Монтаж видео через Claude Code по папке: что остаётся человеку

Папка с исходниками и один запрос

Мастер снял на телефон 12 минут: рассказ о работе, три дубля вступления, паузы и «эээ». Из этого нужны две минуты. Монтаж съедает вечер, и ролик не выходит неделями.

Пост GitHub Community про video-use обещает именно этот сценарий: сложить сырые видео в папку, поговорить с Claude Code и получить final.mp4. Ниже то, что я нашёл в репозитории. Скилл я не запускал: всё взято из README, SKILL.md, install.md, кода helpers и истории коммитов. Собственных замеров качества на русской речи у меня нет.

Что за проект и как устроен

Репозиторий browser-use/video-use проверен 31.10.2026. Название общее, форков с таким же именем много, нужен именно этот. Лицензия: файл LICENSE содержит MIT, авторское право Browser Use. Первый коммит 11 апреля 2026, последний 8 октября 2026, всего 23 коммита в основной ветке. Релизов нет. На странице репозитория около 30,2 тысячи звёзд и 3,5 тысячи форков (цифры округлены сайтом), открыто 35 обращений и 127 запросов на слияние. Архивным проект не помечен, последнему коммиту 23 дня, запросы на слияние разбирают небыстро.

Программы с окном нет. Есть инструкция SKILL.md и шесть скриптов на Python: расшифровка, сборка текста, просмотр отрезка, рендер, цветокор. Скилл подключается ссылкой в папку навыков Claude Code, а всю работу с видео делает ffmpeg. Требования: Python 3.10 или новее, ffmpeg и ffprobe, ключ ElevenLabs в файле .env. Результаты лежат в папке edit рядом с исходниками, оригиналы скилл не трогает.

Умеет по документации: вырезать оговорки и мёртвое время между дублями, резать по границам слов с запасом 30 до 200 миллисекунд, сглаживать звук на склейках, красить цвет пресетами или цепочкой ffmpeg, вшивать субтитры (по умолчанию по два слова капсом), делать анимированные вставки и проверять собранный ролик на стыках до показа (до трёх проходов). Музыки в комплекте нет: SKILL.md описывает, как её подкладывать и приглушать под речь, а откуда брать, решаете вы. Ограничений по длине и разрешению репозиторий не называет. Рендер по умолчанию 1080p, вертикальный формат поддержан.

Куда уходит видео и звук

Это главный вопрос для роликов с лицами и голосами клиентов. По коду helpers/transcribe.py ffmpeg вытягивает звук из каждого файла в моно 16 кГц и отправляет его целиком на api.elevenlabs.io (метод распознавания речи, модель в коде scribe_v1). Назад приходит текст по словам с временем и разметкой говорящих. Полностью тихую дорожку скрипт не отправляет. Других сетевых вызовов в шести скриптах я не нашёл. Анимации скилл ставит через npx при первом использовании.

Второй получатель: Claude Code. Он читает расшифровку и по запросу смотрит картинку из кадров с дорожкой звука (скрипт timeline_view, по умолчанию 10 кадров). Эти кадры, включая лица, уходят в модель как любое вложение в Claude Code. Условия хранения читайте у Anthropic (по вашему тарифу) и у ElevenLabs: на странице их документации про распознавание речи политика хранения не описана. Русский там заявлен для более новой версии Scribe, а скилл вызывает scribe_v1, так что проверьте русскую речь на коротком отрывке.

Права. Лица и голоса в кадре, согласие участников, передача записи за рубеж, музыка и чужие фрагменты: у каждого пункта свои правила. Конкретные нормы я не называю, это вопрос к юристу. Практическое правило: клиентские съёмки и ролики с детьми или пациентами не отправляйте без письменного согласия. Как оформлять согласия на съёмку и выдачу материалов, я разбирал в статье про IT для фотографа и видеографа.

Где агент ошибается и как проверять

Скилл режет по границам слов, но расшифровка бывает неточной, особенно на именах, ценах и профессиональных терминах. Авторы пишут, что метки слов плывут на 50-100 миллисекунд, поэтому на краях нужен запас. Ещё агент может взять не лучший из трёх дублей, убрать паузу, державшую шутку, сделать речь рваной или вшить субтитры с опечаткой в фамилии.

Агент сам признаёт, что звук он не слышит: SKILL.md требует мерить громкость цифрами и честно писать, что на слух не проверял. Поэтому просматривайте ролик целиком, со звуком, хотя бы раз на обычной скорости. Субтитры сверяйте с речью построчно, а цены, адреса, телефоны и имена проверяйте отдельно. Про субтитры и нарезку под соцсети у меня есть отдельный разбор.

Пилот на трёх роликах

Возьмите три записи до пяти минут: один монолог, один с двумя говорящими, один с несколькими дублями. Смонтируйте каждый вручную и через агента, запишите время и качество. Для ручного монтажа посмотрите разбор OpenReel.

Условный пример расчёта токенов. Допущения: ролик пять минут, около 700 слов, транскрипт с метками времени 5 тысяч токенов и агент читает его 5 раз за сессию, 20 просмотров картинки по 1,5 тысячи токенов (README оценивает так один кадр), ещё 20 тысяч токенов на переписку и вывод скриптов. Выходит около 75 тысяч токенов на ролик, 225 тысяч на три. Деньги зависят от вашего тарифа Claude Code, уточняйте. Отдельно ElevenLabs: у них оплачивается длительность звука, тишина тоже (так написано в документации), для пилота это около 15 минут записи.

Чек-лист из семи пунктов:

1. Исходники лежат в отдельной папке, оригиналы сохранены в другом месте.
2. Получены согласия всех, кто в кадре и голосом, вопрос к юристу решён заранее.
3. Проверена русская расшифровка на отрывке в минуту.
4. Просмотрен весь ролик со звуком, не только стыки.
5. Субтитры сверены с речью, имена, цены и телефоны проверены вручную.
6. Музыка взята из источника, где вы подтвердили право её использовать.
7. Записаны минуты ручного и агентского монтажа и сравнено качество.

Частые вопросы

Можно ли не отправлять звук в облако?

В коде расшифровка идёт только через ElevenLabs. Локальная расшифровка (как WhisperX на своём сервере) потребует доработки скриптов. Можно подготовить такой вариант под ваши ролики.

Подойдёт ли это для длинных записей?

Ограничений по длине репозиторий не называет, у ElevenLabs в документации указаны 3 ГБ на файл и 10 часов. Как поведёт себя монтаж на часовой записи, я не проверял. Начинайте с коротких.

Нужно ли уметь программировать?

Установку выполняет сам Claude Code по готовому промпту из README, ключ он просит вставить. Дальше работа идёт в чате. Если не хочется возиться с настройкой, это можно поручить мне.

Коротко о главном

video-use это MIT-скилл для Claude Code, который режет паузы и оговорки, красит и подписывает ролики, а звук отправляет на расшифровку в ElevenLabs. Просмотр целиком, сверка субтитров, права на людей и музыку остаются у человека.

Если нужно проверить такой монтаж на ваших роликах или собрать конвейер под ваши задачи, я займусь этим в рамках автоматизации бизнеса. Напишите мне в Telegram и укажите кодовое слово «ПАПКА».