Cómo darle a Claude Code la capacidad de ver un vídeo
TL;DR
claude-video añade un comando /watch a Claude Code: pegas una URL o un archivo local, y el agente recupera los subtítulos, extrae imágenes en los momentos que importan y responde apoyándose en lo que ha visto y oído. Funciona con YouTube, Loom, TikTok, X, Instagram y todo lo que yt-dlp sepa descargar. Gratis mientras el vídeo tenga subtítulos. Sin subtítulos, hace falta una clave API de Whisper para la transcripción.
El problema: un agente que lee un título, no un vídeo
Sin esta herramienta, un agente que recibe un enlace de YouTube adivina a partir del título, o recupera una transcripción automática que se pierde todo lo que pasa en pantalla: un gráfico, un error mostrado, un montaje. Responde "según el título", no "según lo que pasa en el vídeo".
Cómo funciona
Tres pasos, en este orden:
- Primero los subtítulos.
yt-dlprecupera los subtítulos nativos de la fuente, manuales o automáticos, sin descargar el vídeo. Gratis, casi instantáneo. - Imágenes solo si hace falta.
ffmpegextrae imágenes en los cambios de escena en lugar de a intervalo fijo, para evitar pagar doce veces en tokens la misma diapositiva. Una pasada de deduplicación compara cada imagen con la última conservada y elimina los casi duplicados antes de que lleguen a Claude. - Transcripción como respaldo. Si el vídeo no tiene subtítulos, la herramienta extrae el audio y lo envía a Whisper, el de Groq en primer lugar (más barato, más rápido), y si no el de OpenAI.
Claude lee después cada imagen como una imagen normal, con una marca de tiempo, y responde apoyándose en ese contenido en lugar de en una descripción genérica.
/watch https://youtu.be/<video> qué ha cambiado, sáltate el pitch
Lo que da en concreto
- Analizar el lanzamiento de un competidor: gancho de apertura, estructura del montaje, lo que se muestra en pantalla en lugar de lo que se dice.
- Depurar a partir de una grabación de pantalla: el agente encuentra la imagen exacta en la que aparece el bug, sin que tengas que escrutar el vídeo fotograma a fotograma.
- Resumir una conferencia de 49 minutos en unos segundos, con marcas de tiempo precisas en lugar de un resumen vago.
- Cortar la paja de un vídeo de producto: preguntar directamente qué ha cambiado, sin los diez primeros minutos de contextualización.
Cuánto cuesta realmente
El precio anunciado de cero se cumple para los vídeos con subtítulos, la mayoría del contenido público: yt-dlp los recupera sin coste y sin descargar el vídeo. Un vídeo sin subtítulos cambia las cosas: la herramienta pasa a Whisper, que exige una clave API de pago (Groq u OpenAI). Lo gratis es la regla general, no una garantía universal.
Cómo instalarlo
/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video
yt-dlp y ffmpeg se instalan automáticamente en el primer arranque en macOS mediante Homebrew; en Linux y Windows, la herramienta muestra los comandos exactos que hay que lanzar.
Los límites
En un vídeo largo, el número de imágenes tiene un tope: un vídeo de más de 10 minutos se limita a 100 imágenes por defecto, lo que da un barrido amplio más que una cobertura densa. Para un momento concreto, indicar un intervalo ("entre 2:30 y 3:00") da una respuesta mucho más densa que una pasada por el vídeo entero. El modo más completo, sin tope, existe pero cuesta más tokens en un vídeo con cortes frecuentes.