O czym jest ten film
- Autor prezentuje wersję drugą swojego skilla „Watch”, który pozwala Claude’owi analizować dowolne wideo z linku.
- Skill podaje modelowi klatki obrazu razem z transkryptem z znacznikami czasu, więc Claude nie tylko czyta, ale też widzi, co dzieje się na ekranie.
- Obsługiwane są YouTube, Loom, TikTok, pliki lokalne — łącznie ponad 1600 serwisów.
- Nowość: inteligentny wybór scen — skill szuka momentów, w których obraz naprawdę się zmienia, zamiast pobierać klatki co równy odcinek czasu.
- Nowość: detekcja gestów deiktycznych — skill wyłapuje w transkrypcie zwroty typu „spójrzcie tutaj” i pobiera klatkę dokładnie z tej sekundy.
- Nowy tryb „efficient” korzysta z klatek kluczowych zapisanych już w pliku wideo, co daje czterdziestokrotne przyspieszenie.
- Nowy tryb „token burner” zdejmuje limit klatek — do dwóch klatek na sekundę, drogo, ale kompletnie.
- Dodano filtrowanie duplikatów: identyczne klatki są odrzucane przed wysłaniem do modelu, co obniża koszt tokenów.
- Instalacja zajmuje około dwóch minut — przez marketplace w Claude Code, przez menu „customize” w zwykłym Claude albo przez skills.sh.
- Autor opisuje cztery tryby pracy (transcript, efficient, balanced, token burner) i radzi, który wybrać jako domyślny.
Redakcyjne tłumaczenie
Punkt wyjścia
Mało kto wie, że Claude potrafi już obejrzeć za was dowolne wideo. Jeśli spróbujecie zrobić to sami, bez tego skilla, model po prostu się poddaje i mówi, że nie umie. Skill nazywa się Watch i wystarczy wkleić link do dowolnego filmu w internecie — Claude po prostu go obejrzy. Dwugodzinny wywiad z Borisem Cherneyem rozkłada na czynniki pierwsze w pięć sekund.
(Informacja dodatkowa: „skill” to w ekosystemie Claude’a pakiet instrukcji i skryptów, który rozszerza możliwości modelu o konkretną umiejętność — instaluje się go przez marketplace wtyczek.)
Skill podaje Claude’owi jednocześnie klatki wideo i transkrypt, więc model nie czyta samego tekstu, tylko naprawdę widzi, co dzieje się na ekranie. Działa na wszystkim: filmy z YouTube’a, nagrania z Looma, TikToki, pliki lokalne. Bez przesady — obsługuje w tej chwili ponad 1600 serwisów. Od premiery na GitHubie w zeszłym miesiącu projekt zebrał blisko trzy tysiące gwiazdek i przerobił setki tysięcy filmów na różnych platformach.
Dziś premiera wersji drugiej. Jest do czterdziestu razy szybsza, tańsza w użyciu i radzi sobie z bardzo długimi materiałami dzięki inteligentnemu doborowi klatek, który wyłapuje momenty naprawdę istotne. Wszystko sterowane jednym pokrętłem: od darmowego, czterosekundowego przelotu po pełne, klatka po klatce, głębokie czytanie. W tym filmie pokażę dokładnie, jak to działa i jak uruchomić to u siebie w Claude albo w Claude Code w kilka sekund.
Inteligentny wybór scen
Zanim opowiem, jak udało mi się przyspieszyć skill czterdziestokrotnie, chcę pokazać usprawnienie, które cieszy mnie najbardziej: inteligentny dobór klatek.
Claude nie ma wbudowanego modelu rozumienia wideo, ale jest multimodalny — potrafi rozumieć statyczne obrazy. Skill daje mu więc coś w rodzaju kineografu: zestaw klatek sparowany z transkryptem opatrzonym znacznikami czasu. Dzięki temu model wie dokładnie, co i kiedy pojawia się na ekranie.
(Informacja dodatkowa: kineograf, czyli popularny „flipbook” — książeczka z obrazkami, które przy szybkim przewracaniu kartek tworzą wrażenie ruchu.)
