翻了老半天， browser-use 团队刚开源的 video-use，白使，眼下已经 15k star。上手遛了一圈，是真省 Token。
它的路数相当鸡贼，不让大模型死盯着画面看，而是先借 ElevenLabs Scribe 把视频压成 12KB 的时间戳文本，然后像修文档似的在文字那一层下剪子。几处细节我挺买账：
1️⃣ 每处切口自动补上 30ms 音频淡化，咔哒爆音当场消失
2️⃣ 要特效就派子任务去跑 Manim、Remotion
3️⃣ 渲染完自己质检，挑出瑕疵打回重做，最多重试 3 回
传统 AI 剪辑动不动烧掉几千万 Token，它靠文本骨架给省了下来。想拿 Codex 剪视频的，别错过。
🔗 https://github.com/browser-use/video-use