夜雨聆风你有没有过这样的经历：对着好几小时的素材发呆，不知道从哪里下手；改了一版又改一版，来回沟通耗费大量时间。
最近 browser-use 团队开源了一个工具叫 video-use，把 AI 代理接入了视频剪辑流程。简单说就是：你负责做决策，AI 负责执行。
它是怎么工作的
把原始素材放进一个文件夹，然后用自然语言告诉 AI 你想要什么。AI 会自动完成转录、分析、剪辑、渲染，最后输出一个可以直接用的视频文件。
整个过程中，你不需要打开任何剪辑软件，不需要手动标记入出点，只需要最后看一遍结果是否满意。
背后的技术依赖两个关键组件：ElevenLabs Scribe 负责音频转录，能输出精确到每个词的时间戳；FFmpeg 负责所有音视频处理操作。AI 代理在这两者之间充当协调者，根据转录结果判断在哪里剪辑，生成对应的 FFmpeg 命令执行，最后自己检查输出质量。
有一点值得注意：AI 不是直接看原始视频数据，而是分析一份叫 takes_packed.md 的转录文档。这样信息密度更高，处理效率也更高。剪辑边界严格对齐词边界，不会在单词中间切割。每段剪辑完成会自动渲染预览，AI 先检查音频是否有爆点、画面是否跳帧，确认没问题了才交给用户。
安装配置
整个安装流程可以在 AI 代理的 shell 环境下完成，不需要手动操作浏览器或桌面应用。以 Claude Code 为例，基本步骤是：克隆仓库、符号链接到 skills 目录、安装 Python 依赖、安装 FFmpeg、配置 ElevenLabs API Key。
两个必选项需要提前准备：ElevenLabs API Key 是必须有的，因为转录功能依赖 Scribe 接口，目前没有免费额度可以绕过。FFmpeg 也是必装的，macOS 用户通过 brew install ffmpeg 解决，其他系统参照官方文档。yt-dlp 是可选依赖，用于直接下载在线视频作为素材来源。
六个阶段的工作流
video-use 把剪辑分为六个阶段：清点、预检、沟通、策略确认、执行、自评估。
清点阶段，AI 代理遍历素材目录获取每段视频的元数据，然后批量转录所有文件，汇总成 takes_packed.md 作为后续决策的依据。代理还会生成一两个时间线可视化图像，让素材情况一目了然。
预检阶段，代理扫描转录文本，标记出明显的口误、重复表达、重录片段位置。这份清单不直接删除，而是作为剪辑策略的参考。
沟通阶段是最接近传统剪辑协作的部分。代理用自然语言描述素材特点和存在的问题，询问你的剪辑目标、时长要求、风格偏好，以及哪些片段必须保留、哪些必须删除。这个阶段的交互质量直接决定后续剪辑方向的准确性，而且提问会根据具体素材动态调整，不是用固定模板走流程。
策略确认阶段，代理提出一个简短的剪辑方案，涵盖结构安排、音调选择、调色方向、字幕样式和预估时长。你确认后，代理才开始实际执行。
执行阶段生成一份 EDL 文件，这是整个剪辑操作的蓝图。EDL 以 JSON 格式记录每个片段的源文件、时间范围和选择理由。每一段提取后立即应用调色和音频淡入淡出，然后暂存待合成。
自评估是这个工具区别于其他自动化剪辑方案的核心环节。代理渲染输出后，会检查每个切割点前后1.5秒的画面是否存在跳帧、音频是否存在爆点、字幕是否被动画遮挡。同时抽查开头结尾和中间几个节点，确保整体一致性。如果发现问题，修复后重新渲染，最多循环三次。三次仍有问题则向用户报告，由人工判断。
音频优先的剪辑逻辑
这个工具的设计哲学是把音频作为剪辑的主要依据，视觉信息只在必要时介入。
这个选择有其合理性。大多数视频内容中，语言是信息的主要载体，停顿、语气、节奏都是编辑决策的关键参考。相比之下，视觉镜头的质量差异往往不如音频流畅度对观看体验的影响大。
实际操作中，代理首先识别所有静音间隔和词边界，这些位置天然适合作为剪辑点。静音超过400毫秒的区域是最干净的切割候选，150到400毫秒的短语边界需要配合视觉检查。更短的间隔保持原样，避免过度剪辑破坏语速感。
笑声、掌声、叹息等音频事件被当作节奏标记处理。剪辑时通常保留这些片段的完整上下文，让情绪高点完整呈现，因为这类片段本身就是视频节奏的一部分。
字幕和源文件保护
字幕生成支持自定义样式。默认配置是2词分块、全大写、白色描边字体，适合快节奏的社交媒体内容。也可调整为一整句话一行，或根据内容类型选择不同排版。字幕文件在滤镜链最后一步烧录进视频，确保不会被动画元素遮挡。这个顺序如果调换会导致字幕被覆盖，是少数无法事后修复的技术约束。
所有操作都在 edit/ 子目录下进行，原始素材文件始终保持不变。AI 代理的技能目录和用户素材目录严格分离，session memory 记录在 edit/project.md 中，下次打开可以继续上次的进度。即使对 AI 的剪辑结果不满意，原始素材随时可以重新处理，不需要重新拍摄。
它的边界在哪里
video-use 不适合所有场景。它依赖转录质量，音频本身嘈杂或存在大量背景音乐干扰时，识别准确率会明显下降。它擅长处理说话类视频，对纯音乐 MV 或无旁白的视觉效果集帮助有限。它没有预设模板，每一次剪辑都需要人工确认方向，自动化程度存在上限。
有一点需要想清楚：这个工具始终需要一个明确的方向输入。即使自评估机制能保证剪辑质量的下限，但剪辑怎么做、做给谁看这类问题，AI 给不了答案。它负责执行，不负责判断。