W wersji pierwszej było z tym pewien problem. Skill pobierał sto klatek rozłożonych równomiernie na całym filmie. Na krótkich materiałach sprawdzało się to świetnie. Ale przy dwugodzinnym nagraniu, takim jak to przed chwilą, wychodzi jedna klatka co siedemdziesiąt dwie sekundy. A przy dziesięciogodzinnym — jedna klatka co sześć minut. Claude w praktyce czytał transkrypt z kilkoma przypadkowymi zrzutami ekranu.
Rozwiązaniem nie jest podanie modelowi każdej klatki filmu, bo to byłoby potwornie drogie i wolne. Zresztą sedno problemu wcale nie leży w liczbie klatek, tylko w wyborze tych właściwych. Stąd inteligentny dobór scen: skill skanuje film w poszukiwaniu punktów, w których obraz naprawdę się zmienia — nowy slajd, zmiana ujęcia, nowa grafika. Dzięki temu każda klatka, którą widzi Claude, to realny moment wart analizy.
Detekcja gestów deiktycznych
To jednak nie wszystko. Wróćmy do wywiadu z Borisem Cherneyem. W pewnym momencie prezentuje on swój sposób pracy z Claude Code i mówi wprost: „jak widzicie” — w trakcie udostępniania ekranu. Stara wersja skilla całkowicie by to przegapiła, bo nie dawała Claude’owi możliwości zajrzenia akurat w to miejsce filmu. Sam dobór scen też tego nie wyłapie, bo nie jest to początek nowego ujęcia.
I tu wchodzi detekcja gestów deiktycznych. Claude czyta najpierw transkrypt i wyszukuje w nim właśnie takie zwroty: „spójrzcie tutaj”, „jak widzicie”, „patrzcie, co się teraz stanie”. Następnie pobiera klatkę z dokładnie tej sekundy i włącza ją do analizy.
(Informacja dodatkowa: „deiktyczny” to termin językoznawczy określający wyrażenia wskazujące — takie, których znaczenie zależy od sytuacji, w której padają, jak „tu”, „to”, „teraz”.)
Tryb token burner
Czasem inteligentny dobór to za mało i potrzeba po prostu większej mocy. Dodałem więc opcjonalny tryb, który nazwałem token burner — spuszcza on Claude’a całkiem ze smyczy. W tym trybie nie ma twardego limitu klatek, a model może wyciągnąć wszystko, co inteligentny dobór jest w stanie wykryć. Każda zmiana sceny w całym filmie staje się klatką, aż do dwóch klatek na sekundę. To opcja dla tych sytuacji, kiedy nie zależy wam na koszcie tokenów, tylko chcecie, żeby Claude zobaczył absolutnie wszystko. To najcięższe ustawienie i robi się drogie, więc używajcie z rozwagą.
Skąd bierze się czterdziestokrotne przyspieszenie
Nowa wersja dostała tryb o nazwie „efficient”. Jest dla tych momentów, kiedy chcecie, żeby Claude naprawdę zobaczył film, ale nie potrzebujecie każdej klatki — wystarczy ogólny obraz. Jeśli pilnujecie swoich limitów zużycia, to tryb dla was.
Działa to tak. Żeby pliki wideo nie były gigantyczne, format nie zapisuje każdej klatki w całości. Mniej więcej raz na sekundę zapisywany jest jeden pełny „zrzut” — to tak zwana klatka kluczowa. Każda klatka pomiędzy nimi rejestruje tylko to, co zmieniło się od ostatniego zrzutu, co jest o wiele tańsze niż przechowywanie kompletnego obrazu dwadzieścia cztery razy na sekundę.
Tryb efficient to wykorzystuje. Zamiast dekodować wszystkie dwadzieścia cztery klatki na sekundę, Claude bierze tylko klatki kluczowe, które i tak są już w pliku. Stąd bierze się czterdziestokrotne przyspieszenie. Tryb normalny musi odtworzyć każdą pojedynczą klatkę i porównać ją z poprzednią, żeby w ogóle wykryć zmianę sceny. Pobranie klatek kluczowych pomija cały ten etap — one już tam leżą, gotowe do wzięcia, bez odtwarzania i porównywania.
