一句话看懂：browser-use 团队发布了开源 AI 视频剪辑 Skill「video-use」，它并非传统剪辑软件替代品，而是一套让大语言模型（LLM）通过“读转写文本”而非“看画面”来完成视频剪辑的 Prompt 工程与工具脚本集合，核心思路是用极低的信息密度实现精准剪辑。
事件核心：发生了什么
7 月 2 日，browser-use 团队（之前以开源 AI 浏览器操控项目闻名）在 X 上由成员邵猛公布了这套名为「video-use」的 Skill。其技术路线为：首先通过 ElevenLabs Scribe 将视频音频转写为带逐词时间戳、说话人分离和音频事件标记的 JSON 数据，再打包成约 12KB 的紧凑文本文件（takes_packed.md）作为 LLM 的主要“阅读材料”。仅当需要在歧义点或切点校验时，才按需调用 timeline_view.py 生成胶片帧与波形的复合图像。
核心处理流程为六步：转写（Transcribe）→ 打包（Pack）→ 决策（Reason by LLM）→ 生成编辑决策列表（EDL）→ 渲染（Render）→ 自评估（Self-Eval）。渲染引擎以 ffmpeg 为主，并支持 HyperFrames、Remotion、Manim 等多套动画方案。项目另附 12 条硬性生产规则，例如字幕最后叠加、30 毫秒音频淡入淡出、切点须落在词边界并加 30–200 毫秒填充以抵消 ASR 时间戳漂移等，强调生产正确性。
为什么重要
video-use 的重要意义在于验证了一条与主流“端到端视频生成”截然不同的技术路线。当前主流方案（如 OpenAI Sora、Runway Gen-3）试图直接从文字或图像生成完整视频，而 video-use 走的是“结构化理解 + 轻量指令 + 工具调用”路径，让 LLM 直接读取音频转写的结构化数据，而非处理数万帧图像带来的海量噪声。这与 browser-use 此前让 AI 读取 DOM 结构而非直接截取浏览器画面的思路一脉相承，本质上是在降低大模型执行具体操作时的信息开销。
从行业角度看，这套方案证明了 Prompt Engineering + 工具链组合仍可以完成复杂的视频剪辑任务，并且对模型推理能力和算力的要求远低于端到端视频生成模型。它没有试图替代 Premiere 或 CapCut，而是为 AI Coding Agents（如 Codex、Claude Code、Cursor）提供了一个可复用的“视频剪辑能力模块”，有望推动更多开发者将视频编辑任务自动化、Agent 化。
对用户/开发者/创作者的影响
对开发者而言，video-use 提供了一套可复用的开源参考实现，可直接集成到自有工作流中，或基于其 12 条生产规则开发定制化剪辑 Agent。项目对 ffmpeg 参数的详细说明（如分段提取后用 -c copy 拼接避免重编码、HDR 和竖屏源的自动处理、两遍 loudnorm 响度标准化）也降低了视频工程的门槛。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对内容创作者与社交媒体运营者而言，这套工具更适合处理长音频内容（如播客、访谈、课程）的视频化剪辑与分发，自动完成切点选择、字幕叠加、响度标准化等重复性工作。但需要指出的是，它目前并不适合需要精细视觉构图或复杂转场效果的创意短片，核心能力仍集中在“文本理解驱动的逻辑剪辑”。
值得关注的后续
第一，video-use 目前公开的 GitHub 仓库（github.com/browser-use/vi…）尚标记为 Skill 形式，社区贡献度与文档完善度将直接影响其能否成为主流剪辑 Agent 的基础框架。第二，项目依赖 ElevenLabs Scribe 作为转写核心，若未来有更便宜的开源 ASR 模型（如 Whisper 的改进版本）替代，可能改变成本结构。第三，值得观察以 Premiere Pro 和 DaVinci Resolve 为代表的商业剪辑软件是否会推出类似“智能剪辑 Agent”的官方接口或扩展。
