क्या Claude वीडियो प्रोसेस कर सकता है? समर्थित फ़ॉर्मेट, सीमाएँ और वर्कअराउंड
Claude, MP4 या MOV फ़ाइलों को इनपुट के रूप में स्वीकार नहीं करता, फिर भी आप वीडियो फ़ुटेज के बारे में सटीक उत्तर पा सकते हैं। इस लेख में वे फ़ॉर्मेट दिए गए हैं जिन्हें Claude पढ़ सकता है, लागू होने वाली इमेज और टोकन सीमाएँ बताई गई हैं, और फ़्रेम, ट्रांसक्रिप्ट और चंकिंग का उपयोग करके पाँच व्यावहारिक तरीके समझाए गए हैं।
आप एक MP4 को चैट विंडो में खींचते हैं, सेंड दबाते हैं और सारांश का इंतज़ार करते हैं। Claude के साथ यह पल आम तौर पर एरर या विनम्र इनकार पर खत्म होता है। Claude वीडियो फ़ाइलों को इनपुट के रूप में स्वीकार नहीं करता। वह टेक्स्ट, स्टिल इमेज और डॉक्यूमेंट पढ़ता है, और कहानी यहीं से शुरू होती है, खत्म नहीं होती। किसी क्लिप को कुछ चुनिंदा फ़्रेम और एक ट्रांसक्रिप्ट में बदल दें, तो Claude दृश्यों का वर्णन कर सकता है, गलतियाँ पकड़ सकता है, स्क्रीन पर लिखा टेक्स्ट निकाल सकता है और चौंकाने वाली हद तक सटीक सारांश लिख सकता है। इस लेख में बताया गया है कि Claude क्या पढ़ता है, कौन-सी सीमाएँ लागू होती हैं, और पाँच ऐसे वर्कअराउंड जो असली फ़ुटेज पर काम करते हैं।
संक्षिप्त जवाब
आज Claude क्या स्वीकार करता है
Claude के दस्तावेज़ीकृत इनपुट टेक्स्ट, स्टिल इमेज और PDF हैं। MP4, MOV, WebM या AVI के लिए कोई अपलोड विकल्प नहीं है, और ऑडियो ट्रैक हैंडलिंग भी नहीं है। अगर आप API कॉल के ज़रिए वीडियो फ़ाइल भेजते हैं, तो आपको वैलिडेशन एरर मिलेगा, क्योंकि कॉन्टेंट टाइप पहचाना नहीं जाता। Claude ऐप्स पर भी यही स्थिति है: वीडियो attach करने पर वह या तो अस्वीकार कर दिया जाता है या नज़रअंदाज़ कर दिया जाता है।
Anthropic अपने मॉडल अक्सर अपडेट करता है, इसलिए इस पर कोई प्रोडक्ट बनाने से पहले मौजूदा विज़न डॉक्यूमेंटेशन ज़रूर देखें। अब तक का पैटर्न हालाँकि एक जैसा रहा है: इमेज समझने की क्षमता लगातार बेहतर हो रही है, जबकि रॉ वीडियो इनपुट कभी समर्थित कॉन्टेंट टाइप नहीं रहा है।
💡 त्वरित जाँच: अगर कोई फ़ाइल टाइप मॉडल के इमेज या डॉक्यूमेंट इनपुट में सूचीबद्ध नहीं है, तो उसे असमर्थित मानें। चैट इंटरफ़ेस पर भरोसा न करें कि वह उसे चुपचाप संभाल लेगा, क्योंकि हो सकता है वह फ़ाइल हटाकर सिर्फ़ आपके टेक्स्ट प्रॉम्प्ट से जवाब दे।
"वीडियो सपोर्ट" का असली मतलब
जब लोग पूछते हैं कि क्या Claude वीडियो "देख" सकता है, तो आम तौर पर उन्हें इनमें से एक चाहिए होता है:
किसी क्लिप में क्या होता है, उसका सारांश
किसी खास पल के बारे में सटीक जवाब ("02:14 पर एरर डायलॉग में क्या लिखा है?")