Koszt tokenów i usuwanie duplikatów
Przy poprzednim filmie chyba ponad połowa komentarzy dotyczyła tego, ile tokenów pochłania ten skill. Porozmawiajmy więc o tym chwilę, bo wdrożyłem funkcję, która znacząco obniża koszt.
Jak słusznie zauważyło kilka osób, w większości filmów mnóstwo klatek jest praktycznie identycznych. Weźmy typowe nagranie „gadająca głowa”, gdzie przez większość czasu nie ma na ekranie nic wartego uchwycenia. Stara wersja płaciła pełną cenę za każdą taką klatkę, mimo że wszystkie pokazywały to samo ujęcie.
Teraz, zanim cokolwiek trafi do Claude’a, skill wykonuje szybki przebieg czyszczący. Zmniejsza każdą klatkę do maleńkiej miniatury i porównuje ją z poprzednią. Jeśli dwie klatki to w praktyce ten sam obraz, duplikat leci do kosza. Płacicie więc tylko za klatki, które faktycznie się różnią. Usuwane są wyłącznie te, które naprawdę nic nie wnoszą, więc cały sygnał zostaje, a znikają koszty za klatki bez znaczenia.
Instalacja
Uruchomienie tego u siebie zajmuje jakieś dwie minuty.
Jeśli korzystacie z Claude Code i instalujecie po raz pierwszy, wejdźcie w link w opisie pod filmem. Skopiujcie do Claude Code dwie komendy: pierwsza dodaje marketplace, druga instaluje z niego skill Watch. Jedna ważna uwaga — włączcie automatyczne aktualizacje. Wypuszczam nowe funkcje dość regularnie, a automatyczna aktualizacja sprawia, że każde wydanie trafia do was samo, bez myślenia o tym.
Jeśli macie już zainstalowaną pierwszą wersję, nie musicie nic instalować od nowa — wystarczy włączyć automatyczną aktualizację. Albo wejść w menu marketplace w Claude Code i kliknąć „update”, żeby pobrać nową wersję.
Jeśli używacie zwykłego Claude’a, a nie Claude Code, marketplace wtyczek dodacie prosto z menu „customize”. We wszystkich pozostałych przypadkach instalacja przez skills.sh. Pełne instrukcje dla każdej platformy są w pliku readme — cokolwiek uruchamiacie, znajdzie się tam ścieżka dla was.
Cztery tryby pracy — który wybrać
Przy pierwszym uruchomieniu skill zapyta, który tryb ma być domyślny. Przejdźmy przez wszystkie opcje, żebyście wiedzieli, co wybrać.
Transcript — bez żadnych klatek. To najszybsza opcja: Claude pobiera wyłącznie transkrypt i czyta go w kilka sekund.
Efficient — pobiera klatki kluczowe, więc Claude naprawdę widzi film, ale pozostaje szybko i tanio. To tryb, który ustawiłbym jako domyślny do codziennego użytku. Daje ogólny obraz niemal dowolnego materiału, prawie nie zjadając limitu.
Balanced — pełnoprawny tryb świadomy scen. Więcej klatek i trafiają one w realne momenty. Używajcie, gdy warstwa wizualna faktycznie ma znaczenie i zależy wam, żeby Claude się nie pomylił. Jeśli nie wiecie, co wybrać, to bezpieczna opcja.
Token burner — ostatni tryb, bez limitów, gdzie każda zmiana sceny staje się klatką. Jest drogi, więc zostawcie go na długie, ważne filmy, przy których naprawdę chcecie, żeby Claude zobaczył wszystko.
Domyślny tryb możecie ustawić teraz, a przy każdym filmie z osobna go nadpisać, więc nie ma co się nad tym zastanawiać. Zacząłbym od efficient albo balanced.
Klucz API do transkrypcji
Następnie skill poprosi o klucz API do Grok albo OpenAI. Służy on wyłącznie do transkrypcji jako opcja zapasowa, gdy film nie ma napisów. Skill zawsze najpierw sięga po darmowe napisy z samego wideo, a klucz przydaje się tylko przy materiałach, które ich nie mają — jak nagranie z Looma czy surowy plik lokalny. Wybrałbym Grok, bo jest darmowy i sporo szybszy od OpenAI. Wklejacie klucz raz i macie temat z głowy.
