Video Use 跑视频解析：Claude Code 的 Key 走 TaoToken

给 Claude Code 配视频解析，卡点从来不在提示词，而在它根本读不了视频。Browser Use 团队开源的 Video Use 把录屏拆成音频常驻层加视觉按需层，软链接进~/.claude/skills/video-use，由 Claude Code 执行。装它之前先解决 Key：打开 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建，Base URL 填 https://taotoken.net/api，TaoToken 就作为统一兼容通道替 Claude Code 供 Key。

这条链路跑起来之后，分工其实是清楚的。音频转录仍旧走 ElevenLabs Scribe，它负责出词级时间戳、说话人标注和音频事件；而 Claude Code 的推理、剪辑点判断，以及那套「渲染完自己检查、有问题就回炉」的循环，消耗的 Token 都记在 TaoToken 账上。下面按 Video Use 的安装顺序拆一遍，重点放在 Skill 软链接、settings.json 三件套，以及第 6 步在视频文件夹里跑claude时最容易撞上的几个错。

1. Video Use 把录屏拆成两层，而不是逐帧喂给 Claude Code

1.1 逐帧截图为什么是个 Token 黑洞

大部分人第一次让模型「看」视频，走的是同一条路：用 ffmpeg 按固定间隔抽帧，几百张图片丢进对话，再补一句「帮我总结一下流程」。这条路在 30 秒的短视频上勉强能跑，一旦换成 20 分钟的技术教程录屏，问题立刻暴露出来。

按每秒 1 帧算，20 分钟就是 1200 张图。就算模型支持多图输入，上下文也会被图片撑爆，更别提画面里的编辑器界面、终端输出、鼠标移动轨迹，单帧根本读不出前后因果。真正有价值的信息——某一句讲解说了什么、哪一段是重录的、哪里停顿超过两秒——全藏在音轨的时间轴上，不在像素里。

Video Use 的出发点就在这里：与其让模型在几万帧里自己找线索，不如先把视频结构化，再按需取用。这个思路和 browser-use 处理网页是一脉相承的——不是把整页截图丢给模型，而是先把结构抽出来，需要看渲染结果时再截一张。

1.2 音频常驻层：takes_packed.md 与词级时间戳

Video Use 的第一层叫音频常驻层，由 ElevenLabs Scribe 接口完成转录。它从整段音轨里产出三类信息：词级时间戳、说话人区分、音频事件标注（笑声、叹息、明显停顿这类非语言信号）。这些内容被压缩打包成一个约 12KB 的takes_packed.md，作为 Claude Code 理解视频的主要依据。

12KB 是什么概念？大概相当于一篇中等长度的技术文章。放进上下文里几乎不占地方，但信息密度足够高——整段视频「说了什么、谁说的、在哪一秒说的」全在里面。

词级时间戳是后面所有剪辑精度的地基。市面上多数转写工具只给句级时间戳，一句 8 秒的话只有一个起点一个终点，想切掉句中那个「呃」只能靠猜；有了词级时间戳，Claude Code 才知道该在哪一毫秒下刀。这也是 Video Use 敢说自己「精准剪辑」的底气。

1.3 视觉按需层：timeline_view 只在决策点出一张图

第二层是视觉按需层。Video Use 不会全程抽帧，只在几个关键决策点调用timeline_view，动态生成一张复合图：上面是胶片缩略条，中间是音频波形，下面压着单词标签。一张图，同时给到画面、声波和文本三个维度的信息。

什么算「关键决策点」？大致三类。模糊停顿——音频层显示这里有 1.8 秒静默，但不确定是口误还是换气，需要看一眼画面；重录片段比对——同一段话讲了两遍，得看画面判断哪一版状态更好；剪辑点校验——切完之后检查有没有跳切、字幕有没有挡住人脸。

文本为主、视觉为辅，一张图顶掉几百帧。两层加起来就是 Claude Code 理解一整段视频的全部输入：12KB 文字，加少量几张按需生成的图。该省的地方全省下来，该看的地方一眼不漏。

2. 四个能力面：Video Use 在 Claude Code 里到底干什么

2.1 智能剪辑：口头禅、停顿与 30ms 淡入淡出

第一件能立刻感受到的事，是它自动切掉口头禅和无效停顿。「呃」「嗯」、重复起句、超过阈值的静默，这些在takes_packed.md里都有明确的时间坐标，处理起来不需要人工听一遍。

