Video Vision
Lokalny potok ffmpeg+Whisper, który pozwala Claude faktycznie oglądać i transkrybować pliki wideo
Testowano · Działa
Co robi ten skill
Wyodrębnia próbkowane klatki za pomocą ffmpeg i transkrypcję z sygnaturą czasową za pomocą lokalnego Whisper, a następnie odpowiada na pytania oparte na dowodach wizualnych i dźwiękowych z cytatami [MM:SS]. Aktywuje się, gdy użytkownik odwołuje się do lokalnego pliku wideo (.mp4/.mov/.mkv/.webm/.avi/.m4v), chcąc go obejrzeć, podsumować, przeszukać, opatrzyć napisami lub transkrybować; w pełni offline po jednorazowym pobraniu modelu Whisper.
Raport z testu
Przeprowadzono pełny potok end-to-end na syntetycznym 6-sekundowym klipie testowym: ekstrakcja klatek ffmpeg i lokalna transkrypcja Whisper zostały wykonane w rzeczywistości i zwróciły dokładny kształt manifestu JSON udokumentowany w README, aż do nazw pól. Brak połączeń sieciowych poza ujawnionym jednorazowym pobraniem modelu Whisper, brak eksfiltracji, nic ukrytego - faktycznie daje Claude możliwość oglądania wideo, której w żaden inny sposób nie posiada.
Testowano: 2026-07-16 · Claude Code 2.x (agent harness)
Instalacja
git clone https://github.com/Moh4696/claude-video-vision ~/.claude/skills/video-vision
Komendy i przykładowe prompty
/video-visionLokalny potok ffmpeg+Whisper, który pozwala Claude faktycznie oglądać i transkrybować pliki wideo
Skille uruchamiają się na zwykłe polecenia — bez komend do zapamiętania. Po instalacji aktywują go prompty takie jak te (po angielsku):
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.