Browser Use 创始人老哥搓的口播视频剪辑 skills：可剪口癖、调色、加字幕、做动画（用的 Manim 和 Remotion）

核心理念：基于转录做视频编辑

第一层——音频转录（始终加载）。每次源文件调用 ElevenLabs Scribe 都会提供词级别的时戳、说话人分离和音频事件（如（笑声）、（掌声）、（叹息））。所有这些信息都打包成一个约 12KB 的 takes_packed.md 文件——这是 LLM 的主要阅读视图。

第二层——视觉合成（按需）。timeline_view 会为任何时间范围生成一个包含胶片条、波形和词标签的 PNG 图像。仅在决策点调用——例如模糊的停顿、重录比较、剪辑点合理性检查。

链接：github.com/browser-use/video-use