Claude Code vidéo : donner des yeux à Claude en 5 min

🎯 En bref

J’ai testé une conférence YC d’une heure sur “How to Start a Startup” — Sam Altman à l’écran, graphiques, slides. En tapant /watch URL dans Claude Code vidéo, j’avais une synthèse complète en moins de 2 minutes. Pas seulement le transcript. Les graphiques projetés. Les titres de slides. Les annotations visuelles. C’est ça, la différence entre un outil de transcription classique et un vrai skill Claude Code.

J’avais essayé plusieurs solutions avant de tomber sur celle-ci. La majorité ne lisent que l’audio et ratent tout ce qui se passe à l’écran. Ce skill combine les deux canaux et donne à Claude Code une compréhension réelle du contenu — texte et image ensemble, avec timestamps synchronisés.

Voici exactement comment le pipeline fonctionne, comment l’installer, et trois cas d’usage qui ont changé ma façon de consommer du contenu.

🎯 Le vrai problème : Claude Code ne peut pas regarder une vidéo

Anthropic n’a pas encore de modèle vidéo natif. Claude Code reçoit du texte et des images — pas de flux vidéo. Collez un lien YouTube dans Claude Code : il ne peut pas l’ouvrir. Il devine le contenu d’après le titre, au mieux.

Les outils qui “lisent” une vidéo ne font généralement qu’extraire le transcript. C’est utile, mais incomplet. La moitié du contenu intéressant d’une vidéo n’est pas dit à voix haute — les graphiques, les démos en direct, les slides annotées, les évolutions d’interface. Tout ça disparaît avec une approche transcript-only.

Ce skill Claude Code vidéo contourne le problème proprement. Il réduit la vidéo à ce que Claude sait déjà lire : des images + du texte. Le résultat dépasse largement ce qu’on obtient avec un simple transcript.

Concrètement : pour une conférence avec des graphiques projetés, Claude Code accède aux chiffres affichés à l’écran, aux titres de slides, aux annotations visuelles — pas seulement à ce qui a été dit au micro. L’erreur que je vois le plus souvent dans mes formations Claude Code, c’est de sous-estimer cette dimension multimodale du contenu vidéo.

Pour comprendre l’écosystème des skills Claude et leur logique d’installation, j’ai publié un guide complet : Claude Skills — le guide pro 2026. Ce skill vidéo s’inscrit dans la même logique d’extension des capacités natives de Claude Code.

🚀 L’architecture du skill : yt-dlp + FFmpeg + Whisper

La force du pipeline, c’est sa simplicité. Deux outils open source qui existent depuis plus d’une décennie font 90% du travail :

Le pipeline Claude Code vidéo en 4 étapes

1. yt-dlp télécharge la vidéo — ou récupère directement les sous-titres YouTube gratuits (pas de Whisper dans ce cas).
2. FFmpeg extrait les frames — une capture toutes les X secondes. Le skill plafonne à 100 frames au-delà de 30 minutes : une vidéo de 30 min et une de 2h coûtent le même prix en tokens.
3. FFmpeg extrait l’audio → Whisper via Groq transcrit si aucun sous-titre disponible. Le tier gratuit Groq couvre 2 heures de transcription par heure.
4. Claude Code reçoit les deux — frames + transcript timestampé. Il corrèle ce qui est dit avec ce qui est montré à chaque instant.

yt-dlp et FFmpeg s’installent une seule fois en local. Aucun service tiers dans la boucle — pas de MCP, pas de wrapper propriétaire. Ce sont les mêmes outils qui font tourner 90% des applications vidéo que vous utilisez déjà. La robustesse est éprouvée depuis plus de dix ans par des millions de développeurs.

Pour les vidéos YouTube, le skill récupère directement les sous-titres automatiques — zéro appel Whisper, zéro coût de transcription. Whisper ne s’active que pour les contenus sans captions : fichiers locaux, Looms, Instagram Reels.

Pour aller plus loin sur les LLM, tokens et embeddings qui font fonctionner Claude Code, mon article 30 concepts IA vitaux pour 2026 détaille les fondations techniques sans jargon inutile.

