有开发者用最简单粗暴的方式创建了一个 Claude Code 插件，让它能够理解视频（包括声音）。 通过 ffmpeg 提取视频帧，然后使用另外的后端模型（Gemini API、本地 Whisper 或 OpenAI API）处理音频。 最终 Claude Code 接收到图像帧，和带有时间戳的音频转文本，理解了视频。