कॉन्टेंट एक्सट्रैक्शन, जैसे स्लाइड, स्क्रीन पर कोड या बोले गए शब्द
इनमें से हर काम बिना नेटिव वीडियो इनपुट के हो सकता है। वीडियो बस इमेज का एक ढेर और एक ऑडियो ट्रैक है। Claude इमेज और टेक्स्ट में मज़बूत है, इसलिए आप ऑडियो को ट्रांसक्रिप्ट के रूप में और विज़ुअल्स को सैंपल किए गए फ़्रेम के रूप में दे सकते हैं। जो चीज़ खो जाती है, वह है लगातार गति: Claude स्नैपशॉट देखता है, प्रवाह नहीं, इसलिए वह तेज़ इशारे, बारीक कैमरा मूव या ऐसी कोई चीज़ चूक सकता है जो सिर्फ़ फ़्रेमों के बीच मौजूद होती है।
समर्थित फ़ॉर्मेट एक नज़र में
Claude कौन-से इमेज फ़ॉर्मेट पढ़ता है
स्वीकार किए जाने वाले इमेज टाइप वही आम वेब फ़ॉर्मेट हैं। बाकी सब को भेजने से पहले कन्वर्ट करना होगा।
इनपुट टाइप
समर्थित
नोट्स
JPEG
हाँ
फ़ोटोग्राफ़िक वीडियो फ़्रेम के लिए सबसे अच्छा विकल्प, छोटी फ़ाइल साइज़
PNG
हाँ
स्क्रीनशॉट, स्लाइड और टेक्स्ट-भारी फ़्रेम के लिए अच्छा
WebP
हाँ
कॉम्पैक्ट, फ़ोटो और स्क्रीन कैप्चर दोनों के लिए काम करता है
GIF
आंशिक रूप से
इसे नॉन-एनिमेटेड मानें; मोशन पढ़े जाने की उम्मीद न करें
MP4, MOV, WebM, AVI
नहीं
पहले फ़्रेम और ऑडियो निकालें
MP3, WAV, M4A
नहीं
पहले टेक्स्ट में ट्रांसक्राइब करें
PDF
हाँ
रिकॉर्डिंग से एक्सपोर्ट किए गए स्लाइड डेक के लिए उपयोगी
एनिमेटेड GIF क्यों निराश करते हैं
छोटी क्लिप के लिए GIF सबसे आसान रास्ता लगता है, लेकिन Claude एनिमेशन नहीं चलाता। उम्मीद करें कि एक ही फ़्रेम इस्तेमाल होगा, यानी दस सेकंड की GIF भी उतनी ही जानकारी देगी जितना एक स्क्रीनशॉट। अगर आपके पास बस GIF है, तो उसे अलग-अलग PNG फ़ाइलों में बाँटकर उन्हें भेजें।
ऑडियो और सबटाइटल
ऑडियो का कोई सीधा रास्ता भी नहीं है। अगर आपके वीडियो में बोली गई बात है, तो आपको ट्रांसक्रिप्ट चाहिए। PicassoIA पर इसके दो आसान रास्ते हैं: सटीकता के लिए GPT 4o Transcribe, और जब स्पीड और लागत ज़्यादा मायने रखें तो GPT 4o Mini Transcribe। ट्रांसक्रिप्शन के चरण के लिए Gemini 3 Pro एक और विकल्प है। अगर आपके वीडियो के साथ पहले से SRT या VTT सबटाइटल फ़ाइल है, तो आप उसका टेक्स्ट सीधे प्रॉम्प्ट में पेस्ट कर सकते हैं और ट्रांसक्रिप्शन पूरी तरह छोड़ सकते हैं।
वे सीमाएँ जो आपको परेशान करेंगी
प्रति रिक्वेस्ट इमेज की संख्या
फ़्रेम-आधारित वर्कफ़्लो जल्दी ही इमेज कैप तक पहुँच जाते हैं। इस लेख के लिखे जाने के समय, Claude API 200k-टोकन कॉन्टेक्स्ट विंडो वाले मॉडलों पर लगभग प्रति रिक्वेस्ट 100 इमेज तक स्वीकार करता है, और विस्तारित कॉन्टेक्स्ट देने वाले मॉडलों पर इससे भी ऊँची सीमा होती है। Claude ऐप्स में कैप काफ़ी कम है, लगभग प्रति मैसेज 20 इमेज। मौजूदा आँकड़े Anthropic के डॉक्यूमेंटेशन में देखें, क्योंकि ये मॉडल जनरेशन के बीच बदलते रहते हैं।
