สกิล watch: ให้ Claude ดู YouTube แทนเรา แล้วมันหยิบซับภาษาอาหรับมา

ต้องเตรียมอะไรบ้าง

• Claude Code ใช้ได้ทั้งแท็บ Code ใน Claude Desktop, ส่วนเสริม VS Code และเทอร์มินัล README บอกไว้ชัดว่าใช้ใน Claude Chat กับ Cowork ไม่ได้ ส่วน Codex และเอเจนต์อื่นที่รองรับ Agent Skills ใช้ได้
• Python 3.10 ขึ้นไป เวอร์ชันล่าสุด (v0.3.2) ต้องใช้ 3.10+ แต่ Python ที่มากับ macOS เครื่องผมเป็น 3.9 ผมเลยใช้ python3.11 ที่ลงไว้แยก
• ffmpeg กับ ffprobe ใช้ดึงภาพนิ่งและแยกเสียง
• yt-dlp เวอร์ชันล่าสุด README บอกว่ารองรับแค่เวอร์ชันล่าสุด เพราะเว็บวิดีโอเปลี่ยนระบบบ่อย และถ้าจะโหลดจาก YouTube ควรมี Deno (JavaScript runtime) ด้วย
• API key ไม่บังคับ ถ้าคลิปมีคำบรรยายอยู่แล้วก็ไม่ต้องใช้คีย์ คีย์ Groq หรือ OpenAI ใช้กับคลิปที่ไม่มีคำบรรยาย ส่วนคีย์ Gemini ใช้กับโหมดที่ส่งวิดีโอให้ Google ดูทั้งคลิป

บน Mac ติดตั้งเครื่องมือทั้งหมดได้ด้วย brew install python ffmpeg yt-dlp ตามที่ README แนะนำ ถ้ายังไม่มี Homebrew สคริปต์ setup.py ของสกิลจะบอกคำสั่งที่ต้องรันให้

ติดตั้ง watch ใน Claude Code

ขั้นที่ 1: เพิ่ม marketplace แล้วติดตั้งปลั๊กอิน

ถ้าใช้ Claude Code ในเทอร์มินัล README แนะนำให้ติดตั้งเป็นปลั๊กอิน โดยพิมพ์ 2 คำสั่งนี้ในช่องแชตของ Claude Code

/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video

ถ้าอยู่ที่ prompt ของเทอร์มินัลปกติ ให้ใช้ claude plugin marketplace add bradautomates/claude-video ตามด้วย claude plugin install watch@claude-video แทน ติดตั้งเสร็จแล้วให้เปิด session ใหม่ แล้วเลือก /watch:watch จากรายการที่เด้งขึ้นมาตอนพิมพ์ /watch

คำสั่ง npx skills add ในการ์ดด้านบนเป็นอีกทางหนึ่ง ใช้ได้กับเอเจนต์หลายตัว แต่ต้องมี Node.js ส่วนคนใช้ Claude Desktop ไปที่ Customize → Plugins → Add marketplace แล้ววางลิงก์ repo ได้เลย ไม่ต้องเปิดเทอร์มินัล มีข้อควรระวังคือให้ติดตั้งวิธีเดียวต่อเอเจนต์หนึ่งตัว ถ้าลงทั้งแบบปลั๊กอินและแบบสกิลธรรมดา จะเห็น watch ซ้ำกัน 2 อัน

ขั้นที่ 2: ตรวจเครื่องมือด้วย setup.py

ครั้งแรกที่เรียก /watch สกิลจะรัน setup.py เพื่อตรวจว่ามี ffmpeg, ffprobe และ yt-dlp ครบหรือยัง จากนั้นจะถามว่าอยากใช้ความละเอียดระดับไหน และจะใช้ระบบถอดเสียงอะไรตอนคลิปไม่มีคำบรรยาย ค่าที่เลือกจะเก็บไว้ในไฟล์ ~/.config/watch/.env

ช่อง can_proceed: false ดูน่าตกใจ แต่คู่มือในสกิลอธิบายไว้ว่ามันแค่แนะนำให้ใส่คีย์ ถ้าเราตอบว่าไม่ใช้ Whisper ก็ใช้งานต่อได้ โดยใส่ --no-whisper หรือเลือก captions only ในขั้นตั้งค่า

