claude-real-video es una herramienta de código abierto (licencia MIT) diseñada para que un modelo de lenguaje grande (LLM) pueda "ver" un vídeo de forma efectiva, trabajando en local y sin subir el contenido a la nube. A diferencia de los flujos habituales —como Gemini, que muestrea fotogramas a intervalos fijos, o ChatGPT, que solo lee transcripciones— esta utilidad aplica detección de cambios de escena para extraer únicamente los fotogramas relevantes, elimina los duplicados mediante comparación de píxeles con ventana deslizante y, opcionalmente, transcribe el audio con Whisper. Como resultado genera una carpeta con los fotogramas clave (JPEG), la transcripción en texto plano y un fichero MANIFEST.txt que resume el contenido para el modelo.
El paquete se instala con pip y necesita ffmpeg/ffprobe en el sistema. Acepta tanto una URL (gracias a yt-dlp, con soporte de cookies para vídeos con login) como archivos locales en formatos habituales. Entre sus opciones destacan el umbral de sensibilidad de escena (--scene), un suelo mínimo de fotogramas por segundo (--fps-floor), un tope máximo (--max-frames), el idioma de Whisper, la deduplicación por porcentaje de píxeles cambiados y una ventana temporal, además de la posibilidad de conservar la pista de audio completa para modelos que escuchen (--keep-audio) y de generar un informe HTML con cada decisión de conservación/descarte (--report).
La herramienta es multiplataforma (macOS, Windows, Linux, Python 3.10+), funciona desde la línea de comandos (crv) o como módulo Python (process()), y deja al usuario el control sobre el equilibrio entre exhaustividad y consumo de contexto. Resulta especialmente útil para analizar tutoriales, conferencias, screencasts, reels de redes sociales o cualquier vídeo al que se quiera aplicar después un LLM multimodal como Claude, ChatGPT o Gemini.