व्यवहार में इसका मतलब है कि तीन मिनट की क्लिप के लिए एक रिक्वेस्ट में लगभग हर दो सेकंड पर एक फ़्रेम आ सकता है, और यह मानकर कि आप अपना पूरा बजट इमेज पर खर्च करते हैं। इससे लंबी किसी भी चीज़ के लिए आपको वीडियो को चंक करना होगा, जिसके बारे में नीचे बताया गया है।
फ़ाइल साइज़ और रिज़ोल्यूशन
दो अलग-अलग सीमाएँ लागू होती हैं:
प्रति इमेज साइज़: सीमाएँ एक-अंकीय से लेकर दो-अंकीय मेगाबाइट रेंज में हैं, और ये डायरेक्ट API और क्लाउड पार्टनर प्लेटफ़ॉर्म पर अलग होती हैं।
कुल रिक्वेस्ट साइज़: स्टैंडर्ड API एंडपॉइंट की कुल रिक्वेस्ट सीमा दसियों मेगाबाइट में है, जिसे base64 एन्कोडिंग तेज़ी से खा जाती है।
रिज़ोल्यूशन भी मायने रखता है। बहुत बड़ी इमेज को मॉडल के देखने से पहले छोटा कर दिया जाता है, इसलिए 4K फ़्रेम अपलोड करने से बैंडविड्थ बर्बाद होती है और कोई अतिरिक्त डिटेल नहीं मिलती। लगभग 1,280 से 1,568 पिक्सल का लॉन्ग एज एक समझदार लक्ष्य है। अगर आपको स्क्रीन पर छोटा टेक्स्ट पढ़ना है, तो पूरे फ़्रेम का रिज़ोल्यूशन बढ़ाने के बजाय उसी हिस्से को क्रॉप करें जो मायने रखता है।
फ़्रेम की टोकन लागत
इमेज कॉन्टेक्स्ट खपाती हैं, और लागत पिक्सल क्षेत्र के अनुपात में बढ़ती है। एक मोटा नियम है: प्रति इमेज चौड़ाई गुणा ऊँचाई भाग 750 टोकन। इसके हिसाब से 1280 गुणा 720 के फ़्रेम पर लगभग 1,200 टोकन लगते हैं।
भेजे गए फ़्रेम
अनुमानित टोकन (720p)
आम उपयोग
10
12,000
छोटी क्लिप का सारांश
30
36,000
एक मिनट का ट्यूटोरियल
60
72,000
कई मिनट, हर फ़्रेम में एक दृश्य
100
120,000
200k विंडो के लिए लगभग अधिकतम सीमा
💡 बजट टिप: अपने निर्देशों और Claude के जवाब के लिए कॉन्टेक्स्ट विंडो का कम से कम 20 प्रतिशत खाली छोड़ें। फ़्रेमों से उसे पूरी तरह भर देने पर अक्सर जवाब सतही निकलते हैं।
पाँच वर्कअराउंड जो काम करते हैं
1. तय दर पर फ़्रेम सैंपल करें
सबसे सरल तरीका है ffmpeg से हर N सेकंड पर एक फ़्रेम निकालना और उन्हें क्रम में भेजना। यह भाषणों, ट्यूटोरियल और स्क्रीन रिकॉर्डिंग के लिए अच्छा काम करता है, जहाँ कंटेंट धीरे बदलता है।
यह कमांड 1280 पिक्सल चौड़ाई पर हर दो सेकंड में एक फ़्रेम लेता है। फ़ाइलों के नाम क्रमिक संख्याओं में रखें ताकि क्रम साफ़ रहे, और अपने प्रॉम्प्ट में Claude को इंटरवल बताएँ: "ये फ़्रेम 2 सेकंड के अंतर पर, क्रम में हैं।"
2. सीन बदलने पर फ़्रेम चुनें
