 ffmpeg 的 silencedetect 找出静音区间，把每个切点对齐到最近的静音边界。
先列出打算删掉的内容让我确认，再写文件。

Claude 读完文字稿，保留了 4 段：去掉开头 3 秒，整段删除口误那一遍（它重复了"First, we cut out the long pauses"），保留重录的那一遍，压短长停顿。最后用的 edl.json：

[{"start": 2.92, "end": 6.51}, {"start": 14.83, "end": 18.31}, {"start": 20.66, "end": 24.83}, {"start": 25.89, "end": 30.14}]

示例里"对齐静音边界"那一句来自第一版的教训：第一版剪辑表直接用 Whisper 的时间加了一点余量，结果切掉了最后一个词的尾音，详见下一节。

第三步：render.py 用一个滤镜图剪完，并生成字幕

render.py 把每个保留区间做 trim/atrim，两端各加 30 ms 音频淡入淡出，再 concat 拼起来；然后把词的时间换算到新时间线，每 2–3 个词一条字幕：

"""第三步：按剪辑表（保留区间）输出 final.mp4 和 final.srt。"""
import json
import subprocess
import sys

src = sys.argv[1]
edl = json.load(open("edl.json"))
words = json.load(open("words.json"))
FADE = 0.03

# 1) 在一个 ffmpeg 滤镜图里完成剪切和拼接
parts, labels = [], []
for i, k in enumerate(edl):
    d = k["end"] - k["start"]
    parts.append(f"[0:v]trim={k['start']}:{k['end']},setpts=PTS-STARTPTS[v{i}]")
    parts.append(
        f"[0:a]atrim={k['start']}:{k['end']},asetpts=PTS-STARTPTS,"
        f"afade=t=in:d={FADE},afade=t=out:st={d - FADE:.3f}:d={FADE}[a{i}]"
    )
    labels.append(f"[v{i}][a{i}]")
graph = ";".join(parts) + ";" + "".join(labels) + f"concat=n={len(edl)}:v=1:a=1[v][a]"
subprocess.run(
    ["ffmpeg", "-v", "error", "-y", "-i", src, "-filter_complex", graph, "-map", "[v]", "-map", "[a]",
     "-c:v", "libx264", "-crf", "20", "-preset", "veryfast", "-c:a", "aac", "-b:a", "160k", "final.mp4"],
    check=True,
)

# 2) 把词的时间换算到新时间线，凑成字幕
# 只要词和某个保留区间有重叠就保留，并把时间夹到区间内
# （Whisper 的词边界会偏几百毫秒，要求完全落在区间内会漏词）
kept = []
for w in words:
    offset = 0.0
    for k in edl:
        overlap = min(w["end"], k["end"]) - max(w["start"], k["start"])
        if overlap > 0:
            s = max(w["start"], k["start"]) - k["start"] + offset
            e = min(w["end"], k["end"]) - k["start"] + offset
            kept.append({"start": s, "end": e, "word": w["word"]})
            break
        offset += k["end"] - k["start"]

def ts(t):
    h, rem = divmod(t, 3600)
    m, s = divmod(rem, 60)
    return f"{int(h):02d}:{int(m):02d}:{int(s):02d},{int(round((s % 1) * 1000)):03d}"

cues, chunk = [], []
for w in kept:
    chunk.append(w)
    if len(chunk) == 3 or w["word"].endswith((".", ",", "?", "!")):
        cues.append(chunk)
        chunk = []
if chunk:
    cues.append(chunk)
with open("final.srt", "w") as f:
    for n, c in enumerate(cues, 1):
        text = " ".join(x["word"] for x in c)
        f.write(f"{n}\n{ts(c[0]['start'])} --> {ts(c[-1]['end'])}\n{text}\n\n")
print(f"segments={len(edl)} kept_words={len(kept)}/{len(words)} cues={len(cues)}")

运行 python3 render.py raw/talk.mp4，4 段渲染用时约 1.5 秒，输出 15.53 秒的 1080p 成片。保留 57 个词中的 43 个，删掉的 14 个正好是口误那一遍；字幕共 18 条。把成片重新转写一遍，整段稿子完整，口误消失，最后一个词也没被切。

