Cómo hacer que Claude Code vea videos gratis: 4 caminos, sus costos y cuál elegir

Le pasas un enlace de YouTube a Claude Code y te contesta con seguridad. Lo difícil es saber de dónde sacó lo que dice: de la descripción de la página, de una transcripción o de lo que otros escribieron sobre el video. Lo que sale en pantalla, un número que cambia o un diagrama que aparece quince segundos tarde, no lo vio.

Eso nos pasó en On Viral cuando quisimos que Claude revisara videos de referencia antes de escribir sobre ellos. Aquí va lo que aprendimos: por qué no ve, qué cuatro caminos gratis existen, cuánto cuesta cada pasada y cuál elegimos.

¿Puede Claude ver un video?

No directamente. La documentación de visión de Anthropic enumera imágenes JPEG, PNG, GIF y WebP, y aclara que en un GIF animado solo se usa el primer cuadro. Todo lo que llamamos “ver un video” es, en realidad, sacarle fotogramas, extraer el audio o los subtítulos y entregarle ese material como imágenes y texto.

Eso cambia la pregunta. Importa cuántos fotogramas ve, a qué tamaño, en qué momentos y si además tiene el audio, porque con eso decide qué tan completa es su lectura.

¿Cuáles son los 4 caminos gratis?

Los evaluamos con cuatro criterios: que no cueste dinero, que no rompa nada en el equipo, que venga de un origen confiable y que funcione hoy.

Camino A: el plugin claude-video

Es un plugin de código abierto, con licencia MIT y más de 19.000 estrellas en GitHub, que descarga el video con yt-dlp, saca fotogramas con FFmpeg, trae la transcripción de los subtítulos y se lo entrega todo a Claude. Se instala con dos comandos:

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

Necesita Python 3.10 o superior, FFmpeg, yt-dlp y, para YouTube, un entorno de JavaScript como Deno. Tiene dos motores. El local procesa todo en tu equipo y no contacta a Google. El de Gemini manda el video a Google y se explica en el camino B.

Su límite más honesto está en su propio README: la mejor precisión llega con videos de menos de 10 minutos o con un tramo concreto. En el modo normal toma hasta 100 fotogramas, de modo que en una clase de 45 minutos ve uno cada 27 segundos.

Camino B: Gemini gratis

Gemini sí entiende video de forma nativa. Según su documentación, muestrea un cuadro por segundo y gasta unos 100 tokens por segundo de video en resolución baja, más 32 por segundo de audio. Acepta enlaces de YouTube sin costo, con un tope en el nivel gratuito de 8 horas de YouTube por día.

La condición está en la página de precios: en el nivel gratuito, el contenido que envías se usa para mejorar los productos de Google. En el nivel de pago, no. Además, quien mira el video es Gemini y no Claude: tú recibes su respuesta, no su evidencia.

Camino C: Claude in Chrome

Con la extensión, Claude abre el video en tu navegador, lo pausa y toma capturas. En YouTube las teclas del 0 al 9 saltan del 0 al 90 % del video, y el comentario fijado del autor suele traer el enlace que el video menciona y no muestra.

Es útil como respaldo. Tiene dos límites: no oye el audio y cada captura es una llamada. En nuestra prueba sacar 5 cuadros de un Short de 65 segundos tomó varios pasos.

Camino D: un skill propio con yt-dlp, FFmpeg y Whisper

Es el que más control da: tú decides cuántos cuadros, a qué tamaño y cómo transcribir el audio de videos sin subtítulos. FFmpeg incluye un filtro whisper en su versión 8.0, según su código fuente, que necesita la librería whisper.cpp y un modelo descargado. La compilación de FFmpeg que acompaña a yt-dlp en nuestra instalación viene sin ese filtro, así que haría falta otra.

Estimamos una hora y media de trabajo para escribirlo y probarlo, contra 30 a 45 minutos del plugin.

Tabla de costos de cada camino

Camino	Costo en dinero	Qué ve	¿Oye el audio?	Dónde se procesa	Tiempo de arranque
A. Plugin en modo local	0 dólares	Hasta 100 fotogramas por pasada, ajustables	Solo si el video trae subtítulos	Tu equipo	30 a 45 minutos
B. Gemini, nivel gratuito	0 dólares	1 cuadro por segundo, lo ve Gemini	Sí	Google, que usa el contenido para mejorar sus productos	Minutos, con una clave gratis
C. Claude in Chrome	0 dólares	Una captura por llamada	No	Tu navegador	Inmediato
D. Skill propio	0 dólares	Lo que tú programes	Sí, con Whisper	Tu equipo	Alrededor de 1,5 horas

Los cuatro son gratis en efectivo. El costo real está en los tokens que gastan los fotogramas dentro de tu plan.