तय सैंपलिंग स्टैटिक शॉट्स पर बजट बर्बाद करती है और तेज़ कट्स चूक जाती है। सीन डिटेक्शन दोनों समस्याएँ सुलझाता है, क्योंकि यह तभी फ़्रेम सेव करता है जब तस्वीर काफ़ी बदल जाए।
हल्के बदलावों के लिए थ्रेशोल्ड (0.2) कम करें और शोर वाले फ़ुटेज के लिए ज़्यादा (0.4) करें। खासकर बहुत सारे कट वाले एडिटेड वीडियो में यह तय इंटरवल से प्रति टोकन बेहतर कवरेज देता है।
3. फ़्रेम को ट्रांसक्रिप्ट के साथ जोड़ें
अकेले फ़्रेम वह सब चूक जाते हैं जो बोला गया है। ऑडियो निकालें, उसे ट्रांसक्राइब करें, और टाइमस्टैम्प शामिल करें ताकि Claude शब्दों को विज़ुअल्स से मिला सके।
ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 audio.mp3
उस ऑडियो को GPT 4o Transcribe से भेजें, फिर टेक्स्ट को अपने फ़्रेमों के ऊपर पेस्ट करें। "यह टाइमस्टैम्प वाला ट्रांसक्रिप्ट है, इसके बाद हर 5 सेकंड पर लिए गए फ़्रेम हैं। वीडियो का सारांश दें और वे पल चिह्नित करें जहाँ बोली गई बात और विज़ुअल्स मेल नहीं खाते" जैसा प्रॉम्प्ट Claude को पूरी तस्वीर देता है। यह संयोजन सबसे मज़बूत सामान्य-उद्देश्य तरीका है, और घने फ़्रेम सैंपलिंग की तुलना में इसमें कहीं कम टोकन लगते हैं।
4. कॉन्टैक्ट शीट बनाएँ
जब एक रिक्वेस्ट के लिए फ़्रेम बहुत ज़्यादा हों, तो कई फ़्रेमों को एक ग्रिड इमेज में जोड़ दें। 4 गुणा 3 ग्रिड में बारह फ़्रेम इमेज कैप के हिसाब से एक इमेज गिने जाते हैं। इसकी कीमत डिटेल है: हर टाइल छोटी होती है, इसलिए यह दृश्य-स्तर के सवालों ("इनमें से कौन-सा शॉट प्रोडक्ट दिखाता है?") के लिए ठीक है, बारीक टेक्स्ट पढ़ने के लिए नहीं। टाइलों को कम से कम 320 पिक्सल चौड़ा रखें और Claude को ग्रिड का क्रम बताएँ, बाएँ से दाएँ, ऊपर से नीचे।
5. लंबे वीडियो को चंक करें
कुछ मिनटों से ज़्यादा किसी भी चीज़ के लिए, वीडियो को सेगमेंट में बाँटें, हर सेगमेंट पर Claude चलाएँ, फिर उससे नोट्स मर्ज करने को कहें।
वीडियो को 2 से 5 मिनट के सेगमेंट में काटें।
हर सेगमेंट का ट्रांसक्रिप्ट और फ़्रेम एक ही प्रॉम्प्ट के साथ भेजें।
हर जवाब को एक छोटे, संरचित सारांश के रूप में सेव करें।
आखिरी रिक्वेस्ट में सारांश पेस्ट करें और एक ही ओवरव्यू माँगें।
यह मैप-फिर-रिड्यूस पैटर्न हर रिक्वेस्ट को सीमाओं से काफ़ी नीचे रखता है और गलतियों का पता लगाना आसान बनाता है। अगर कोई सेगमेंट खराब जवाब देता है, तो आप बस उसी सेगमेंट को दोबारा चलाते हैं।
वीडियो वर्क के लिए PicassoIA पर Claude कैसे इस्तेमाल करें