ขั้นที่ 3: สั่งให้ดูคลิป

ใน Claude Code พิมพ์ลิงก์ตามด้วยคำถามได้เลย

/watch https://www.youtube.com/watch?v=xxxx คลิปนี้สอนอะไรบ้าง สรุปเป็นข้อพร้อมเวลา

Claude จะรันสคริปต์ watch.py ได้รายงานที่มีรายการภาพนิ่งพร้อมเวลา (t=MM:SS) และทรานสคริปต์ จากนั้นจะเปิดภาพทุกภาพมาดู แล้วตอบโดยใช้ทั้งภาพและคำพูดประกอบกัน

ผลทดสอบจริงกับคลิป 2 นาที 55 วินาที

คลิปที่ผมใช้ทดสอบคือ What is Claude Code? จากช่อง Claude บน YouTube เป็นคลิปทางการ มีทั้งคนพูดหน้ากล้องและภาพหน้าจอโปรแกรมสลับกัน เหมาะกับการทดสอบว่าสกิลจับฉากได้ดีแค่ไหน ผมรันสคริปต์ตรงจากเทอร์มินัลโดยไม่ผ่าน /watch เพื่อจะได้เห็น output ทุกบรรทัด

ปัญหาที่ 1: เวอร์ชันเก่าพังกับ ffmpeg 9

สกิลที่ติดตั้งในเครื่องผมอยู่ก่อนเป็น v0.2.0 พอรันกับ ffmpeg 9.0.1 มันโหลดวิดีโอและคำบรรยายได้ แต่ตอนดึงภาพกลับหยุดทำงาน เพราะ ffmpeg 9 ถอดตัวเลือก -vsync ออกไปแล้ว

ใน CHANGELOG ของ v0.3.0 เขียนไว้ว่าแก้เรื่องนี้แล้ว ตอนนี้สกิลจะเช็กก่อนว่า ffmpeg ในเครื่องรองรับ -fps_mode หรือ -vsync และบอกว่าทดสอบกับ ffmpeg 4.4 ถึง 9.0 ผมเลย clone v0.3.2 ลงโฟลเดอร์ทดสอบแล้วรันใหม่ ถ้าใครลงสกิลไว้ตั้งแต่กลางปี ให้อัปเดตก่อนใช้ ถ้าลงเป็นปลั๊กอินใช้ /plugin update watch@claude-video ถ้าลงผ่าน skills CLI ใช้ npx skills update watch -g

รอบที่สอง: ได้ภาพ 37 ภาพ

คลิปยาว 175 วินาที สกิลตั้งเป้าไว้ 60 ภาพ แต่ ffmpeg เจอจุดเปลี่ยนฉากแค่ 37 จุด ก็เลยได้ 37 ภาพ แต่ละภาพกว้าง 512px ทั้งรอบใช้เวลาราว 3 นาที ส่วนใหญ่หมดไปกับการดาวน์โหลด เพราะเน็ตช่วงนั้นช้า ขั้นดึงภาพเองใช้เวลาไม่กี่วินาที

ภาพที่ได้ครอบคลุมทุกช่วงของคลิป มีทั้งหน้าจอเทอร์มินัล VS Code หน้าเว็บแอปตัวอย่าง และภาพแผนผัง agent loop แต่เกือบครึ่งเป็นภาพคนพูดหน้ากล้องซึ่งแทบไม่ต่างกัน ระบบตัดภาพซ้ำไม่ได้ตัดภาพพวกนี้ทิ้ง เพราะแสงกับท่าทางเปลี่ยนนิดหน่อยทุกครั้งที่ตัดกลับมา

