Codex 剪视频教程：用 video-use 按逐字稿剪掉口癖和停顿

录过口播的人都有体会，剪视频最磨人的不是调色，也不是加字幕，而是找废话。十分钟素材里，嗯、啊、说错了重来一遍、两条之间那几秒发呆，全得拖着时间线一段段找出来剪掉。好不容易剪完，一播放，接缝处还“啪”地响一声。

video-use 是 Browser Use 团队开源的一个剪辑 Skill。用法很直接：素材丢进一个文件夹，在这个文件夹里启动 Codex，说一句“把这些剪成一条发布视频”，最后在 edit 目录里拿到 final.mp4。它在 Claude Code、Codex 等支持 Skill 的 Agent 里都能用，本文按 Codex 的用法讲：它怎么读视频、怎么装、装之前要对哪几处设置、一次剪辑怎么走、为什么剪完不会爆音。

它不看视频，它读台词本

让大模型剪视频，最直觉的办法是把画面一帧帧喂进去。项目自己算过这笔账：30000 帧，每帧约 1500 token，大约 4500 万 token，几乎全是噪音。video-use 换了个思路，让模型读视频，而不是看视频，输入分两层。

第一层是逐字稿，一直挂在上下文里。 每个素材调一次 ElevenLabs 的 Scribe 语音转写，拿到词级时间戳、说话人区分，以及笑声、掌声、叹气这类音频事件。所有素材再打包成一份 takes_packed.md，遇到 0.5 秒以上的停顿或者换人说话就断一行，每行带起止时间：

## C0103  (duration: 43.0s, 8 phrases)
  [002.52-005.36] S0 Ninety percent of what a web agent does is completely wasted.
  [006.08-006.74] S0 We fixed this.

哪句说错了、同一句话录了三遍哪遍最顺，模型看这份文本就能判断，剪辑点直接落在词和词的边界上。

第二层是画面，只在拿不准的时候看。 timeline_view 这个脚本会把某一段时间做成一张 PNG：上面一排胶片帧，下面是波形，两个停顿不知道从哪剪、两条重录不知道选哪条的时候，才调一次。它不是用来扫全片的工具。

说白了，它是个读台词本的剪辑师，大部分时间对着稿子下刀，偶尔抬头看一眼画面。要让模型真能看到这些 PNG，前提是你用的模型支持图片输入。

装进 Codex，先对三处设置

硬条件先列清楚：ffmpeg 和 ffprobe 必须有；Python 依赖用 uv sync 或 pip install -e . 安装；转写全靠 Scribe，需要一个 ElevenLabs 的 API key，没有 key 什么都转不了，而且转写会消耗额度。要做动画叠加的话还得有 Node.js，其中 HyperFrames 要求 Node 22 以上。yt-dlp 只在要从链接下载素材时才需要。

最省事的装法，是把官方安装说明（install.md）交给 Codex 去做：让它先读 install.md，克隆仓库到一个固定位置（比如 ~/Developer/video-use），装依赖和 ffmpeg，把 Skill 注册到当前 Agent，最后只在需要 API key 的时候停下来问你。官方明确要求安装过程中不要自己跑转写，因为转写要花钱。key 写进仓库根目录的 .env，权限设为 600，不要提交到仓库。

手动装也就几步：

git clone https://github.com/browser-use/video-use ~/Developer/video-use
cd ~/Developer/video-use
uv sync
brew install ffmpeg

然后在仓库根目录新建 .env，写入一行 ELEVENLABS_API_KEY=你的 key。装完先别急着剪，Codex 这边有三处要对一下。

第一处：Skill 放哪。 install.md 给 Codex 的注册方式，是把整个仓库软链到 ~/.codex/skills/video-use。而 Codex 官方文档现在写的用户级 Skill 目录是 ~/.agents/skills，扫描时会跟着软链走。装完在 Codex 里输入 /skills，列表里没有 video-use，就再链一份：

mkdir -p ~/.agents/skills
ln -sfn ~/Developer/video-use ~/.agents/skills/video-use