字幕部分的第一版有个 bug：只保留开始和结束都落在区间内的词，切点对齐静音边界后，"Hi," 等词被漏掉，只剩 40/57。改成"有重叠就保留，时间夹到区间内"后恢复正常，上面贴的是修好的版本。

第四步：软字幕、烧录字幕和 9:16 竖版

软字幕（播放器里可开关的字幕轨）用标准 ffmpeg 就行：

ffmpeg -i final.mp4 -i final.srt -map 0 -map 1 -c copy -c:s mov_text -metadata:s:s:0 language=eng final_softsubs.mp4

很多短视频平台会忽略视频里内嵌的字幕轨，上传时把 .srt 单独传上去更稳。

把字幕烧进画面要用带 libass 的 ffmpeg（Mac 上是 ffmpeg-full，原因见下一节）：

/opt/homebrew/opt/ffmpeg-full/bin/ffmpeg -i final.mp4 -vf "subtitles=final.srt:force_style='FontName=Helvetica,FontSize=22,Outline=2'" -c:v libx264 -crf 20 -preset veryfast -c:a copy final_burned.mp4

用时 1.67 秒。竖版只要把 -vf 换成下面这串，输出 1080×1920，用时 1.39 秒：

crop=ih*9/16:ih,scale=1080:1920,subtitles=final.srt:force_style='FontName=Helvetica,FontSize=14,MarginV=60,Outline=2'

从成片 1.2 秒处抽一帧检查：画面上的测试时间码是 00:00:03.800，字幕是 "this is a"，说明切点映射和字幕都对得上。两点限制：中心裁切只适合主体在画面中间的素材，人在画面里走动就要做人脸跟踪（未测）；Helvetica 是 macOS 字体，其他系统要换字体名，中文字幕要换成带中文字形的字体（未测）。

实测遇到的三个故障：报错原文和修法

TypeError: open() got an unexpected keyword argument 'metadata_errors'

只执行 pip install faster-whisper 时，装上的是 faster-whisper 1.2.1（2026 年 10 月 15 日 PyPI 上的最新版）和 PyAV 19.0.1，调用 model.transcribe() 就报这个错。把 PyAV 限制在 19 以下即可：

pip install faster-whisper "av<19"

装上的是 PyAV 18.1.0，转写恢复正常。PyAV 19.0.0 在 2026 年 9 月 29 日发布，19.0.1 在 10 月 3 日；从报错堆栈看是新版 PyAV 改了接口，faster-whisper 以后的版本可能会修复，到时这个限制就不需要了。

成片最后一个词被切掉：Whisper 词边界偏差约 0.5 秒

第一版剪辑表直接用 Whisper 给的时间加小余量，渲染后重新转写，最后的 "platforms." 被听成了 "platform."。Whisper 标的结束时间是 29.50 秒，而 silencedetect 显示声音实际持续到 30.04 秒；开头的 "Hi," 也有类似偏差（Whisper 标 2.74 秒，实际 3.02 秒才出声）。

修法是先找出静音区间：

ffmpeg -i raw/talk.mp4 -af silencedetect=noise=-40dB:d=0.3 -f null -

再把每个切点对齐到最近的静音边界，前后留 ±0.1 秒。改过的剪辑表成片 15.53 秒，尾音完整。

偏差这件事不只出现在这一个样本里。西班牙 Aducti 在 2026 年 9 月 1 日的 Claude Code 剪辑 skill 文章里说，Whisper 会把句前的静音并进句子第一个词，按第一个词剪会留下约 0.5 秒空白，他们同样用 silencedetect 交叉校正；video-use 的 SKILL.md 说 ElevenLabs Scribe 的时间戳也会偏 50–100 ms，建议切点留 30–200 ms 余量，并尽量在 400 ms 以上的静音里下刀。

No such filter: 'subtitles'：Homebrew 标准 ffmpeg 没有字幕滤镜

用 brew install ffmpeg 装的标准版（测过 8.0.1_2 和当前的 9.0.2）没有 subtitles、ass、drawtext 三个滤镜，ffmpeg -filters 里查不到。报错有两种写法：

• -vf subtitles=final.srt 报 "No option name near 'final.srt'" 和 "Error parsing filterchain"。
• -vf subtitles=filename=final.srt 报 "No such filter: 'subtitles'"。

