Video Vision
Lokal ffmpeg+Whisper-pipeline som lar Claude faktisk se og transkribere videofiler
Bestått
Hva den gjør
Ekstraherer samplede bilderammer via ffmpeg og en tidsstemplet transkripsjon via lokal Whisper, og svarer deretter på spørsmål basert på både visuell og lydmessig bevis med [MM:SS]-siteringer. Utløses når en bruker refererer til en lokal videofil (.mp4/.mov/.mkv/.webm/.avi/.m4v) og ønsker at den skal sees, oppsummeres, søkes i, tekstes eller transkriberes; fullstendig offline etter en engangs nedlasting av Whisper-modellen.
Testrapport
Kjørte den ekte pipelinen ende-til-ende mot et syntetisk 6-sekunders testklipp: ffmpeg bildeutvinning og lokal Whisper-transkripsjon ble begge utført i praksis og returnerte nøyaktig JSON-manifestform som README dokumenterer, ned til feltnavn. Ingen nettverkskall utover den oppgitte engangs nedlastingen av Whisper-modellen, ingen dataeksfiltrering, ingenting skjult – gir genuint Claude en videoseende evne den ikke har på annen måte.
Testet på: 2026-07-16 · Claude Code 2.x (agent harness)
Installer
git clone https://github.com/Moh4696/claude-video-vision ~/.claude/skills/video-vision
Kommandoer og eksempelprompter
/video-visionLokal ffmpeg+Whisper-pipeline som lar Claude faktisk se og transkribere videofiler
Skills utløses av vanlige forespørsler — ingen kommandoer å huske. Etter installasjonen aktiverer prompter som disse skillen (på engelsk):
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.