细节在于每个剪辑点它会自动补一段 30ms 的音频淡入淡出。硬切波形会产生「啪」的爆音，这个坑手动剪过的人都知道，但每次都要在音频软件里补一下很烦。Video Use 把它做进了流程里，切完直接是干净的。此外还支持自动色彩调级，比如电影暖调、中性色调，也可以把自定义的 ffmpeg 参数传进去，不用再开一遍剪辑软件。

2.2 字幕与调色：两词大写字幕省掉打轴

第二件事是字幕。默认生成两词大写字幕，这种节奏在技术演示视频里读起来很舒服——字少、停留短、不挡画面。

关键在于它不需要手动打轴。字幕时间来自音频层的词级时间戳，转录完成的那一刻，字幕的起止时间其实就定了。字号、位置、颜色这些样式可以完全自定义，适配不同平台的画面比例。技术教程、项目演示、访谈对谈，同一个流程都能覆盖。

2.3 project.md 状态持久化与最多 3 次重渲染

第三件事是它做完一版会自己检查一遍：扫描每个剪辑点有没有画面跳切、字幕有没有遮挡、音频有没有爆音。发现问题就回炉重渲染，最多跑 3 次修复循环。

这套自检机制是「AI 剪完自己看」，不是等用户发现。而且它会话状态会保存进project.md，下次打开同一个文件夹继续聊，能接上上次的剪辑进度。长视频、系列教程这种跨天做的素材，这一点比自动剪辑本身更实用——不用每次从头复述需求。

3. 安装 Video Use：软链接到 ~/.claude/skills/video-use

3.1 git clone 与 pip install -e .

安装流程本身不长，但有一条命令是成败关键：

git clone https://github.com/browser-use/video-use cd video-use ln -s "$(pwd)" ~/.claude/skills/video-use pip install -e .

ln -s这一步为什么关键？Claude Code 是靠扫描~/.claude/skills/目录来发现技能的，Video Use 只有出现在这个目录下，会话里才会被识别成可用技能。用软链接而不是复制，好处是以后git pull更新代码立刻生效，不用重新装一遍。命令里的"$(pwd)"建议加引号，路径里带空格时不容易出错。

pip install -e .是开发模式安装，装完之后项目源码的改动会即时反映，不用重装。如果系统里有多个 Python 环境，建议先确认which python和which pip指向同一个。

3.2 ffmpeg 必装、yt-dlp 选装

brew install ffmpeg brew install yt-dlp

ffmpeg 是硬依赖，切、合、加淡入淡出、调色、重编码都靠它，缺了基本跑不动。yt-dlp 只在需要解析在线视频时装，本地录屏用不到。Linux 上把brew换成apt或dnf即可；Windows 建议用包管理器装，并确认 ffmpeg 已经进了 PATH——装完在终端敲一句ffmpeg -version能出版本号，才算真的可用。

3.3 .env 里的 ELEVENLABS_API_KEY 和 Claude Code 的 Key 是两把

cp .env.example .env $EDITOR .env

打开后需要填的是 ElevenLabs 的密钥：

ELEVENLABS_API_KEY=YOUR_ELEVENLABS_KEY

这里要先分清楚：ElevenLabs 的 Key 负责音频转录，Claude Code 的 Key 负责推理和决策，两者是两套东西，不要互相填，也不要把 ElevenLabs 的 Key 塞进 Claude Code 配置里。前者在 ElevenLabs 后台拿，后者在下面第 4 章处理。

4. Claude Code 那把 Key：在 settings.json 里指向 TaoToken

4.1 在官网创建 Key、顺手抄下模型 ID

打开 TaoToken 注册登录，进控制台创建 API Key。Key 一般只在创建时完整展示一次，复制出来先存进密码管理器，别只留在剪贴板里。创建完顺手去模型广场看一眼要用的模型 ID，以及对应通道当时是否可用——模型 ID 以广场当时的列表为准，别凭印象写。

4.2 ~/.claude/settings.json 的 env 三件套

Claude Code 读的是~/.claude/settings.json，把这三行写进env里：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_MODEL": "YOUR_MODEL_ID" } }

三个点要盯住。Base URL 写https://taotoken.net/api，末尾不要加/v1，多写一层路径是最常见的 404 来源。Key 用刚才在官网创建的那把，别用 ElevenLabs 的。模型 ID 从模型广场抄，别自己拼日期后缀。改完保存，重启 Claude Code 会话让它重新读配置。

4.3 环境变量写法与 settings.json 二选一

如果只是临时切换对比，用环境变量更灵活：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_AUTH_TOKEN="YOUR_API_KEY" export ANTHROPIC_MODEL="YOUR_MODEL_ID"