ปัญหาที่ 2: ได้ทรานสคริปต์ภาษาอาหรับ

ในรายงานเขียนว่า via captions (ar, automatic, unknown) ทั้งที่คลิปเป็นภาษาอังกฤษ

ผมเปิดไฟล์ข้อมูลของคลิปดู เลยรู้ว่าคลิปนี้มีเสียงพากย์ 21 ภาษา และแต่ละภาษามีคำบรรยายอัตโนมัติของตัวเอง CHANGELOG บอกว่าสกิลจะเลือกภาษาต้นฉบับ และถ้าไม่รู้ภาษาจะเลือกอังกฤษก่อน แต่กับคลิปแบบนี้มันเลือกผิด ผมเดาว่าน่าจะเกิดกับคลิปที่มีเสียงพากย์หลายภาษาเท่านั้น วิธีแก้คือกำหนดภาษาเองด้วย --sub-lang ในรอบนี้ผมใช้ --detail transcript ด้วย สกิลเลยไม่โหลดวิดีโอซ้ำ ใช้เวลาไม่ถึง 1 นาทีครึ่ง

อีกเรื่องที่เห็นในภาพคือ คำบรรยายอัตโนมัติของ YouTube จะมีข้อความซ้ำกันเป็นทอด ๆ เช่นประโยคเดียวกันขึ้น 3 บรรทัด เพราะ YouTube แสดงคำบรรยายแบบเลื่อนขึ้นทีละบรรทัด ทรานสคริปต์เลยยาวกว่าที่ควร แต่ Claude ยังอ่านรู้เรื่อง

ลองถามคำถามจริง

พอมีทั้งภาพและทรานสคริปต์ ผมลองถามว่า "คลิปพูดเรื่อง Claude Code ขออนุญาตก่อนรันคำสั่งช่วงไหน และมีภาพให้ดูไหม" ผมให้ Claude ใน session ที่ใช้ทดสอบเปิดภาพกับทรานสคริปต์ชุดนี้เอง ไม่ได้เรียกผ่าน /watch คำตอบคือช่วงนาที 02:10 ถึง 02:16 ผู้พูดบอกว่า Claude Code จะถามก่อนรันคำสั่งหรือแก้โค้ด แต่ภาพหน้าจอที่ขึ้นกล่อง "This command requires approval / Do you want to proceed?" ของคำสั่ง npx tsc --noEmit อยู่ที่ภาพ t=02:29 ซึ่งช้ากว่าเสียงพูดราว 15 วินาที ถ้าใช้ทรานสคริปต์อย่างเดียวจะไม่รู้ว่ามีภาพนี้ ถ้าดูแค่ภาพก็จะไม่รู้ว่าผู้พูดกำลังอธิบายเรื่องอะไร นี่คือเหตุผลที่สกิลต้องส่งทั้งสองอย่างให้ Claude

watch คืออะไร

watch คือสกิลสำหรับ Claude Code และเอเจนต์ที่รองรับมาตรฐาน Agent Skills ผู้ทำคือ bradautomates ใช้ MIT license ข้างในมีไฟล์ SKILL.md ที่บอก Claude ว่าต้องทำอะไรตามลำดับไหน กับโฟลเดอร์ scripts/ ที่มีสคริปต์ Python สำหรับดาวน์โหลด ดึงภาพ ถอดเสียง และตั้งค่า รุ่นล่าสุดตอนผมเขียนคือ v0.3.2 ออกวันที่ 25 ก.ย. 2569 ตัวสคริปต์หลักใช้แค่ไลบรารีมาตรฐานของ Python ไม่ต้องลงแพ็กเกจเพิ่ม

สกิลนี้ไม่ได้ทำให้ Claude ดูวิดีโอได้จริง สิ่งที่มันทำคือแปลงวิดีโอเป็นภาพนิ่งกับข้อความ ซึ่งเป็นสิ่งที่ Claude อ่านได้อยู่แล้ว

