开源Video-Skills工具：在Claude Code中实现视频下载、转字幕与自动配音

看 YouTube 上的技术演讲时，遇到讲得特别好的内容，总想把关键要点记下来。但之前的流程非常繁琐：先找在线工具下载视频，再找工具提取字幕，得到的字幕格式往往乱七八糟，还需要手动清理。一套操作下来，光是找工具就花了半小时，真正的笔记整理还没开始。

另一个更折腾的场景是录制产品 DEMO。画面录好了，但需要后期配音，自己录音总是难以把握节奏，口误和卡壳频频出现，导致反复重录和剪辑。每次都在想，既然 Claude Code 能帮我写代码，为什么不能让它也帮我处理这些视频任务呢？

思考之后，决定干脆自己动手写一个解决方案。

Video-Skills：一个开源的视频处理技能包

于是，就有了这个开源的 video-skills。它是一个为 Claude Code 设计的视频处理技能（Skill）集合，目前包含三个核心功能：

• download-video：从 YouTube、Bilibili、Twitter/X 等超过 1000 个平台下载视频。
• transcribe-video：提取视频字幕。它会优先使用视频内嵌的硬字幕或软字幕，只有在没有字幕的情况下才会调用 AI API 进行语音转录，既快又准。
• narrate-video：为静音视频自动生成配音，并能将语音节奏与画面内容进行对齐。

这三个技能既可以独立使用，也可以串联起来形成一个自动化工作流。例如，我最常用的流程是：下载一个 YouTube 视频 → 将其转成文字稿 → 拿着干净的文本去整理笔记。或者，录完一段产品 DEMO 后 → 让 Claude 分析画面并撰写解说词 → 自动生成配音并合成到视频中。

安装与前置依赖

安装方式非常简单。在 Claude Code 环境中，可以直接使用以下命令：

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

或者，通过 npx 全局安装：

npx skills add feiskyer/video-skills

它的前置依赖只有两个命令行工具：yt-dlp 和 ffmpeg。在 macOS 上，用 Homebrew 一键安装即可：

brew install yt-dlp ffmpeg

对于其他操作系统，可以让 Claude Code 帮你生成对应的安装指令。

下面，就通过两个我最常用的实战场景，来展示它的具体用法。

场景一：将 YouTube 视频快速转为文字笔记

上周看到了 Andrej Karpathy 的一个新访谈，时长一个多小时。我想先拿到文字稿，以便快速浏览重点。在 Claude Code 中，我直接丢入视频链接：

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

download-video 技能会调用 yt-dlp，将视频下载到 ~/Downloads/Videos/ 目录。如果你想只下载音频，或者指定下载 720p 画质，直接用自然语言描述即可，例如“只要音频”或“下载720p版本”。

下载完成后，紧接着进行转录：

把刚下载的视频转成文字

transcribe-video 技能会先智能检查视频是否包含内嵌字幕。许多 YouTube 视频都自带高质量的字幕，使用它们不仅准确率更高，而且速度极快，最关键的是完全免费，无需消耗任何 API 额度。只有当视频没有字幕时，它才会调用 OpenAI 的 gpt-4o-transcribe 模型进行语音识别。转录出的文字稿会自动清理掉时间戳和各种格式标签，直接输出为干净的纯文本。拿到文字稿后，再让 Claude 帮你总结摘要，整个流程一气呵成，效率大大提升。

对于确实没有内嵌字幕、需要调用 AI 转录的视频，你需要配置 API Key。只需创建一个 ~/.transcribe_video.env 文件，并填入你的密钥：

OPENAI_API_KEY=your-key-here

它也支持其他兼容 OpenAI API 的平台，只需在环境变量中额外加上 OPENAI_API_BASE 即可。

场景二：为产品 DEMO 视频自动生成配音

下载和转录解决了“消费”视频内容的问题。但当你需要“创造”内容时，比如录制了产品 DEMO 但忘了录音或需要后期配音， narrate-video 技能就派上用场了。

过去自己录制视频 DEMO，常常被口误、卡顿和节奏不匹配困扰，后期剪辑耗费大量时间。现在，你只需要录好视频画面，然后用一句话就能搞定配音：

给这个 DEMO 视频加上中文配音 demo.mp4

Claude Code 会执行以下智能流程：首先，每隔几秒对视频进行截帧，分析每个时间点屏幕上显示的内容，并建立一份详细的“场景时间表”。接着，它会根据画面内容，撰写带有精确时间戳的解说词，并且会控制每段文字的长度，只占用对应时间窗口的 80%，为语音留出自然的停顿间隙。最后，调用 Azure TTS 服务逐段生成高质量语音，再严格按照时间戳将这些语音片段合成到原始视频中，实现音画同步。

使用时，你需要配置 Azure 语音服务的密钥。创建 ~/.narrate_video.env 文件，并设置以下变量：

AZURE_SPEECH_KEY=your-key-here
AZURE_SPEECH_REGION=eastus

总结与后续

从技术实现上看，video-skills 所做的事情并不复杂，本质上它是对 yt-dlp、ffmpeg 以及 Azure Speech 等命令行工具和云服务 API 的封装与流程整合。但正是这种封装，将复杂的参数和操作步骤转化为了简单的自然语言指令，使得在 Claude Code 中使用它们的体验变得无比流畅。这正体现了 AI 时代 AI编程 和 开发者工具 的一种演进方向：降低技术组件的使用门槛，让开发者更专注于创造本身。

如果你对这个项目感兴趣，可以直接安装试用：npx skills add feiskyer/video-skills。

项目的完整代码和文档已开源在 GitHub：https://github.com/feiskyer/video-skills。欢迎大家在 云栈社区 或 GitHub 上交流使用心得，也欢迎提交 Issue 和 Pull Request 来共同完善这个工具集。