Ich habe Claude ein Fireship-Video gegeben, fünf Minuten und zwölf Sekunden lang. Ein Befehl, dann kam die Zusammenfassung mit Timestamps zurück. Der Teil, der mich wirklich überzeugt hat: Claude konnte mir beschreiben, welche Demo bei Minute 3:36 auf dem Bildschirm läuft. Das steht in keinem Transkript. Es hat das Standbild gesehen.
Möglich macht das ein kleines Plugin für Claude Code, das ich selbst gebaut habe: claude eyes. Der Befehl dazu heißt /watch. Dieser Guide zeigt dir das Setup Schritt für Schritt, mit den echten Zahlen aus meinem Test.
Warum ich das gebaut habe
Claude hat von Haus aus keinen Video-Eingang. Du kannst einen YouTube-Link in den Chat werfen, aber Claude kann ihn nicht abspielen. Es zieht sich höchstens das Transkript, wenn eins da ist, dazu Titel und Beschreibung, und reimt sich den Rest zusammen.
Für meinen Content sichte ich jede Woche stundenlang Videomaterial. Das nervt und frisst Zeit. Also hab ich Claude den Video-Eingang nachgebaut, und zwar mit zwei Zutaten:
- Standbilder. Das Plugin lädt das Video lokal herunter und zieht mit ffmpeg Einzelbilder raus, bevorzugt an Szenenwechseln. Diese Bilder liest Claude als Bilder. Es sieht also, was auf dem Bildschirm passiert.
- Transkript. Parallel holt es die Untertitel des Videos, mit Zeitstempeln. Falls das Video keine hat, kann es die Tonspur per Deepgram transkribieren lassen (dazu unten mehr).
Beides zusammen ergibt das, was ein Mensch beim Zuschauen auch hat: Bild und Ton, entlang einer Zeitachse. Deshalb kann Claude danach Fragen beantworten wie „was zeigt er bei Minute 3?” oder „ab wann kommt der Teil über Preise?”.
Schritt 1: Plugin installieren
Zwei Befehle in Claude Code, das dauert keine Minute:
/plugin marketplace add epictaste/claude-eyes
/plugin install watch@epictasteDanach steht dir der Befehl /watch zur Verfügung. Beim allerersten Aufruf prüft das Plugin, ob ffmpeg (für die Standbilder) und yt-dlp (für den Download) da sind. Auf dem Mac installiert es beides bei Bedarf selbst über Homebrew, unter Linux und Windows druckt es die genauen Befehle aus. Danach musst du dich darum nie wieder kümmern.
Schritt 2: Der erste Lauf
Jetzt kommt der eigentliche Teil, und der ist ein Einzeiler:
/watch https://www.youtube.com/watch?v=DEIN_VIDEODu kannst hinter den Link auch direkt eine Frage schreiben, dann beantwortet Claude genau die:
/watch https://youtu.be/abc123 lohnt sich das Video oder kann ich es skippen?Bei meinem Test mit dem Fireship-Video kam das hier zurück: 24 Standbilder, 157 Transkript-Segmente, alles über die nativen YouTube-Untertitel, also ohne Deepgram und ohne API-Kosten. Claude hat daraus die Struktur des Videos gebaut, mit Timestamps zu jedem Abschnitt. Als Gegenprobe habe ich ein Standbild mit der Beschreibung verglichen: Bei 3:36 beschreibt das Transkript eine Design-Oberfläche mit fünf generierten App-Screens, und genau die ist auf dem Bild zu sehen. Die zwei Ebenen passen zusammen.
Neben YouTube funktioniert alles, was yt-dlp kann: Loom, TikTok, X, Instagram und ein paar hundert mehr. Genauso lokale Dateien, also .mp4, .mov, .mkv oder .webm direkt von der Platte.
Instagram-Reels: dafür brauchst du den Deepgram-Key
Bei YouTube gibt es fast immer Untertitel, deshalb lief mein Test oben komplett kostenlos. Instagram-Reels und TikToks haben oft keine. Dann sieht Claude zwar die Standbilder, hört aber nichts. Für die Tonspur brauchst du einen kostenlosen Deepgram-Schlüssel. Das dauert zwei Minuten:
- Geh auf console.deepgram.com/signup und registrier dich (E-Mail reicht).
- Im Dashboard auf API Keys, dann Create a New API Key. Namen vergeben, erstellen.
- Den Schlüssel einmal kopieren, er wird nur einmal angezeigt.
- In Claude Code beim nächsten
/watch-Lauf einfügen, wenn danach gefragt wird. Er landet lokal in deiner Config, du gibst ihn nur einmal ein.
