让 Claude 真正看懂视频：claude-real-video 本地关键帧提取神器

让 Claude 真正看懂视频只用了 26 帧把 YouTube 链接丢给 ChatGPT它读的是字幕不是画面。claude-real-video 的思路是本地提取关键帧 去重 转录然后把最少的有效帧喂给 LLM。58 秒的视频固定采样要 58 帧它只给 26 帧——一个不漏一个不重复。这个项目解决什么问题大部分 AI 工具看视频的方式都有硬伤ChatGPT 只看字幕Claude 不收视频文件Gemini 虽然能看但按固定 1fps 采样——10 分钟的静态幻灯片变成 600 张几乎一模一样的图一个 0.5 秒的快切又可能被漏掉。claude-real-video简称 crv的做法是用场景切换检测替代固定采样再用滑动窗口去重砍掉重复帧最后加 Whisper 音频转录——你拿到的是最少、最有用的一包素材想喂给哪个 LLM 都行。核心亮点场景感知采样不是每隔 N 秒抓一张而是检测画面变化。镜头切换才抓静止画面只留一张。配合--dedup-threshold像素差异阈值默认 8%和--dedup-window滑动窗口大小默认 4A-B-A 来回切的镜头不会重复发送同一画面。一个 10 分钟的演讲视频固定采样要 600 帧crv 可能只给 40 帧——token 省了 15 倍。本地处理不依赖云所有帧提取ffmpeg和转录Whisper在本地完成。发出去的只有你自己选择粘贴给 LLM 的帧和文本。视频涉及商业机密或客户信息时这一点比 Gemini 原生方案安全得多。纯文本 MANIFEST 系统不把字幕烧进画面而是用MANIFEST.txt统一描述每帧的时间戳和内容摘要——任何 LLM 都能读。0.3.0 版新增--why参数告诉模型关注定价策略而不是笼统概括分析结果更有针对性。--kb参数还能把分析结果直接存到 Obsidian 笔记里融入知识库。快速上手pipinstallclaude-real-video[whisper]# 系统依赖ffmpeg# macOS: brew install ffmpeg# Linux: sudo apt install ffmpegcrvhttps://www.youtube.com/watch?v...# 输出到 crv-out/frames/*.jpg transcript.txt MANIFEST.txtcrvhttps://youtu.be/...--viewer# 打开 crv-out/viewer.html 边看视频边看关键帧然后把crv-out/文件夹拖进 Claude / ChatGPT / Gemini 的对话框直接问。Claude Code 用户还可以把它装成 skill让 Claude 自动处理视频链接。我的评价跟 Gemini 原生视频理解比crv 的优势是本地可控和智能去重——Gemini 的 1fps 固定采样对静态场景严重浪费 token对快切又丢信息。代价是你得手动把结果复制到 LLM 对话框没有端到端集成。维度claude-real-videoGemini 原生手动截图帧选择场景检测去重固定 1fps全靠手动隐私本地处理上传 Google本地音频Whisper 转录自动无端到端体验半自动全自动手动适用场景深度分析视频内容快速问答随便看看适合需要深度分析视频内容的场景产品演示分析、课程内容提取、创作复盘不适合这条视频讲了什么这种快速问答。如果你经常需要让 AI 分析视频中的画面细节不只是字幕crv 是目前最实用的开源方案。参考链接GitHub · HN 讨论