(Informacja dodatkowa: autor mówi „Grok”, ale w kontekście darmowej i bardzo szybkiej transkrypcji chodzi najprawdopodobniej o Groq — platformę inferencyjną hostującą model Whisper. Grok to z kolei model językowy xAI. Warto zweryfikować to w pliku readme projektu.)
Jak to wpina się w większy system
To by było na tyle, jeśli chodzi o wersję drugą skilla Watch. Sam używam go codziennie. Mam go wpiętego bezpośrednio w mój „system operacyjny AI”. Każdy film, który obejrzałbym ręcznie, ogląda za mnie Claude, po czym pisze porządne notatki i archiwizuje je całkowicie automatycznie. Pilnuję w ten sposób każdego twórcy w przestrzeni AI, więc zawsze wiem, co się dzieje i kto co publikuje.
Cały ten system rozłożyłem na części w pierwotnym filmie — tam też szczegółowo omawiam ceny i dokładne koszty działania, a przy okazji kilka funkcji, na które tu zabrakło czasu. Jeśli chcecie zobaczyć, jak to wpasowuje się w taki system, to właśnie ten film obejrzyjcie jako następny.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Model multimodalny da się zamienić w „oglądacz wideo” bez modelu wideo
Na czym polega: Claude nie rozumie wideo natywnie, ale rozumie obrazy. Skill wykorzystuje to, podając mu sekwencję klatek zsynchronizowaną z transkryptem opatrzonym znacznikami czasu.
Jak stosować: Traktuj to jako wzorzec projektowy dla własnych narzędzi — jeśli model nie obsługuje jakiejś modalności, sprawdź, czy nie da się jej rozłożyć na modalność obsługiwaną plus metadane czasowe.
Na co uważać: To rekonstrukcja, nie prawdziwe rozumienie wideo. Ruch, dynamika i wszystko, co dzieje się pomiędzy wybranymi klatkami, pozostaje dla modelu niewidoczne.
2.Równomierne próbkowanie klatek nie skaluje się na długie materiały
Na czym polega: Sto klatek rozłożonych równo to przy dwóch godzinach jedna klatka co 72 sekundy, a przy dziesięciu godzinach — jedna co sześć minut. W praktyce model czyta wtedy transkrypt z przypadkowymi zrzutami.
Jak stosować: Przy długich materiałach nie polegaj na trybach o stałej liczbie klatek. Wybieraj tryby świadome scen albo dziel długi film na krótsze fragmenty.
Na co uważać: Sam fakt, że narzędzie „przerobiło” dwugodzinny film w kilka sekund, nie znaczy, że zobaczyło jego istotne fragmenty. Zawsze sprawdź, w jakim trybie działało.
3.Liczy się wybór klatek, nie ich liczba
Na czym polega: Skill szuka punktów, w których obraz naprawdę się zmienia — nowy slajd, zmiana ujęcia, nowa grafika — zamiast pobierać klatki w regularnych odstępach.
Jak stosować: Do materiałów z prezentacjami, demonstracjami interfejsu czy slajdami wybieraj tryb balanced, bo tam zmiana obrazu niesie największą wartość informacyjną.
Na co uważać: Detekcja scen z definicji przegapia zmiany, które nie są zmianą kadru — na przykład powolne przewijanie kodu w tym samym ujęciu.
4.Detekcja gestów wskazujących wyłapuje momenty, których nie widać w warstwie obrazu
Na czym polega: Skill przeszukuje transkrypt pod kątem zwrotów typu „spójrzcie tutaj” czy „jak widzicie” i pobiera klatkę dokładnie z tej sekundy.
Jak stosować: Szczególnie przydatne przy wywiadach i nagraniach z udostępnianiem ekranu, gdzie najważniejszy moment nie pokrywa się z żadnym cięciem montażowym.
