Watch

Ela baixa o vídeo, separa os quadros e olha o que está na tela.

A Watch junta yt-dlp e ffmpeg dentro de um fluxo só. Ela baixa o arquivo, tenta primeiro a legenda que já existe e, quando não existe, transcreve. Em paralelo extrai quadros em intervalos, e é isso que permite responder sobre o que está aparecendo, além do que foi falado.

Com uma chave do Gemini configurada, o modelo assiste o arquivo inteiro em vez de olhar amostra. Sem chave, ela continua funcionando com transcrição mais quadros.

Instala a skill e confere se o yt-dlp e o ffmpeg estão na máquina.

Ela depende dessas duas ferramentas pra baixar e fatiar o vídeo. Se você prefere fazer direto no terminal, rode esta linha:

$ npx skills add bradautomates/claude-video -g --skill watch

No macOS, as duas dependências saem daqui:

$ brew install yt-dlp ffmpeg

Quando a informação que você precisa está dentro de um vídeo longo.

Ela encurta o caminho entre achar o vídeo e ter o conteúdo dele em texto, com referência de tempo.

Instalei agora, então meu uso ainda está em teste.

O primeiro ponto que eu quero validar é se ela substitui a transcrição solta que eu já uso quando preciso de referência visual.

Assiste esse vídeo e me diz o que aparece na tela
nos primeiros trinta segundos, com o tempo de
cada mudança.

Precisa de terminal, então ela fica fora do chat do navegador.

Ela roda comando na sua máquina, e por isso só funciona em sessão de terminal como Claude Code ou Codex. No chat web não tem como executar yt-dlp nem ffmpeg, e a skill nem carrega.

Transcrição sozinha não prova o que estava na tela.