claude-video: hacer que Claude vea videos con /watch, extraiga frames, transcriba y responda

Wed, 08 Jul 2026 08:15:05 +0800

Claude puede leer páginas, código y documentos, pero no ve videos por defecto. Si pegas un enlace de YouTube, normalmente depende del título, la descripción o los subtítulos. Eso no basta cuando lo importante está en pantalla: una demo, una grabación de bug, un anuncio o un error de código.

bradautomates/claude-video añade la capacidad /watch. Pasas una URL o un archivo local, haces una pregunta, y la herramienta descarga solo lo necesario, extrae subtítulos, toma frames y entrega todo a Claude.

Para qué sirve

No es solo un descargador ni un resumidor de subtítulos. Su valor está en combinar lo visual con lo hablado.

Sirve para:

analizar videos públicos de YouTube, TikTok, Loom, Vimeo, X, Instagram y otros sitios;
resumir videos largos o cursos;
convertir tutoriales en notas;
ver qué se mostró realmente en lanzamientos, anuncios o videos de competidores;
diagnosticar grabaciones de bugs;
preguntar qué ocurre en un timestamp concreto;
detectar problemas de UI, mensajes de error o pasos en una grabación.

`1`	`/watch https://youtu.be/dQw4w9WgXcQ what happens at the 30 second mark?`

También funciona con archivos locales:

`1`	`/watch ~/Movies/screen-recording.mp4 when does the UI break?`

Cómo funciona

1. Video y pregunta

La entrada puede ser una URL o una ruta local. Usa yt-dlp, así que soporta YouTube, Loom, TikTok, X, Instagram y muchos otros sitios. Para archivos locales admite .mp4, .mov, .mkv y .webm.

2. Primero los subtítulos

La herramienta busca subtítulos nativos o automáticos antes de descargar video. En modo transcript, si hay subtítulos, puede responder sin descargar el video completo, lo que ahorra tiempo y coste.

3. Frames con ffmpeg

Cuando la pregunta necesita imagen, usa ffmpeg para extraer frames. Los modos de detalle cambian el equilibrio:

efficient: keyframes rápidos;
balanced: modo por defecto, frames por cambio de escena;
token-burner: más cobertura visual;
transcript: solo texto.

Los frames son de 512px de ancho por defecto. Sube la resolución si Claude debe leer texto pequeño, código, terminales o diapositivas.

4. Whisper como respaldo

Si no hay subtítulos, claude-video extrae audio y usa Whisper. Prefiere Groq whisper-large-v3 y también soporta OpenAI whisper-1.

Muchos videos públicos funcionan gratis con subtítulos. Las claves de Whisper solo hacen falta cuando no hay pista usable.

5. Claude recibe frames y texto

La herramienta produce transcripción con timestamps y rutas de imágenes. Claude lee los frames y responde con base en lo visto y oído, no solo en el título.

Por qué importa el presupuesto de frames

El coste viene sobre todo de las imágenes. Cada frame consume tokens. Un clip de 30 segundos se puede mirar con densidad, pero un video de 30 minutos puede agotar contexto rápido.

Si te interesa una parte concreta, usa intervalo:

`1`	`/watch https://youtu.be/abc --start 2:15 --end 2:45`

Suele ser más preciso y barato que escanear todo el video.

Deduplicación

Grabaciones de pantalla, cursos y diapositivas mantienen la misma imagen durante mucho tiempo. claude-video deduplica frames por defecto: usa ffmpeg para miniaturas en escala de grises, compara brillo y descarta casi duplicados. Así el presupuesto se usa en contenido distinto.

Instalación

En Claude Code:

1
2

/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video

En Codex, Cursor, Copilot, Gemini CLI y otros hosts con Agent Skills:

`1`	`npx skills add bradautomates/claude-video -g`

-g instala globalmente para el usuario; sin -g, queda en el proyecto actual.

Primera ejecución

La primera vez que uses /watch, revisa ffmpeg, yt-dlp y la configuración opcional de Whisper.

macOS: brew install ffmpeg yt-dlp;
Linux: muestra comandos apt, dnf o pipx;
Windows: muestra opciones winget o pip;
Whisper usa GROQ_API_KEY u OPENAI_API_KEY en ~/.config/watch/.env.

Si el video tiene subtítulos, normalmente no necesitas clave de Whisper.

Consejos

En videos largos empieza con transcript o efficient, no con token-burner. Si conoces el momento relevante, usa --start y --end. Sube resolución solo cuando el texto en pantalla importe. En videos privados, limpia los archivos temporales.

Para quién encaja

Encaja con personas que analizan videos técnicos, cursos, lanzamientos, anuncios, demos de competencia o grabaciones de bugs. No encaja si solo quieres descargar videos, evitas la terminal, necesitas análisis profesional frame a frame o no puedes enviar el contenido a una IA.

Conclusión

claude-video convierte un video en materiales que Claude puede entender: subtítulos para el audio, frames para lo visual y timestamps para ubicar la respuesta. Si usas videos como fuente de información, /watch puede ahorrar mucho tiempo de buscar manualmente en la línea de tiempo.

Fuentes:

Video Analysis on KnightLi Blog