Na co uważać: Mechanizm działa na transkrypcie, więc przy słabych automatycznych napisach lub materiałach w innym języku niż angielski skuteczność może spaść.
5.Tryb efficient jako rozsądne ustawienie domyślne
Na czym polega: Zamiast dekodować cały strumień wideo, tryb pobiera klatki kluczowe zapisane już w pliku. To źródło czterdziestokrotnego przyspieszenia i wyraźnie niższego kosztu.
Jak stosować: Autor sam rekomenduje go jako domyślny do codziennego przeglądu materiałów, kiedy potrzebujesz ogólnego obrazu, a nie każdego detalu.
Na co uważać: Klatki kluczowe pojawiają się mniej więcej raz na sekundę i nie są dobierane pod kątem treści — trafiają tam, gdzie wypadły przy kompresji, więc mogą minąć się z momentem, na którym ci zależy.
6.Token burner to narzędzie do rzadkich, ważnych przypadków
Na czym polega: Tryb bez limitu klatek, do dwóch klatek na sekundę przy każdej wykrytej zmianie sceny.
Jak stosować: Rezerwuj go dla nielicznych materiałów o dużej wartości — długiego technicznego demo albo wystąpienia, z którego naprawdę musisz wyciągnąć wszystko.
Na co uważać: To najdroższe ustawienie. Autor sam ostrzega przed nim wprost. Uruchomienie go odruchowo na kilku filmach potrafi wyczerpać limit zużycia.
7.Odrzucanie duplikatów obniża koszt bez utraty sygnału
Na czym polega: Przed wysłaniem do modelu skill zmniejsza każdą klatkę do miniatury, porównuje z poprzednią i usuwa te, które są praktycznie identyczne.
Jak stosować: Największą oszczędność zobaczysz przy materiałach typu „gadająca głowa”, gdzie przez większość czasu obraz się nie zmienia. Warto z tego korzystać domyślnie.
Na co uważać: Porównanie odbywa się na miniaturach, więc bardzo drobne różnice — mały fragment tekstu, subtelna zmiana w interfejsie — mogą zostać uznane za brak zmiany.
8.Wybór trybu to nie decyzja na zawsze
Na czym polega: Tryb domyślny ustawiasz przy pierwszym uruchomieniu, ale możesz go nadpisać przy każdym pojedynczym filmie.
Jak stosować: Ustaw efficient jako bazę, a balanced albo token burner włączaj świadomie, gdy dany materiał na to zasługuje.
Na co uważać: Łatwo zapomnieć o nadpisaniu i przetworzyć ważny materiał w trybie skrótowym, a potem wyciągać wnioski z niepełnego obrazu.
9.Napisy najpierw, klucz API tylko jako zapas
Na czym polega: Skill zawsze sięga najpierw po darmowe napisy z samego wideo. Klucz API służy wyłącznie do transkrypcji materiałów bez napisów — nagrań z Looma czy surowych plików lokalnych.
Jak stosować: Podaj klucz raz przy konfiguracji, żeby nie zablokować się później na plikach bez napisów. Autor poleca darmową i szybszą opcję zamiast OpenAI.
Na co uważać: Nazwa dostawcy w nagraniu brzmi „Grok”, ale opis pasuje do Groq — sprawdź to w pliku readme przed zakładaniem konta. Pamiętaj też, że użycie zewnętrznej transkrypcji oznacza wysłanie audio do usługi trzeciej strony, co ma znaczenie przy materiałach poufnych.
10.Wartość rośnie dopiero po wpięciu w szerszy proces
Na czym polega: Autor ma skill wpięty w automatyczny obieg: film jest oglądany, notatki powstają same i trafiają do archiwum, co pozwala mu śledzić publikacje wielu twórców.
Jak stosować: Zamiast używać skilla doraźnie, zbuduj wokół niego rutynę — stałe miejsce na notatki, stały format podsumowania, stała lista źródeł do przeglądu.
Na co uważać: Autor nie omawia w tym filmie ani kosztów, ani samego systemu — odsyła do wcześniejszego materiału. Zanim zbudujesz automatyzację, policz realny koszt przetwarzania przy swojej skali.