ขั้นตอนการทำงาน

1. ดึงคำบรรยายก่อน yt-dlp เช็กข้อมูลคลิปและดึงคำบรรยาย ถ้าใช้ระดับ transcript และคลิปมีคำบรรยายอยู่แล้ว จะไม่โหลดวิดีโอเลย
2. โหลดวิดีโอ แล้วดึงภาพ มี 3 ระดับให้เลือก efficient ดึงเฉพาะ keyframe สูงสุด 50 ภาพ balanced ดึงตามจุดเปลี่ยนฉากสูงสุด 100 ภาพ ส่วน token-burner ไม่จำกัดจำนวน ทุกระดับดึงได้ไม่เกิน 2 ภาพต่อวินาที
3. ตัดภาพซ้ำ ย่อภาพเหลือ 16×16 จุดแล้วเทียบสี ภาพที่แทบไม่ต่างจากภาพก่อนหน้าจะถูกตัดทิ้ง เช่น สไลด์ที่ค้างอยู่นาน ๆ
4. ถอดเสียงเฉพาะเมื่อจำเป็น ถ้าคลิปไม่มีคำบรรยาย จะแยกเสียงออกมาแล้วส่งให้ Whisper ของ Groq หรือ OpenAI หรือใช้ WhisperX ที่รันในเครื่อง
5. ส่งรายงานให้ Claude Claude เปิดภาพทุกภาพพร้อมกัน แล้วตอบโดยอ้างเวลาในคลิป

ตั้งแต่ v0.3.0 มีโหมดใหม่ชื่อ Gemini ถ้าใส่ GEMINI_API_KEY สกิลจะส่งวิดีโอให้โมเดลของ Google ดูทั้งคลิป รวมเสียงด้วย แล้วส่งคำตอบกลับมาให้ Claude ถ้าเป็นลิงก์ YouTube จะส่งลิงก์ไปตรง ๆ ถ้าเป็นไฟล์ในเครื่องจะอัปโหลดขึ้น Google แล้วลบทิ้งหลังได้คำตอบ ผมไม่ได้ลองโหมดนี้ ถ้าคลิปเป็นงานลูกค้าหรือมีข้อมูลลับ ให้ใช้ --engine local เพื่อบังคับให้ทำงานในเครื่องอย่างเดียว

จุดที่ผมชอบ

• ใช้คำบรรยายของคลิปก่อน คลิปบน YouTube ส่วนใหญ่มีคำบรรยายอัตโนมัติอยู่แล้ว เลยใช้ฟรีได้ในหลายกรณี
• ดูเฉพาะช่วงได้ ใส่ --start กับ --end สกิลจะดึงภาพถี่ขึ้นในช่วงนั้น เหมาะกับคลิปยาวที่อยากดูแค่บางช่วง
• กำหนดเวลาดึงภาพเองได้ ถ้าในทรานสคริปต์ผู้พูดบอกว่า "ดูตรงนี้" เราใส่เวลานั้นใน --timestamps ให้ดึงภาพตรงจุดนั้นเพิ่มได้ ภาพแบบนี้มักหลุดจากการจับจุดเปลี่ยนฉาก เพราะภาพแทบไม่เปลี่ยน
• รายงานบอกที่มาชัดเจน เช่น ทรานสคริปต์มาจากคำบรรยายภาษาอะไร และมาจากคำบรรยายอัตโนมัติหรือไม่ ปัญหาภาษาอาหรับที่ผมเจอ ผมก็รู้ได้จากบรรทัดนี้
• เก็บคีย์ในเครื่อง คีย์อยู่ใน ~/.config/watch/.env สิทธิ์ไฟล์ 0600 และคู่มือระบุว่าไม่เขียนคีย์ลง log