¿Cuánto gasta una pasada del plugin?

Cada fotograma cuesta ⌈ancho / 28⌉ × ⌈alto / 28⌉ tokens, la fórmula de la documentación de visión. Con el tamaño que usa el plugin, estos son los máximos por modo:

Modo	Qué hace	Cuadros, como máximo	Tokens en imágenes	Equivalente en dólares a $4 por millón
Pasada general (de fábrica)	Hasta 100 cuadros por cambio de escena, a 512 px	100	20.900	0,08
Solo transcripción	Sin imágenes	0	0	0
Cuadro a cuadro, reel de 60 s	2 cuadros por segundo, sin descartar	120	46.800	0,19
Con lupa, un tramo	Hasta 100 cuadros a 1.024 px, para leer texto	100	77.700	0,31
Cuadro a cuadro de un tramo de 60 s	2 cuadros por segundo en el tramo	120	25.080	0,10

Tres aclaraciones. Los dólares son una equivalencia: se calculan al precio de entrada de Claude Opus 5.5 que cita la documentación, 4 dólares por millón de tokens, y en una suscripción lo que gastas es cupo de uso y no dinero. La transcripción suma tokens aparte en todos los modos. Y las respuestas de Claude también cuentan.

¿Por qué la pasada general no basta?

Lo comprobamos con un Short de 65 segundos que explicaba justo este plugin. En la pasada de fábrica sacó 43 fotogramas y descartó 17 por parecidos. En el segundo 00:26 el video muestra un contador animado de estrellas de GitHub, y esa pasada saltó de 00:25 a 00:28.

Con dos cuadros por segundo y sin descartar parecidos fueron 130 fotogramas, y el contador apareció: 1.091 estrellas en 00:26 y 1.246 en 00:27. Un número que cambia sin que haya un corte de escena no lo detecta la selección automática. Por eso en los videos cortos conviene pagar más cuadros, y en los largos conviene pedir un tramo.

¿Cuál recomendamos?

El camino A, con el motor local. Cumple los cuatro criterios: no cuesta dinero, deja tus videos en tu equipo, tiene licencia MIT y una versión que puedes fijar, y queda funcionando en media hora.

Lo condicionamos a tres cosas:

1. Fija la versión al instalar, por ejemplo con bradautomates/claude-video#v0.3.2, para que un cambio del autor no altere tu entorno sin avisarte.
2. Define cuándo gastar más. Nosotros usamos frases cortas: “dale una pasada” para el modo general, “solo escúchalo” para la transcripción, “cuadro a cuadro” para videos de menos de 3 minutos y “con lupa del 12:30 al 18:00” para un tramo con texto en pantalla. Si un video largo pide cuadro a cuadro, Claude debe decirte el costo antes.
3. Ten el camino C a mano para el caso en que una descarga falle.

El camino B tiene sentido si necesitas audio de un video largo sin subtítulos y aceptas que el contenido pase por Google en su nivel gratuito. El D solo compensa si vas a transcribir con frecuencia videos sin subtítulos, porque ahí está la única carencia real del plugin.

¿Qué no resuelve ninguno?

El audio de los reels y los videos sin subtítulos. En el camino A, Claude ve los cuadros pero no oye la voz hasta que añades WhisperX, que descarga unos 3 GB y pide 8 GB de memoria, o una clave de Groq u OpenAI. Si tu material son reels, así lo aplicamos en uno sobre cómo optimizar la bio de Instagram.

Si usas IA en tu negocio, también te pueden servir nuestra guía de marketing con IA y la de chatbots con inteligencia artificial para ventas.

¿Quieres poner a trabajar la IA en tu negocio con criterio y sin humo? Escríbenos por WhatsApp y lo revisamos contigo.

Fuentes

Consultadas el 25 de octubre de 2026.

• Visión de Claude: formatos, límites y tokens por imagen, Anthropic.
• claude-video en GitHub: instalación, dependencias, límites y licencia.
• Comprensión de video en la API de Gemini, Google.
• Precios de la API de Gemini, Google: uso del contenido en el nivel gratuito.
• Código fuente del filtro whisper de FFmpeg 8.0.
• El Short que probamos.
• Pruebas propias de On Viral del 25 de octubre de 2026: Short de 65 segundos con pasada de fábrica y con dos cuadros por segundo.