原因是 Homebrew 的 ffmpeg 公式不带 libass 和 freetype。改装 ffmpeg-full：

brew install ffmpeg-full

这台机器上用了 2 分 05 秒。ffmpeg-full 多了 libass、freetype、fontconfig、harfbuzz、whisper.cpp 等依赖，有 subtitles、ass、drawtext 和 whisper 滤镜。它是 keg-only，不会进 PATH，要用完整路径 /opt/homebrew/opt/ffmpeg-full/bin/ffmpeg。

装完还出了个连带问题：ffmpeg-full 把共享依赖 libvpx 从 1.15.2 升到 1.17.0，机器上原来那个没更新的 ffmpeg 8.0.1_2 随即启动失败，报 dyld: Library not loaded: /opt/homebrew/opt/libvpx/lib/libvpx.11.dylib。执行 brew upgrade ffmpeg（升到 9.0.2_1，8 秒）就好了，之后 brew linkage --test 没有再发现缺失的库。

Linux 发行版和 Windows 上的 ffmpeg 构建各不相同，很多"full"版本自带 libass，这些平台没有测。只要软字幕，标准 ffmpeg 就够，不必装 ffmpeg-full。

只按静音剪的 auto-editor：一条命令去空白，但口误留着

auto-editor 按音量（或画面变化）判断哪里是空白，不需要文字稿。同一段样片：

brew install auto-editor
auto-editor raw/talk.mp4 --margin 0.2s -o out.mp4 --no-open

auto-editor 31.7.2 用 3.9 秒输出 21.31 秒的成片，停顿都去掉了，但说错的那一遍还在：导出的时间线里有一段从 8.8 秒开始、152 帧长的片段，正是口误那一遍。静音检测不知道哪一遍说错了，这个判断只能靠读文字稿，也就是交给 Claude 的那一步。

安装注意：auto-editor 的 README 写明命令行版"不再发布到 pip"，PyPI 上停在 2025 年 11 月 4 日的 29.3.1；Mac 用 brew install auto-editor，其他系统从 GitHub Releases 下载二进制。

不装 Python 也能转写：auto-editor whisper 与 ffmpeg 的 whisper 滤镜

不想折腾 Python 环境时，有两个现成的转写入口，都要先从 Hugging Face 的 whisper.cpp 仓库下载 ggml 格式模型（ggml-base.en.bin，148 MB）：

auto-editor whisper raw/talk.mp4 ggml-base.en.bin -f srt --prompt "Claude Code" -o out.srt
/opt/homebrew/opt/ffmpeg-full/bin/ffmpeg -i raw/talk.mp4 -vn -af "whisper=model=ggml-base.en.bin:language=en:destination=ff_whisper.srt:format=srt" -f null -

用时都是同一段 32.6 秒样片在 M4 上的结果。auto-editor 加了 --prompt "Claude Code" 之后，产品名拼写正确。专有名词还有一个现象：small.en 把 "Claude Code" 听成了 "clog code"，base.en 在同一段音频上却听对了。一个合成样本说明不了哪个模型更好，只说明字幕里的产品名、人名一定要人工核对，或者用提示词、热词提前告诉模型。

交给 Premiere、达芬奇、Final Cut 精剪：导出时间线或用 MCP

Claude 做粗剪、人在剪辑软件里收尾，是比较稳妥的分工。有三种接法：

• auto-editor 导出时间线。 --export premiere、--export resolve、--export final-cut-pro，以及 shotcut、kdenlive。测试里 auto-editor raw/talk.mp4 --export resolve -o ae_timeline.fcpxml 写出了一份 FCPXML 1.11 时间线，引用的是原始素材，可以直接在剪辑软件里继续剪。它只按静音切，重录要自己在时间线上删。
• ButterCut 导出 XML。 本地用 WhisperX 转写、加画面分析，Claude 和你一起挑出粗剪，再导出给 Final Cut Pro、Premiere 或达芬奇。主要支持 Apple Silicon Mac，Windows 和 Linux 不是重点。
• 剪辑软件 MCP。 Claude 直接在达芬奇或 Premiere 的时间线上操作。达芬奇这条路实际要 Studio 版；Premiere 要装 CEP 面板，部分操作（比如读取已有字幕文本、移除效果）脚本接口做不到，README 自己也写了"不是魔法"。