ข้อจำกัดที่ควรรู้ก่อนใช้

• ใช้ token เยอะ SKILL.md รุ่น 0.2.0 ประเมินไว้ว่าภาพ 80 ภาพกว้าง 512px ใช้ราว 50,000–80,000 token ถ้าคลิปยาวหรือถามหลายคลิป โควตาจะหมดเร็ว ถ้าอยากได้แค่เนื้อหาที่พูด ใช้ --detail transcript ประหยัดกว่ามาก
• คลิปยาวจะดูได้หยาบลง README แนะนำคลิปไม่เกิน 10 นาที ถ้ายาวกว่านั้น ภาพจะห่างกันจนพลาดรายละเอียดได้ ควรเลือกเฉพาะช่วง
• ตัวหนังสือบนจออ่านยาก ภาพกว้าง 512px อ่านโค้ดหรือตัวเลขเล็ก ๆ ไม่ค่อยได้ ถ้าต้องอ่านให้ใช้ --resolution 1024 แต่จะกิน token เพิ่มประมาณ 4 เท่า
• ต้องใช้ yt-dlp ตัวล่าสุดเสมอ ระหว่างทดสอบผมเจอ YouTube ตอบ 429 (ขอบ่อยเกินไป) ตอนดึงคำบรรยายบางภาษา และมีคำเตือนว่าไม่มี JavaScript runtime ถ้า yt-dlp เก่าหรือเว็บเปลี่ยนระบบ สกิลจะโหลดคลิปไม่ได้
• ต้องอัปเดตให้ตรงกับเครื่องมือ อย่างที่ผมเจอ v0.2.0 ใช้กับ ffmpeg 9 ไม่ได้เลย
• คลิปที่มีเสียงพากย์หลายภาษาอาจได้คำบรรยายผิดภาษา ถ้ารายงานบอกภาษาไม่ตรงกับคลิป ให้ระบุ --sub-lang เอง
• คลิปที่ต้องล็อกอิน ต้องส่ง cookies ให้เองด้วย --cookies สกิลจะไม่ไปหยิบ session จากเบราว์เซอร์ให้อัตโนมัติ ซึ่งผมว่าดีแล้วในแง่ความปลอดภัย

คำถามที่พบบ่อย

watch ใช้ฟรีไหม

ตัวสกิลใช้ MIT license ใช้ฟรี ถ้าคลิปมีคำบรรยายอยู่แล้ว ทั้งกระบวนการไม่ต้องจ่ายค่า API เพิ่ม ผมทดสอบทั้งบทความนี้โดยไม่ใช้คีย์เลย ค่าใช้จ่ายที่มีแน่ ๆ คือ token ของ Claude ที่ใช้อ่านภาพ ส่วน Groq, OpenAI และ Gemini คิดเงินตามเงื่อนไขของแต่ละเจ้า

ใช้กับคลิปภาษาไทยได้ไหม

ถ้าคลิปมีคำบรรยายภาษาไทย ใส่ --sub-lang th ได้ ถ้าไม่มีคำบรรยาย ต้องใช้ Whisper หรือ WhisperX ซึ่ง README แนะนำให้ระบุภาษาด้วยค่า WATCH_WHISPERX_LANGUAGE เพราะโมเดล small อาจเดาภาษาที่ไม่ใช่อังกฤษผิด ผมยังไม่ได้ลองกับคลิปภาษาไทย

ใช้ใน Claude บนเว็บหรือแอปมือถือได้ไหม

ไม่ได้ README ระบุว่า Claude Chat และ Cowork ไม่รองรับ ต้องใช้ใน Claude Code เท่านั้น ใช้ได้ทั้งแท็บ Code ใน Claude Desktop, VS Code และเทอร์มินัล เพราะสกิลต้องรัน yt-dlp กับ ffmpeg ในเครื่อง

ใช้กับไฟล์วิดีโอในเครื่องได้ไหม

ได้ ใส่ path ของไฟล์แทนลิงก์ได้เลย แต่ไฟล์ในเครื่องไม่มีคำบรรยายให้ดึง ถ้าไม่ได้ตั้งค่าระบบถอดเสียงไว้ จะได้แค่ภาพนิ่ง ถ้าต้องการคำพูดด้วยต้องใช้ WhisperX ในเครื่อง หรือส่งเสียงไปถอดกับ Groq หรือ OpenAI

ต่างจากการโยนลิงก์ YouTube ให้ Claude ตรง ๆ ยังไง

ถ้าโยนลิงก์ให้ Claude ตรง ๆ Claude จะเห็นแค่ข้อมูลในหน้าเว็บ เช่น ชื่อคลิปกับคำอธิบาย แต่ไม่เห็นเนื้อหาในคลิป watch ส่งภาพจริงจากคลิปพร้อมเวลาและทรานสคริปต์ให้ Claude เลยตอบได้ว่าในนาทีไหนมีอะไรขึ้นจอ และผู้พูดพูดอะไร