Si simplemente le pasas a un agente de programación una carpeta con tomas crudas y le pides editar un video con ffmpeg, los primeros cinco minutos parecen magia. Código de salida 0, archivo listo, tarea cerrada. Abres el video y empieza el dolor: una frase cortada a la mitad, saltos bruscos y el presentador mirando hacia otro lado dentro de la burbuja de cámara. El agente llega con honestidad al 90% del montaje, pero pulir ese último 10% de fallos menores consume más tiempo que editarlo a mano.
El desarrollador Cole Medin pasó por lo mismo y publicó gratis la habilidad abierta edit-video para Claude Code, Cursor, Codex y cualquier agente compatible con SKILL.md. Una habilidad de agente (skill) es una carpeta con instrucciones, scripts y reglas que enseña al agente un proceso repetible sin escribir prompts interminables. Cole editó con ella su propio video de YouTube explicando la herramienta y asegura que para tutoriales, presentaciones y grabaciones de pantalla ya no necesita editor humano.
Cinco pasos y scripts en lugar de ojos y oídos
Un modelo de texto no puede oír milisegundos en una pista de audio ni ver el cuadro exacto de un corte. Si le pides «calcular a ojo los códigos de tiempo», fallará.
En edit-video los papeles se invierten. Aquí el agente dirige, mientras que el trabajo fino lo hacen más de 37 scripts deterministas de Python en la carpeta scripts/. Cole no los escribió como ejemplo didáctico: su propio agente asistente fue creando estas utilidades como sus «ojos y oídos».
Al principio de SKILL.md hay una tabla de formatos. Si das pocos detalles, en el paso cero el agente hace una sola pregunta de aclaración y arma la cadena de pasos adecuada para formato «busto parlante», captura de pantalla con burbuja facial, B-roll animado (inserciones visuales sobre el presentador que ilustran la idea y disimulan cortes), Shorts o clases. El flujo base de cinco pasos corre totalmente en local y sin costo extra sobre tu suscripción del agente:
- Transcripción y descarte de tomas (
transcribe.py+align.py). Whisper local saca el texto, pero la habilidad no confía en sus marcas crudas: encima ejecuta forced alignment (alineación forzada) con PyTorch para fijar cada palabra al milisegundo exacto en la pista. Así se descartan las tomas fallidas. - Recorte de pausas (
pauses.py,cutpoints.py). Los scripts devuelven una tabla de silencios, suspiros y repeticiones, y el agente decide qué cortar. - Ensamblado (
assemble.py,screen_bubble.py,insert_segment.py). Une tomas buenas, sincroniza pantalla y cámara por audio e inserta bloques preparados. - Pulido (
transitions.py,captions.py, HyperFrames). Añade transiciones suaves con sonido, un ligero acercamiento de cámara (punch-in) para ocultar cortes secos, subtítulos y animaciones programáticas. - Exportación y autovalidación (
export_final.py,validate_cut.py,retranscribe.py). Aquí actúa el seguro principal: un script validador determinista vuelve a transcribir el archivo final y hace un diff palabra por palabra contra los originales. Si una palabra quedó cortada o duplicada, el agente corrige el empalme.
Todas las dependencias viven en un entorno único $S/.venv gestionado con uv (hacen falta ffmpeg, Python y Node para las animaciones):
# Instalamos la habilidad edit-video mediante skills CLI
npx skills add coleam00/skills --skill edit-video
# Comprobamos ffmpeg, Python y el entorno uv con doctor.py
S="${CLAUDE_SKILL_DIR}/scripts"
uv run --project "$S" python "$S/doctor.py"
# Opcional: instalamos forced alignment para marcas de tiempo exactas
uv sync --project "$S" --extra align --inexact
# Lanzamos la edición directo en el chat con Claude Code
/edit-video /path/to/raw_clips
El script doctor.py muestra de inmediato qué falta en tu máquina, y el comando /edit-video seguido de la ruta a los clips crudos arranca el ciclo. La carpeta de origen puede ser un caos completo: el agente selecciona las tomas útiles y arma un borrador a partir de tu descripción corta.
Errores aprendidos en lessons.md y paleta en brand.json
Los scripts cubren la rutina gruesa, pero en edición abundan trampas raras que no justifican un archivo Python aparte. Para eso references/lessons.md guarda un diario de tropiezos en lenguaje normal: detectas un fallo al renderizar, anotas la regla y el agente no repite el error.
