Video Vision
Lokale ffmpeg+Whisper-Pipeline, die Claude tatsächlich Videos ansehen und transkribieren lässt
Getestet · Funktioniert
Was es kann
Extrahiert Abtastframes über ffmpeg und eine zeitgestempelte Transkription über lokales Whisper und beantwortet dann Fragen, die auf visuellen und akustischen Beweisen basieren, mit [MM:SS]-Zitaten. Löst aus, wenn ein Benutzer auf eine lokale Videodatei (.mp4/.mov/.mkv/.webm/.avi/.m4v) verweist und diese ansehen, zusammenfassen, durchsuchen, mit Untertiteln versehen oder transkribieren lassen möchte; vollständig offline nach einem einmaligen Download des Whisper-Modells.
Testbericht
Die echte Pipeline wurde Ende-zu-Ende gegen einen synthetischen 6-Sekunden-Testclip ausgeführt: Sowohl die ffmpeg-Frame-Extraktion als auch die lokale Whisper-Transkription wurden tatsächlich ausgeführt und gaben die exakte JSON-Manifestform zurück, die das README dokumentiert, bis hin zu den Feldnamen. Keine Netzwerkanrufe außer dem offengelegten einmaligen Whisper-Modell-Download, keine Exfiltration, nichts Verstecktes – gibt Claude tatsächlich eine Videosehfähigkeit, die es sonst nicht hat.
Getestet am: 2026-07-16 · Claude Code 2.x (agent harness)
Installation
git clone https://github.com/Moh4696/claude-video-vision ~/.claude/skills/video-vision
Befehle & Beispiel-Prompts
/video-visionLokale ffmpeg+Whisper-Pipeline, die Claude tatsächlich Videos ansehen und transkribieren lässt
Skills reagieren auf normale Anfragen — keine Slash-Befehle nötig. Nach der Installation aktivieren Prompts wie diese den Skill (auf Englisch):
Can you watch this recorded meeting.mp4 and summarize what happened?I need a searchable transcript with timestamps for this lecture video.Caption this .mov clip and tell me what's said around the 2 minute mark.