剪映目前不在这几条路线里：auto-editor 的导出格式不包括剪映，能接 Claude Code 的剪辑软件 MCP 项目也只覆盖达芬奇、Premiere 和 Palmier Pro。

改动剪辑点之后，原来叠在上面的动画、标题时间会跟着错位（Heimdex 的指南也提到这一点），所以动画和字幕放到剪辑定稿之后再做。

交付前检查清单：Claude Code 剪出的成片要人工看哪些地方

自动剪辑出的是初稿，下面这些点要人过一遍：

1. 每个切点听一遍：尾音有没有被切、呼吸声和爆音是否突兀。测试里被切掉的正是最后一个词的尾音。
2. 留下的是不是对的那一遍：把成片再转写一次，和原稿对照。Habr 的评测指出，video-use 的自查只能发现技术问题，发现不了留错了哪一条。
3. 专有名词：产品名、人名、品牌名逐个核对，必要时给转写加提示词。
4. 字幕最后加：动画叠层会挡住字幕，video-use 的 SKILL.md 明确要求字幕放在最后一步；它还提醒字体出错时不会报错，只是默默显示不对，所以要抽帧看。
5. 竖版构图：中心裁切后人还在不在画面里，字幕会不会压住嘴。
6. 长视频的字幕漂移：Fyve 提到长视频容易出现字幕时间漂移，重点抽查后半段。
7. 字幕文件格式：ffmpeg whisper 滤镜输出的 SRT 编号从 0 开始，有的播放器或平台要求从 1 开始，上传被拒时重新编号。
8. iPhone 播放：Aducti 提到 HEVC 编码的视频要打 hvc1 标签，iPhone 不认 hev1。

如果同一套规则（切点余量、字幕样式、竖版参数）要反复用，可以把它们写进一个 skill，让 Claude Code 每次按同样的标准剪，写法见 Claude Code Hooks、Skills 与斜杠命令：区别、选型和最小配置。Aducti 就是这样做的：把"在哪里下刀、字幕放多高、最多几个推镜"固定在 skill 里，据其介绍，一条短视频连修改大约 10–15 分钟。

Claude Code 剪视频常见问题

Claude Code 剪视频免费吗？

不完全免费。Claude Code 本身要 Pro、Max 等付费套餐或 API 用量。转写环节可以免费：本地跑 Whisper、faster-whisper、ffmpeg、auto-editor 都不按小时收费。video-use 要付 ElevenLabs Scribe 的转写费（$0.22/小时音频，免费档大约含 4.5 小时）；ChatCut 在 Claude 用量之外另收 $25 到 $160 的月费。

中文口播能用这套流程吗？

流程本身不分语言：转写、读稿、写剪辑表、ffmpeg 渲染都一样。但上面的测试只用了英文合成语音，中文转写的准确率、中文语气词的识别、中文字幕字体都没有测。要试中文，记得换成不带 .en 的多语言模型并指定中文，字幕字体换成带中文字形的字体，并重点核对同音字和专有名词。

在中国大陆能用 Claude Code 剪视频吗？

Anthropic 的支持国家和地区列表（2026 年 5 月 12 日生效）不包含中国大陆，列表里写明未列出的地区均不支持。ffmpeg、Whisper 模型、auto-editor 这些本地工具本身不需要访问 Anthropic，可以单独用来转写和去静音。

Claude Code 能代替剪辑师吗？

目前不能。各路线的产出都是初稿：达芬奇 MCP 项目自己写明只做初版拼接、不判断剪得好不好；Fyve 估计大约七成自动、三成手工；Habr 的评测说 video-use 只适合口播，挑不出语义上的错误。它能省掉的是去停顿、删重录、对字幕这类机械活，挑镜头、把握节奏和定下最终的画面风格仍然是人的工作。

长素材会不会把 Claude Code 额度用光？

有可能。读文字稿本身不贵（10 分钟约 7,500 到 2.1 万 token），但每轮对话都会带上系统提示、工具定义和历史，反复修改、看截图都会让消耗明显增加。长素材先分段处理，截图只在关键切点上看。