PicassoIA एक ही जगह पर कई Claude मॉडल होस्ट करता है, इसलिए आपको अलग-अलग अकाउंट संभाले बिना फ़्रेम-और-ट्रांसक्रिप्ट वर्कफ़्लो चलाने को मिलता है। विकल्पों में Claude Sonnet 5, Claude Fable 5, Claude Opus 4.7, Claude Sonnet 4.6 और Claude 4 Sonnet शामिल हैं। हर एक में कौन-से इनपुट दिए जाते हैं, यह अलग हो सकता है, इसलिए फ़्रेम-आधारित रन की योजना बनाने से पहले मॉडल पेज खोलकर देखें कि इमेज इनपुट मिलता है या नहीं।
चरण-दर-चरण सेटअप
एसेट तैयार करें। ffmpeg से फ़्रेम निकालें और ऊपर लिंक किए गए स्पीच-टू-टेक्स्ट मॉडलों में से किसी एक से ऑडियो ट्रांसक्राइब करें।
Claude मॉडल खोलें। मिश्रित इमेज और टेक्स्ट कामों के लिए Claude Sonnet 5 एक ठोस डिफ़ॉल्ट है। जब कई फ़्रेमों पर गहरी रीज़निंग चाहिए, तब Claude Opus 4.7 चुनें।
संरचित प्रॉम्प्ट लिखें। फ़्रेम इंटरवल बताएँ, टाइमस्टैम्प वाला ट्रांसक्रिप्ट पेस्ट करें, और साफ़-साफ़ बताएँ कि आपको कौन-सा आउटपुट चाहिए।
फ़्रेम अटैच करें। उन्हें क्रम में रखें और साफ़ नाम दें।
एक बार में एक सवाल पूछें। पहले सारांश, फिर खास पलों पर फ़ॉलो-अप।
काम आने वाली प्रॉम्प्ट टिप्स
Claude को वीडियो की लंबाई और फ़्रेम के बीच का अंतर बताएँ, क्योंकि वह इनमें से कोई भी अनुमान से नहीं निकाल सकता।
जब वह कोई दृश्य बताए, तो उसे फ़्रेम नंबर का हवाला देने को कहें, इससे हैलुसिनेशन पकड़ना आसान होता है।
जब टाइमलाइन चाहिए हो, तो टाइमस्टैम्प, घटना और कॉन्फ़िडेंस का टेबल माँगें।
"अगर कोई चीज़ फ़्रेमों में दिखाई नहीं देती, तो यह साफ़ कहें" जैसी एक पंक्ति जोड़ें, ताकि वह खाली जगहों को अनुमानों से न भरे।
जब कोई और मॉडल बेहतर बैठता है
कुछ काम सचमुच नेटिव वीडियो माँगते हैं: मोशन की क्वालिटी आँकना, सांकेतिक भाषा पढ़ना, तेज़ स्पोर्ट्स एक्शन का पीछा करना, या ऑडियो और पिक्चर का सिंक जाँचना। इनके लिए Google का Gemini परिवार बनाया गया है, जो Google के अपने API के ज़रिए सीधे वीडियो स्वीकार करता है। PicassoIA पर आप Gemini 3.1 Pro, Gemini 3.5 Flash और Gemini 3 Flash आज़मा सकते हैं। Claude की तरह ही, हर मॉडल पेज खोलकर देखें कि वहाँ कौन-से इनपुट दिए जाते हैं।
काम
सबसे अच्छा तरीका
किसी भाषण या ट्यूटोरियल का सारांश
ट्रांसक्रिप्ट और सैंपल किए गए फ़्रेम के साथ Claude
इसी श्रेणी के दूसरे विकल्पों में GPT 5.4 और Qwen3.7-Plus शामिल हैं, जिनमें से आख़िरी के बारे में बताया गया है कि वह टेक्स्ट के साथ इमेज भी पढ़ता है। छोटे डिटेल और टेक्स्ट को हर मॉडल कैसे संभालता है, यह तुलना करने के लिए इन्हें उसी फ़्रेम सेट पर परखना उपयोगी है।
💡 निष्पक्ष तुलना: एक ही फ़्रेम, एक ही ट्रांसक्रिप्ट और एक ही प्रॉम्प्ट दो मॉडलों पर चलाएँ। जवाबों में फ़र्क आपको किसी भी स्पेक शीट से ज़्यादा बताएगा।
पहले सोर्स फ़ुटेज सुधारें