注意链的是整个目录，不是只链 SKILL.md。Skill 用到的 transcribe.py、render.py 这些脚本都在 helpers 下面，必须和 SKILL.md 放在一起。Codex 会自动检测 Skill 的变化，没出现就重启一次。想系统地了解 Skill 怎么写、怎么复用，可以看这篇：Codex Skill 怎么写，从复用流程到脚本化工作流。

第二处：联网。 每次转写都要请求 ElevenLabs 的接口，做 HyperFrames、Remotion 动画时还要用 npx 拉包。Codex 的 workspace-write 沙箱默认不开放出站网络，所以这些命令会一条条弹审批找你批，或者直接失败。配置项是 sandbox_workspace_write.network_access。

第三处：写权限。 video-use 要在素材目录下创建 edit 文件夹放所有产出，所以沙箱至少得是 workspace-write，只读模式下它连 edit 目录都建不出来。

后两处，一条启动命令就能一起解决：

cd ~/Videos/launch-raw
codex --sandbox workspace-write --ask-for-approval on-request -c 'sandbox_workspace_write.network_access=true'

这里的 -c 只对这一次会话生效。想一劳永逸，就在 ~/.codex/config.toml 里加 [sandbox_workspace_write] 段并写 network_access = true。不过那等于所有项目都放开了出站网络，更稳妥的做法是只在剪视频的时候带上这个参数。

一次剪辑是怎么走的

进了素材目录，可以输入 $video-use 显式点名这个 Skill，也可以直接说需求。官方建议的第一句话是这两种：

edit these into a launch video
inventory these takes and propose a strategy

后面它按固定的 8 步走：

1. 盘点：用 ffprobe 看每个素材的参数，transcribe_batch.py 以 4 个并发转写，再打包成 takes_packed.md，挑一两段看一眼画面。
2. 预扫：通读一遍逐字稿，把口误、说错、不该用的说法列成清单。
3. 沟通：用大白话告诉你它看到了什么，再按素材情况问问题，包括视频类型、目标时长、横屏竖屏、节奏、哪些必须留、哪些必须删、要不要调色和字幕。
4. 出方案：4 到 8 句话讲清结构、选哪几条、怎么剪、动画和调色怎么做、预计多长，然后停下来等你确认。
5. 执行：生成剪辑决策表 edl.json，逐段调色，并行做动画，最后渲染。
6. 预览：先出一个快速预览版本。
7. 自检：见下一节。
8. 迭代：按你的反馈修改，定稿后把这次的决策追加进 project.md。

第 4 步是硬规则：方案你没确认，它不会动剪辑。剪辑决策表是个普通的 JSON，每一段写明用哪个素材、从第几秒到第几秒，外加选这一段的理由，比如：

{"source": "C0108", "start": 14.30, "end": 28.90,
 "beat": "SOLUTION", "reason": "Only take without the false start."}

哪一刀剪得不对，直接指着这个文件跟它说，比在时间线上找要快。所有产出都放在素材目录下的 edit 文件夹里，原素材不动，video-use 自己的仓库目录也不写。project.md 每次会话追加一段，记录策略、决策和遗留问题，下次在同一个文件夹里启动，它会先读这个文件，用一句话复述上次做到哪。

为什么剪完不会“啪”一声

video-use 把规则分成两类：12 条硬规则管正确性，必须遵守；其余全是示例，配色、字体、调色参数、字幕样式，模型可以按素材自己发挥。这 12 条硬规则，大多对应一种不报错、成片却会坏掉的情况。挑几条最容易碰上的：