🚀 Installation en 5 minutes

Le skill Claude Code vidéo est disponible gratuitement sur GitHub. Après avoir cloné le repo, les étapes sont les suivantes :

Une fois installé, vous n’interagissez qu’avec le résultat. Le skill gère lui-même le téléchargement, l’extraction de frames, la transcription et l’envoi à Claude Code. Pas de configuration à refaire entre deux vidéos.

Trois flags avancés utiles pour les cas d’usage professionnels :

• --start et --end : cibler une fenêtre temporelle précise
• --zoom : extraction frame-par-frame sur un segment court

Pour analyser 10 secondes d’une vidéo de 2 heures, Claude Code se concentre uniquement sur cette séquence sans charger l’intégralité du contenu. C’est le détail d’ingénierie qui rend le skill praticable sur les longues conférences sans exploser la fenêtre de contexte.

Si vous comparez les différentes approches IA pour l’analyse de contenu, mon comparatif ChatGPT vs Claude vs Gemini donne une vision claire des forces de chaque outil — Claude Code se distingue justement par cette extensibilité via les skills.

💡 Trois cas d’usage concrets

1. Recherche de contenu et veille concurrentielle

Ce skill Claude Code vidéo change radicalement la veille. Donnez l’URL d’une vidéo et demandez à Claude Code d’analyser le hook : setup visuel, mots exacts, moment du pattern interrupt, ce qui apparaît à l’écran à la seconde 0. Ce qui prenait 10 minutes par vidéo — pause, scrub, prise de notes — prend maintenant une ligne de commande.

Pour la recherche éditoriale ou la veille concurrentielle, c’est l’outil le plus efficace que j’ai croisé dans l’écosystème IA vidéo. Les outils de transcription classiques ne lisent pas les frames — ils ratent tout le contenu visuel qui donne son sens au discours.

2. Debug de screen recordings

Cas développeur concret : un bug UI apparaît. Vous enregistrez 30 secondes de screen recording. Vous déposez le fichier dans Claude Code avec /watch et vous demandez ce qui se passe juste avant le crash. Claude Code lit les frames autour du moment critique, identifie le changement d’état, donne le frame exact où le problème commence. Des heures de debug économisées sur un type de problème que les logs ne capturent pas : les transitions visuelles, les états intermédiaires de l’interface.

3. Alimentation automatique d’un second brain Obsidian

C’est le cas d’usage le plus impressionnant du skill Claude Code vidéo. Le principe : donner à Claude Code la liste des créateurs à surveiller. Claude exécute le skill pour chaque vidéo automatiquement — frames, audio, tout — et génère des notes structurées en markdown directement dans le vault Obsidian. Résumé, concepts clés, timestamps des moments importants.

L’effet de composition est réel. Plus le second brain enregistre de vidéos, plus il a de contexte, plus les analyses deviennent précises. Pour mes formations, j’utilise cette approche pour alimenter ma base de connaissances sur les outils IA — c’est ce que j’enseigne aussi dans mes sessions sur NotebookLM et la gestion de contenu IA.

📊 Le coût réel : presque rien

Le skill plafonne à 100 frames au-delà de 30 minutes. Une vidéo de 30 min et une de 2h coûtent le même prix en tokens Claude Code — c’est le choix d’ingénierie le plus intelligent du pipeline. Scalabilité linéaire sur les vidéos courtes, plafonnée sur les longues.

Le tier gratuit de Groq couvre 2 heures de transcription par heure. En deux semaines d’utilisation quotidienne intensive — test de la vidéo source — le budget Whisper n’a jamais dépassé le tier gratuit. Pour les volumes professionnels (50+ vidéos par jour), il faudra calculer. Pour un usage individuel ou en équipe jusqu’à 10 personnes, le free tier couvre l’essentiel.

Si vous intégrez Claude Code vidéo dans un contexte professionnel — audits IA, veille automatisée, formations équipe — ce type de workflow fait partie des démos que j’aborde dans mes formations IA Qualiopi. Et pour l’ensemble des tutoriels Claude Code disponibles sur le blog, consultez la bibliothèque complète des tutoriels IA.