कम क्वालिटी का इनपुट धुंधले जवाब देता है। अगर आपकी क्लिप धुंधली, शोर वाली या बहुत छोटी है, तो फ़्रेम निकालने से पहले उसे अपस्केल करें। Video Upscale फ़ुटेज को तेज़ करता है, ताकि 1280 पिक्सल तक छोटा होने के बाद भी स्क्रीन का टेक्स्ट और चेहरे बचे रहें। यह पुरानी स्क्रीन कैप्चर, फ़ोन रिकॉर्डिंग और कंप्रेस्ड अपलोड पर सबसे ज़्यादा मदद करता है।
आम गलतियाँ
ज़्यादातर असफल कोशिशें इन्हीं कुछ गलतियों तक पहुँचती हैं:
बहुत ज़्यादा फ़्रेम भेजना। ज़्यादा इमेज का मतलब बेहतर जवाब नहीं है। तीस अच्छी तरह चुने हुए फ़्रेम सौ लगभग एक जैसे फ़्रेमों से बेहतर हैं।
क्रम भूल जाना। अगर फ़्रेम उलझे हुए हैं या बिना नंबर के हैं, तो Claude क्रम का अनुमान लगाएगा और कहानी गढ़ देगा।
ट्रांसक्रिप्ट छोड़ देना। इंटरव्यू, मीटिंग और लेक्चर में ज़्यादातर अर्थ बोली गई बात से आता है।
बहुत बड़े फ़्रेम इस्तेमाल करना। मॉडल जितना उपयोग करता है उससे ज़्यादा रिज़ोल्यूशन बढ़ाने से सिर्फ़ टोकन और रिक्वेस्ट साइज़ खर्च होते हैं।
मोशन के दावों पर भरोसा करना। Claude स्नैपशॉट देखता है। अगर वह कहता है "कैमरा बाईं ओर पैन करता है", तो यह दो फ़्रेमों से निकाला गया अनुमान है, कोई प्रत्यक्ष अवलोकन नहीं।
प्लेटफ़ॉर्म के फ़र्क को नज़रअंदाज़ करना। वही मॉडल डायरेक्ट API, ऐप्स और क्लाउड पार्टनर प्लेटफ़ॉर्म पर अलग-अलग इमेज कैप रख सकता है।
अस्पष्ट सवाल पूछना। "इस वीडियो में क्या होता है?" का धुंधला जवाब मिलता है। "दिखाए गए हर प्रोडक्ट की सूची दें और वह पहली बार कब दिखता है, टाइमस्टैम्प सहित" से काम का जवाब मिलता है।
एक अच्छी आदत यह है कि Claude से हर दावे के पीछे के सटीक फ़्रेम नंबर बताने को कहें। अगर कोई कथन किसी फ़्रेम या ट्रांसक्रिप्ट की पंक्ति से नहीं जुड़ पाता, तो उस पर शक करें।
अपना पहला फ़्रेम टेस्ट चलाएँ
Claude वीडियो फ़ाइल नहीं खोल सकता, लेकिन जब आप उसे सही हिस्से दें, तो वह उसके अंदर की लगभग हर चीज़ पर तर्क कर सकता है। छोटी शुरुआत करें: 60 सेकंड की एक क्लिप चुनें, 20 फ़्रेम निकालें, ऑडियो ट्रांसक्राइब करें, और टाइमस्टैम्प वाला सारांश माँगें। फिर परिणाम की तुलना दूसरे मॉडल से करें, यह देखने के लिए कि आपके फ़ुटेज को कौन बेहतर पढ़ता है।
PicassoIA Claude मॉडल, Gemini मॉडल, स्पीच-टू-टेक्स्ट टूल और वीडियो अपस्केलिंग एक ही जगह पर रखता है, ताकि आप पूरा प्रयोग बिना टैब बदले चला सकें। Claude Sonnet 5 या Claude Opus 4.7 खोलें, इस लेख का फ़्रेम-और-ट्रांसक्रिप्ट प्रॉम्प्ट आज़माएँ, और बाकी सब picassoia.com/en/all-models पर देखें। आपका पहला काम का वीडियो सारांश बस कुछ फ़्रेम दूर है।