Claude Code edita vídeo a partir da transcrição: como funciona o video-use, com 30 000 estrelas

O projeto open source video-use, da equipe do browser-use, transforma o Claude Code em um editor de vídeo automático. O Claude Code é uma versão do Claude que roda no seu computador e, por conta própria, abre arquivos, executa programas e cria novos arquivos. A skill de vídeo (no vocabulário de agentes, «skill» é um pacote de instruções e scripts para uma tarefa específica) apareceu no GitHub na primavera de 2026, usa a licença MIT e, em seis meses, reuniu mais de 30 000 estrelas.

Você coloca o arquivo-fonte em uma pasta, escreve o que remover e o que adicionar e, alguns minutos depois, o vídeo pronto está ao lado. A skill também funciona com o Codex, da OpenAI, mas o guia de instalação foi escrito para o Claude Code.

Por que um modelo de texto consegue lidar com vídeo

O Claude não abre o arquivo de vídeo inteiro. Ele trabalha com a transcrição. Imagine a impressão de uma entrevista em que cada palavra traz o horário em que foi dita. Você risca os «hum», as repetições e as frases mal-ajambradas, e um assistente corta a gravação de acordo com as suas marcações. O pipeline funciona assim:

• A gravação é transcrita em texto, com o tempo exato de cada palavra. Pausas, risos, aplausos e trocas de interlocutor ficam marcados.
• O Claude lê o texto e decide o que manter.
• Quando um trecho não está claro (uma pausa longa, dois takes parecidos), ele olha alguns quadros desse fragmento.
• As decisões são gravadas como uma lista de cortes: «de 0:12 a 0:47, depois de 1:03 a 1:30».
• O FFmpeg, programa gratuito para trabalhar com vídeo, monta o vídeo seguindo essa lista.
• O Claude verifica as emendas e, se houver erros, refaz a edição, com até três tentativas.

Economia de tokens: gigabytes viram 12 kilobytes

A principal ideia de engenharia está na compressão. Todos os takes são empacotados em um único arquivo, takes_packed.md, de cerca de 12 KB. Isso equivale a alguns milhares de tokens, que cabem com folga no contexto do modelo. Para os trechos duvidosos, a skill gera uma imagem, a timeline_view: storyboard, forma de onda do áudio e legendas das palavras. As decisões ficam em uma EDL (edit decision list, lista de decisões de edição), e o estado do projeto fica no project.md, o que permite retomar o trabalho na sessão seguinte.

O browser-use aplicou o mesmo princípio ao controle de navegador: o agente recebe uma descrição textual estruturada da página, e não uma captura de tela. Aqui, em vez do DOM, entra a transcrição com timecodes.

O custo depende da duração da gravação. A transcrição é cobrada por minuto, e o Claude gasta mais tokens com um texto longo. Um projeto de uma hora sai bem mais caro que um de dez minutos, e na assinatura Pro é fácil esbarrar no limite de uso. O Claude Code exige assinatura Pro (a partir de US$ 20 por mês) ou Max, ou então uma chave de API com cobrança por token. Para usuários da Rússia, o artigo sugere uma opção com pagamento em rublos pelo SpeShu.AI, que oferece os modelos Claude Opus 5.5 e Claude Sonnet 5.

O que a ferramenta faz, onde é fraca e o que vai para a nuvem

O ponto forte da edição é a fala:

• remove vícios de linguagem, tropeços e pausas longas;
• corta entre as palavras, e não no meio do som;
• em caso de repetição, mantém o melhor take;
• aplica um fade de áudio de 30 ms em cada emenda, para evitar estalos;
• faz correção de cor, legendas e vinhetas.

O Claude programa as animações, não as desenha. Há três ferramentas para isso:

• Remotion: vídeos de produto, interfaces, gráficos (o vídeo é descrito como componentes React);
• Manim: fórmulas, diagramas, explicações científicas (cenas em Python);
• HyperFrames, da HeyGen: gráficos animados descritos como página web (HTML e CSS, com renderização via headless Chrome).

A skill não cria inserções com outras imagens (B-roll): é preciso colocá-las na pasta antes.

Os pontos fracos decorrem da arquitetura. Um pedido como «coloque o quadro depois que ele sorrir» exige entender a imagem, e o Claude vê apenas texto e quadros isolados. Erros de transcrição passam para a edição, especialmente em gravações com ruído, sotaque forte e em russo. O modelo não substitui um engenheiro de som: remove ruído de forma limitada e não mixa música nem efeitos. Para rodar, é preciso usar o terminal.

O vídeo em si não sai do computador, e os cortes são feitos pelo FFmpeg local. Vão para a rede a faixa de áudio (se a transcrição em nuvem estiver ativada), a transcrição com as suas instruções e alguns quadros duvidosos. Para gravações sob NDA, existe o fork freecut: ele troca a transcrição em nuvem pelo Whisper, que roda na máquina do usuário. Por padrão, usa mlx-whisper em Apple Silicon e faster-whisper nos demais sistemas. O freecut tem cerca de 250 estrelas, contra 30 000 do original, e as atualizações chegam com atraso.

Para quem isso traz ganho

Serve para tudo em que o principal é uma pessoa falando: entrevistas, podcasts, aulas, análises, vídeos de demonstração. Para uma demo de produto, bastam capturas de tela e o Remotion. É melhor escrever os prompts em inglês, porque as instruções da skill estão nesse idioma. Um bom pedido responde a cinco perguntas: quais arquivos e em que ordem, qual o resultado (duração, formato, qualidade), o que cortar, como finalizar visualmente e quais inserções entram e quando.

Antes de publicar, assista ao vídeo você mesmo. O Claude verifica a parte técnica das emendas, mas o sentido continua sendo responsabilidade sua: palavras cortadas, nomes escritos errado nas legendas, saltos de volume, pausas removidas que faziam parte da entrega. Escreva os ajustes indicando o tempo.

Há também uma armadilha de licença. O video-use em si usa MIT, e o uso comercial é permitido. Já o Remotion é gratuito apenas para pessoas físicas e equipes de até três pessoas.

O resumo para engenheiros e times de produto: o pipeline «transcrição → LLM → EDL → FFmpeg» é reproduzível. O prompt, a lista de decisões e o código das animações ficam em texto, podem ser guardados no git e reaproveitados como modelos. A qualidade depende da precisão da transcrição e de como o modelo lida com contexto longo. O Claude não substitui redes neurais especializadas em vídeo: ele resolve outro problema, mas com rapidez. Se você publica vídeos de fala com regularidade, a economia chega a horas por semana. Se edita uma vez a cada seis meses, um editor tradicional ainda é mais conveniente.