每个剪辑点加 30 毫秒的音频淡入淡出。 不加的话，每个接缝都可能有爆音，开头说的那声“啪”就是这么来的。

不在词中间下刀，剪辑点前后留 30 到 200 毫秒的余量。 原因写得很实在：Scribe 的时间戳会漂 50 到 100 毫秒，留余量就是为了吃掉这点误差。

字幕放在滤镜链的最后一步。 先烧字幕再叠动画，动画会把字幕盖住，而渲染不会报任何错。

先逐段切出来，再无损拼接。 每段单独提取、调色，再用 -c copy 拼起来，避免加动画时每一段被重复编码两次。

转写结果按素材缓存，素材没变就不重复转写。 转写要花钱，这条规则同时也是省钱规则。

渲染完，它不会马上拿给你看。Skill 要求它先对成片（不是原素材）的每个剪辑点，前后各取 1.5 秒跑一次 timeline_view，检查画面有没有跳、波形在接缝处有没有尖刺、字幕有没有被动画挡住；再抽开头 2 秒、结尾 2 秒和中间几处，看调色和字幕是否一致。响度也要量，而不是凭感觉：

ffmpeg -i out.mp4 -af ebur128=peak=true -f null -

混音时，Skill 的建议是两遍 loudnorm 到 -14 LUFS，真峰值不高于 -1 dBTP，再按段落实测一遍。发现问题就修、重渲染、再检查，最多 3 轮，3 轮还过不了就把问题摊给你，不会一直转圈。对要对外发布的视频，还会再派一个专门挑刺的子代理，要求给出带时间码的问题清单和最该先改的 5 处。

Skill 里有一句话我挺喜欢：它听不见声音，就老实说听不见，然后把响度数字报出来。音乐好不好听、配音顺不顺耳，这个判断还是留给你。

动画交给子代理

需要动画叠加时，video-use 按每一段动画单独挑引擎：界面动效和文字动画用 HyperFrames，已有 React 组件体系的用 Remotion，公式、图表、状态机用 Manim，简单的数字计数、打字效果直接用 PIL 出一串 PNG 再交给 ffmpeg 合成。

硬规则里要求多段动画并行做：一段动画派一个子代理，总耗时约等于最慢的那一个。Skill 原文写的是用 Agent 工具派子代理，这是 Claude Code 里的叫法；在 Codex 里，子代理由 Codex 自己的多代理机制承担。关于 Codex 子代理怎么用，可以看这篇：Codex 子代理，让主线程保持干净并行处理任务。

有两点要心里有数。一是子代理继承父会话的沙箱策略：启动时没开网络，子代理里的 npx 一样拉不了包。二是同时开几个，由 agents.max_concurrent_threads_per_session 这个配置控制，不设就由 Codex 自己决定默认值；子代理比单代理更费额度，动画段数多的项目要留意消耗。

使用前的几个提醒

• 转写会把音频发到 ElevenLabs，素材里有保密内容先想清楚能不能上传。
• 转写按用量计费，装好后先拿一小段素材试，不要一上来丢整个素材库。
• 它能量化响度、检查接缝，但不能“听”，成片的听感需要你自己把关。
• 这是还在快速迭代的开源项目，本文基于 2026 年 10 月能读到的仓库说明，命令和目录以仓库最新的 install.md 和 SKILL.md 为准。

总结

video-use 的思路说穿了很简单：不让模型去看几万帧画面，而是给它一份带词级时间戳的逐字稿，剪辑点落在词和词的缝里，只在拿不准的时候看几张时间线图。成片质量靠 12 条硬规则兜底，渲染完先把每个剪辑点自查一遍，最多修三轮再交给你。

放到 Codex 里，真正要花心思的是装之前那三处设置：Skill 目录、沙箱联网、edit 目录的写权限。对好了，剩下的就是聊需求、确认方案。找废话的那几个小时它能帮你省下来，这条视频到底要讲什么，还是你说了算。如果你通过 AIGoCode 使用 Codex，这个 Skill 与接入渠道无关，按上面的步骤配置即可。

参考链接

• video-use GitHub：https://github.com/browser-use/video-use
• Codex Skill 官方文档：https://developers.openai.com/codex/skills
• ElevenLabs 语音转文字接口文档：https://elevenlabs.io/docs/api-reference/speech-to-text/convert