你有没有试过把一段短视频发给 Claude 或 ChatGPT，想让它分析画面内容，结果它只读了字幕或干脆报错？目前绝大多数大模型根本“看不见”视频——它们要么只能处理文字转录，要么依赖云端粗粒度抽帧（比如每秒一张），漏掉关键镜头、重复发送相似画面，还可能上传隐私内容。而 claude-real-video 正是为解决这个痛点诞生的开源工具：它不联网、不上传、不瞎抽帧，而是像人类一样——只抓“有变化的场景”，自动去重、精准截帧、同步生成语音文本，把整段视频变成大模型真正能“阅读”的结构化资料包。
核心功能
- 智能场景识别：不按固定时间间隔抽帧，而是通过算法检测真实镜头切换（scene change），确保每个关键画面都被捕获，快剪、转场、跳切统统不遗漏
- 滑动窗口去重：自动识别并剔除重复或高度相似的帧（如PPT讲解中长时间静止的画面），避免大模型被冗余信息干扰
- 本地端到端处理：支持 YouTube 链接、本地 MP4/MOV 等常见格式，所有计算（解码、帧提取、ASR语音转写）均在你的电脑完成，隐私零泄露
- 结构化输出三件套：一键生成
frames/（精选 JPG 帧）、transcript.txt（带时间戳的逐句转录）和MANIFEST.txt（帧与时间轴映射关系），专为 Claude / ChatGPT / Gemini 等多模态模型优化设计 - 轻量易集成：命令行单指令启动（
crv "https://..."），输出目录可直接拖入聊天界面，无需手动整理或格式转换 - MIT 完全开源：代码简洁透明，Python 编写，支持自定义参数（如最小场景时长、ASR 模型选择），开发者可深度定制
适合哪些人用
这款工具特别适合内容创作者、教育工作者、AI 研究者和隐私敏感型用户：如果你需要让大模型分析教学录像、会议回放、产品演示视频或自媒体素材，又不想把原始视频上传至第三方服务器；如果你常因“模型说没看到关键画面”而反复调试提示词；或者你正在搭建本地 AI 工作流，追求可复现、可审计、可离线的视频理解能力——那么它就是为你量身打造的“视频翻译官”。
快速上手
只需三步：
- 安装依赖：
pip install claude-real-video（需 Python 3.9+，自动安装 ffmpeg、whisper、opencv 等底层库） - 运行解析：
crv "https://www.youtube.com/watch?v=abc123"或crv ./my_video.mp4 - 等待完成（时长取决于视频和硬件），打开生成的
crv-out/文件夹，将整个文件夹拖入 Claude 等支持多文件上传的对话框即可提问，例如：“第3个场景中人物穿什么颜色衣服？结合 transcript 解释他在做什么？”
首次运行会自动下载 Whisper 中文语音模型（约 2GB），后续使用极速响应。Mac / Windows / Linux 全平台支持。
项目信息
Let Claude (or any LLM) actually watch a video — scene-aware, deduplicated frames + transcript, from a URL or local file. Runs locally, MIT.
481
Stars
18
Forks
Python
MIT
编程语言：Python｜GitHub Star 数：481｜开源协议：MIT｜GitHub 项目地址
它不炫技、不造概念，却实实在在填补了“大模型看视频”这一关键能力的本地化空白——用聪明的方式，做该做的事。