El repositorio de Cole ya incluye tres lecciones muy ilustrativas. Primera: un código de salida 0 no demuestra nada; el agente tiene prohibido dar la tarea por buena sin revisar cuadros reales. Segunda: hay que inspeccionar recortes de lo que de verdad importa; en una hoja general de miniaturas no se nota que el presentador desvió la mirada en una burbuja de 250 px, y tres transiciones pasaron la revisión general pero fallaron en el recorte cercano. Tercera: siempre hay que verificar la exportación final; en una ocasión insertar un segmento patrocinado desfasó el audio posterior en 17 ms aunque el archivo intermedio marcaba 0.0 ms.
El estilo visual se controla en examples/brand.json, donde viven colores de fondo, acentos, subtítulos y tipografías para animaciones:
{
"bg": "#0B0E14",
"accent": "#4C8DF6",
"font": "Inter",
"mono": "JetBrains Mono",
"caption_ink": "#F4F6FA",
"caption_active": "#8AB6FF"
}
Basta con escribir tus propios colores y fuentes, o pedirle al agente en la primera ejecución que revise contigo brand.json y lessons.md para adaptar la habilidad al estilo de tu canal.
Flujo multimodal por $2.71 y límites claros
El modo local Basic basta para la mayoría de los borradores, pero un LLM de texto mantiene cuatro puntos ciegos: transcripción con precisión de estudio, visualización del video final, generación de portadas y corrección puntual de voz.
Para eso existe el modo ampliado Full a través de OpenRouter, una pasarela única hacia distintos modelos con una sola clave de API. Conviene decirlo claro: el video de Cole está patrocinado por OpenRouter, aunque la habilidad es abierta, el modo local funciona sin claves y el modo Full solo se activa si tú lo ordenas.
Editar por completo su video sobre Fable 5.2 con el flujo completo le costó a Cole exactamente $2.71. Esto es lo que detectó y corrigió esa combinación:
| Tarea | Modelo en OpenRouter | Qué detectó y corrigió en el video |
|---|---|---|
| Transcripción exacta | elevenlabs/scribe-v2 (o microsoft/mai-transcribe-2 a mitad de precio) | Detectó un leve tropiezo a mitad de palabra y ayudó a reparar un clip cortado en seco |
| Revisión del video | Gemini 4 Argon (vía proxy 480p a 10 fps con audio) | Oyó un crujido casi imperceptible por sobrecarga de CPU al grabar, y el agente lo limpió |
| Corrección de voz | Fish Audio 2.1 Pro (con muestra de voz de ~8 segundos) | Por un par de centavos cambió un «70%» dicho en voz alta por «75%» para coincidir con la diapositiva |
| Prototipos de portada | Flux, Gemini 3 Pro, GPT Image 2 | Generaron rápido borradores baratos con el rostro del presentador para elegir ideas |
La clonación de voz tiene una pega honesta: la frase corregida suena idéntica al original, pero en cámara se nota un leve desfase labial. En videos sin rostro en pantalla no supone ningún problema, y en una sola palabra el espectador difícilmente mirará los labios, mientras que un número equivocado frente a la diapositiva sí saltaría a la vista. Las portadas también sirven como bocetos (los modelos pueden deformar el logo de Claude) de los que aprovechar buenas ideas. Además, el script long_to_shorts.py extrajo por su cuenta tres Shorts listos del video largo, incluido un clip de 35 segundos con gráficos extraídos de la pantalla.
El modo Full se activa de forma explícita y lleva registro del gasto por llamada:
# Definimos la clave de OpenRouter (o la guardamos en scripts/.env)
export OPENROUTER_API_KEY="sk-or-..."
# Activamos el modo Full de forma explícita para la carpeta actual
S="${CLAUDE_SKILL_DIR}/scripts"
uv run --project "$S" python "$S/openrouter.py" ./ws enable
# Consultamos el gasto exacto por cada llamada a los modelos
uv run --project "$S" python "$S/openrouter.py" ./ws costs
# Si queremos, ejecutamos manualmente la validación palabra por palabra
uv run --project "$S" python "$S/validate_cut.py" ./ws
La clave puede guardarse en scripts/.env, archivo que ya figura en .gitignore para evitar fugas al repositorio. Después basta añadir «use the full pipeline» en el chat con el agente para que conecte los modelos en la nube registrando cada gasto.
- Material crudo y voz. El modo Basic es 100% local. En modo Full, el audio y el video comprimido se envían a proveedores externos vía OpenRouter, y
fix_word.pypide consentimiento explícito del hablante antes de enviar la muestra de voz. Para material bajo NDA estricto, quédate en modo local. - Entorno y formato. El entorno
.venvpesa unos 500 MB y se reconstruye al actualizar la habilidad (con la caché deuves rápido, aunque flags como--extra alignhay que reinstalarlos). La herramienta rinde muy bien en tutoriales, presentaciones y screencasts, pero no sustituye un montaje de entretenimiento estilo cine, y revisar el video final con tus propios ojos antes de publicar sigue siendo obligatorio.

