看 YouTube 上的技术演讲，遇到讲得特别好的，想把要点记下来。以前的流程是：先找个在线工具下载视频，再找个工具提取字幕，字幕格式乱七八糟还得手动清理。一套下来，光找工具就花了半小时，笔记还没开始写。

另一个场景更折腾。录完一段产品 DEMO，画面有了，但没有解说，自己录需要反复调节奏。每次都在想，Claude Code 能帮我写代码，为什么不能帮我处理这些视频的活？

想了想，干脆自己写一个。

于是就有了 video-skills

video-skills 是我开源的一个视频处理 Skill 集合，包含三个技能：

• download-video：从 YouTube、Bilibili、Twitter/X 等 1000 多个平台下载视频
• transcribe-video：提取视频字幕，优先走内嵌字幕，没有才调 API 去转录
• narrate-video：给视频自动生成配音，画面和语音节奏对齐

三个技能可以单独用，也可以串起来。比如我最常用的流程是：下载一个 YouTube 视频 → 转成文字 → 拿着文字稿去做笔记整理。或者录完一段 DEMO → 让 Claude 看着画面写解说词 → 生成配音合进视频。

安装有两种方式。在 Claude Code 里直接：

/plugin marketplace add feiskyer/video-skills/plugin install video-skills@video-skills

或者用 npx：

npx skills add feiskyer/video-skills

前置依赖就两个：yt-dlp 和ffmpeg，macOS 用 Homebrew 装就行：

brew install yt-dlp ffmpeg

其他平台可以让 AI 帮你自动安装。

下面按我自己最常用的两个场景，看看它们的用法。

场景一：YouTube 视频变文字笔记

上周看到 Andrej Karpathy 一个新访谈，一个多小时，想先拿到文字稿挑重点看。打开 Claude Code，把链接丢进去：

帮我下载这个视频 https://www.youtube.com/watch?v=kwSVtQ7dziU

download-video 会用 yt-dlp 把视频拉下来，存到~/Downloads/Videos/。只要音频、指定 720p 这些，直接用自然语言说就行。

下载完接着转文字：

把刚下载的视频转成文字

transcribe-video 会先检查视频有没有内嵌字幕。YouTube 上很多视频自带字幕，质量比语音识别好，速度快，关键是不花 API 的钱。只有没字幕的时候才走 OpenAI 的gpt-4o-transcribe。转出来的文字稿自动清理了时间戳和格式标签，直接就是干净的纯文本。拿到文字稿再让 Claude 做个摘要，整个流程一气呵成。

没有内嵌字幕的视频需要配置 API Key，创建~/.transcribe_video.env：

OPENAI_API_KEY=your-key-here

也支持其他兼容 OpenAI API 的平台，加上OPENAI_API_BASE 就行。

不过下载和转录只解决了看视频的问题。如果你还需要编辑视频呢？比如录了个产品 DEMO，画面有了，但没声音。

场景二：录完 DEMO 自动配音

以前自己录个视频 DEMO，经常出现口误、卡壳、节奏不对等等的问题，录完还要花很长时间去剪辑，折腾半天才能搞定。

现在录好视频，直接一句话就可以搞定配音问题：

给这个 DEMO 视频加上中文配音 demo.mp4

Claude Code 会先每隔几秒截帧，看每个时间点屏幕上在发生什么，建一个场景时间表。然后根据画面写带时间戳的解说词，每段文字量只占时间窗口的 80% ，段落之间自然留白。最后调 Azure TTS 逐段生成语音，按时间戳合成到视频里。

不过使用时需要注意，配置 Azure 密钥，创建~/.narrate_video.env 并设置：

AZURE_SPEECH_KEY=your-key-hereAZURE_SPEECH_REGION=eastus

写在最后

video-skills 做的事情其实并不复杂，只是把 yt-dlp、ffmpeg、还有 Azure Speech 这些命令行工具和 AI 调用包进了 Skill，但用起来的流畅度完全不一样。感兴趣的话可以直接安装来试试：npx skills add feiskyer/video-skills。

video-skills GitHub 为https://github.com/feiskyer/video-skills，有任何问题欢迎贡献完善。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。