持久配置走 settings.json，临时实验走环境变量，两条路选一条就行。两种同时存在时，以配置文件里的值为准的概率更大，具体行为跟 Claude Code 的版本有关，改完用/status之类的方式确认一下当前生效的 Base URL 和模型，比猜更靠谱。这一步做完，Video Use 才真正有 Token 可烧。

5. 第 6 步：cd 进视频文件夹跑 claude，指令怎么写

5.1 指令模板：先要清单，再放行渲染

原教程第 6 步是在视频所在目录里启动 Claude Code：

cd /path/to/你的视频文件夹 claude

然后在会话里下指令。原文给的例子是「将当前文件夹的视频剪辑成可发布的技术演示视频」，这个粒度能跑通，但复杂素材容易来回追问。更省事的写法是把约束一次说清：

只处理当前文件夹里的 *.mp4。 目标：剪成一条 6 到 8 分钟的技术演示视频。 要求： 1. 切掉所有口头禅和超过 1.2 秒的无效停顿 2. 保留命令行执行的完整片段，不要剪断输出 3. 字幕用两词大写，居中偏下 4. 开头和结尾各留 0.5 秒黑场 先给我一份剪辑点清单和理由，我确认后再渲染。

最后那句「先给清单再渲染」很值钱。Video Use 的判断和自检都要消耗 Token，先看清单再放行，能省掉好几轮无效渲染。清单里它会标出准备切掉的每个时间点和理由，觉得不对就直接在会话里改，比等渲染完再返工快得多。

5.2 自检重渲染循环烧的是哪部分 Token

一版做完，Video Use 会自己扫一遍：剪辑点有没有跳切、字幕有没有挡住关键画面、音频有没有爆音。发现问题就回炉，最多 3 次。

这里的分工值得再强调一次：转录那一步走 ElevenLabs Scribe，消耗的是 ElevenLabs 的额度；而「看清单、判断该不该切、检查渲染结果」这些推理动作全部由 Claude Code 完成，Token 记在 TaoToken 这边。一次跑满 3 轮自检，等于同一段素材的决策过程被反复推理了三遍，这也是长视频处理起来消耗比预期高的主要原因。想控制成本，最直接的办法就是在 5.1 那步把清单确认做扎实，减少回炉次数。

6. 验证与排障：401、模型 ID、多写的 /v1

6.1 配置写完后先做一次最小验证

别一上来就丢 20 分钟素材。先单独测 Key：在 TaoToken 模型对话 里用同一把 Key 发一条消息，能正常回就说明 Key 和模型 ID 没问题。这一步把「配置错」和「Video Use 用错」两类问题隔离开。

再回终端跑最小的 Claude Code 验证：

claude -p "只回复两个字：通了"

有回复，说明 Base URL、Key、模型都对上了。这时候再 cd 进视频文件夹跑完整流程，出错的范围就小很多。

6.2 高频错误对照

401 这一类，多数是复制 Key 时少了一段，或者改完配置没有重启会话。回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 的控制台重新生成一把，替换后再测一次，比反复猜快。

6.3 分开看两边的用量

ElevenLabs 的额度在 ElevenLabs 后台看，TaoToken 这边的调用在控制台看，两个数不要混成一本账。音频转录用得凶，不代表 Claude Code 这边也烧得多；反过来，自检循环跑了好几轮，Token 消耗涨上去，也不该去 ElevenLabs 那边找原因。分清楚哪个环节在花钱，调优方向才明确。

7. 把这套 Skill 用顺手的几个建议

7.1 长视频分段、素材命名与 project.md 接续

超过 30 分钟的素材，建议按主题先切成几段再喂，一段一段确认剪辑点，最后合并。这样每段都在可控的推理轮次内完成，自检回炉的成本也低。

素材命名尽量用英文加日期，避免中文空格混排——ln -s和 ffmpeg 处理路径时的容错没那么多。系列教程交给project.md接续时，保持同一个文件夹结构，下次直接 cd 进去开claude就能接着上次的进度聊，不用重新解释背景。

另外要有个预期：Video Use 现在处于早期开源阶段，复杂场景可能需要多轮对话才能把需求说清。指令越具体——保留什么片段、字幕什么样式、切点判断标准是什么——输出越接近想要的结果，来回拉扯的次数也越少。

7.2 下一步：把这把 Key 的账对一下

跑通之后想确认这次 Video Use 的推理调用有没有记上账，先开 模型对话 用同一把 Key 发条消息交叉验证；打算长期拿它处理长视频和系列教程，去 Coding Plan 看看套餐额度够不够用；需要新 Key 或者换一把，在 控制台 API Keys 创建；settings.json和环境变量的完整字段，对着 Claude Code 接入文档 抄一遍最稳。