Video Vision
Pipeline locale ffmpeg+Whisper pour que Claude puisse réellement regarder et transcrire des vidéos
Testé · Fonctionne
Ce que fait
Extrait des images échantillonnées via ffmpeg et une transcription horodatée via Whisper local, puis répond à des questions basées sur des preuves visuelles et audio avec des citations [MM:SS]. Se déclenche chaque fois qu'un utilisateur fait référence à un fichier vidéo local (.mp4/.mov/.mkv/.webm/.avi/.m4v) qu'il souhaite regarder, résumer, rechercher, légender ou transcrire ; entièrement hors ligne après un téléchargement unique du modèle Whisper.
Rapport de test
A exécuté le pipeline réel de bout en bout sur un clip de test synthétique de 6 secondes : l'extraction d'images ffmpeg et la transcription Whisper locale ont toutes deux été exécutées réellement et ont renvoyé la forme exacte du manifeste JSON documentée dans le README, jusqu'aux noms des champs. Aucune requête réseau au-delà du téléchargement unique du modèle Whisper divulgué, aucune exfiltration, rien de caché - donne véritablement à Claude une capacité de visionnage vidéo qu'il n'a aucun autre moyen d'obtenir.
Testé le: 2026-07-16 · Claude Code 2.x (agent harness)
Installation
git clone https://github.com/Moh4696/claude-video-vision ~/.claude/skills/video-vision
Commandes et exemples de prompts
/video-visionPipeline locale ffmpeg+Whisper pour que Claude puisse réellement regarder et transcrire des vidéos
Les skills se déclenchent sur des demandes en langage courant — aucune commande à retenir. Après installation, des prompts comme ceux-ci l'activent (en anglais) :
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.