用途 watch-video 用于让 Claude 真正“观看”在线视频，而不仅是阅读转写文本。多数工具只读取字幕，会遗漏画面信息；该技能同时提供画面帧与语音文字，并按同一时间轴对齐，因此可以围绕剪辑、屏幕文字、演示和节奏进行推理。
主要能力
- 从 URL 下载视频。资料称支持 YouTube、Instagram、X、Vimeo 以及 1000 多个 yt-dlp 站点。
- 抽取采样画面帧，并生成转写文本。
- 输出三部分内容：watch_out/frames/f000.jpg 等按索引命名的采样帧；watch_out/transcript.txt 口播文字；watch_out/index.json，格式为 [{frame, t, file}]，把每一帧映射到时间戳。
- 结合画面与音频进行回答，可用于摘要、拆解、钩子分析、学习笔记或重新撰写脚本。
- 支持结构化拆解：钩子（开头约 3 秒的画面与台词及留人原因）、形式（口播、无人物动效、录屏、分屏等，以及字幕和屏幕文字用法）、叙事结构（逐段列出场景或想法、时间戳和画面变化）、节奏（平均节拍长度、剪辑节奏、加速或放缓位置）、视觉布局（构图、文字位置、图形技巧、b-roll 与演示）以及完整口播转写。
- 批量分析：一次传入多个 URL，输出到 batch_out/v01、v02 等目录，每个视频包含帧、转写和索引，另有 batch_out/batch.json 清单；随后可跨视频比较，发现共同钩子形态、节拍长度、结构与视觉手法等模式。
使用方式 当用户给出视频 URL 时，运行： python scripts/watch.py "<VIDEO_URL>" --out watch_out 可用参数包括：--max-frames 60（限制帧数）、--no-whisper（仅用平台字幕，完全免费离线）、--every 0（按时长自动调整采样节奏）。随后用 Read 工具读取帧图片，并结合 transcript.txt，按 index.json 对齐每一帧与对应时间的口播内容，再回答用户请求。批量模式示例： python scripts/watch.py "<url1>" "<url2>" "<url3>" --out batch_out
适用场景 适合需要理解视频画面与语音的综合分析任务，例如视频内容摘要、逐段拆解、钩子分析、学习笔记、脚本仿写参考，以及多视频趋势对比。
限制与说明 平台有字幕时优先使用字幕（免费）；否则回退到本地 faster-whisper（同样免费，运行于 CPU）。传入 --no-whisper 可完全跳过转写。对于长视频，帧会按时长稀疏采样，以控制视觉处理所需的帧数。资料未提供具体收费、价格、平台覆盖的完整列表或效果保证，这些事实暂未提供。