Deepgram gibt dir ein kostenloses Startguthaben, das für normales Sichten locker reicht. Es geht nur die Tonspur raus, nicht das Video, und auch nur, wenn keine Untertitel da sind.
Danach schaut Claude auch Reels vollständig. So sichte ich fremde Reels für meinen Content:
/watch https://www.instagram.com/reel/DEIN_REEL mit welchem hook öffnet das reel und wie ist es aufgebaut?Claude liest die ersten Standbilder, hört über Deepgram den gesprochenen Einstieg und zerlegt dir den Aufbau: Hook, Mittelteil, Call-to-Action. Genau das, wofür man sonst das Reel dreimal anhalten müsste.
Wofür du das im Alltag nutzt
Der naheliegendste Fall: Du hast ein 15-Minuten-Video gespeichert und weißt genau, dass du es nie schauen wirst. Wirf es Claude vor und frag, ob was Brauchbares drin ist. Die Antwort mit Timestamps sagt dir in 30 Sekunden, ob sich das Video lohnt, und wenn ja, wo du hinspringen sollst.
Bei mir ist der Anwendungsfall Recherche. Ich sichte für meinen Content jede Woche viele KI-Videos, und die meisten davon geben nichts her. Seit dem Setup macht Claude den ersten Durchgang: Was ist die Kernaussage, welche Demos werden gezeigt, gibt es etwas, das ich selbst testen sollte. Ich schaue nur noch die Videos ganz, die den Filter überleben.
Auch praktisch: einen Screen-Recording-Bug angucken lassen. „Was läuft hier schief?” auf eine Aufnahme, und Claude findet die Stelle, an der es kracht, oft samt Ursache. Und Tutorials nachschlagen: „In welchem Moment zeigt er die Einstellung für X?” ist genau die Frage, für die man sonst dreimal durch die Timeline scrubbt.
Die Detailstufen
Das Plugin hat vier Stufen, die regeln, wie viele Standbilder gezogen werden:
| Stufe | Standbilder | Wofür |
|---|---|---|
transcript | keine | Nur Transkript, am billigsten |
efficient | nur Keyframes | Schneller Überblick, fast sofort |
balanced | an Szenenwechseln | Standard, guter Kompromiss |
token-burner | maximal | Höchste Genauigkeit, teuer |
Für die Frage „lohnt sich das Video?” reicht transcript oder efficient fast immer. Die Bilder brauchst du, wenn es um das geht, was auf dem Bildschirm passiert: Demos, Oberflächen, Code.
Der ehrliche Teil
Drei Dinge solltest du wissen, bevor du loslegst.
Die Videolänge entscheidet über die Qualität. Unter 10 Minuten sitzt jedes Standbild. Bei einem Stunden-Video verteilen sich dieselben Bilder auf die ganze Länge, dann wird es grob. Der Fix ist simpel: Nenn Claude den Abschnitt, der dich interessiert. Dann wird genau der dicht abgetastet.
Standbilder kosten Kontingent. Bilder sind für Claude teurer als Text. Ein Lauf mit vielen Frames verbraucht spürbar mehr von deinem Kontingent als eine normale Chat-Anfrage. Wer viel sichtet, fährt mit transcript als Standard und holt die Bilder nur, wenn die Frage visuell ist.
Ohne Untertitel geht ohne Schlüssel nichts mit Ton. Videos ohne Untertitel liefern erstmal nur Standbilder. Für die Tonspur brauchst du dann den Deepgram-Schlüssel. Einmal eingerichtet, läuft das automatisch als Fallback.
Kurz zusammengefasst
Zwei Befehle zum Installieren, ein Setup-Lauf, dann schaut Claude Videos für dich. Transkript plus echte Standbilder, Antworten mit Timestamps. Am stärksten bei Videos unter 10 Minuten und bei allem, wo du wissen willst, ob sich deine Zeit lohnt, bevor du sie ausgibst.
Mehr Anleitungen findest du in der Tutorial-Übersicht.
Newsletter
Ich baue und teste jede Woche KI-Tools und schreibe ehrlich auf, was davon hält. Wenn du kleine Sachen wie /watch nicht verpassen willst, hol dir den Newsletter.
Quellen
14. Juli 2026. KI-Tools, Preise und Funktionen ändern sich schnell. Vor wichtigen Entscheidungen den aktuellen Stand direkt beim Anbieter prüfen.
Einmal pro Woche per Mail
Im Newsletter fasse ich zusammen, welche KI-Tools sich lohnen und welche Neuigkeiten zählen. Verständlich, kostenlos.
Zum Newsletter