四段真实视频去除烧录文字：我们的测试记录

我们怎么测的？

四段视频都是 Pexels 授权的素材，原片上都没有文字。字幕、画面字幕、标题卡和角标都是我们自己烧录进去的，然后用网站上实际运行的同一套流程去掉。第四段测试的是物体，不是文字。

这就是测试方法，读下面的结果时要记住这一点。因为文字是我们加的，手上有干净的原片可以对照，不用靠肉眼猜。同时，素材也是我们挑的，你的视频表现可能不一样。最后一节写了我们预计会出问题的情况。

第 1 段：繁忙夜街上的字幕

素材：新宿夜晚街景，作者 Tianwang Xiao。1080p，20 秒。

我们烧录了 4 行字幕，每 5 秒换一行，用高清档渲染。视频被切成 4 段，480 帧全部重建完成（480/480）。

结果：

• 遮罩以外几乎没有变化。 平均变化小于 2/255。重建区域是贴回原始画面的，其余部分就是你的原片。
• 分段接缝处没有明显跳变。 相邻两段之间有 8 帧的交叉淡化。
• 霓虹招牌没有被动过。 画面里到处是边缘锐利的发光招牌，一个都没有被处理，因为都没有勾选。

第一次哪里出了错

这段视频对检测来说最难，早期版本错在三个地方。

1. 霓虹招牌和地图标注被当成了字幕。 它们同样边缘锐利，而检测器原本就是找这种特征。现在我们还要求一个框的亮度在多次采样之间保持稳定：字幕是稳的，闪烁的招牌不是。
2. 一行字幕被拆成了三个框。 现在同一行上的碎片会被合并成一个。
3. 预览看起来像失败，其实不是。 默认预览帧有一次正好落在一行字幕切换到下一行的瞬间，画面上显示的是没处理完的文字。现在预览会选在某行字幕显示时间的中段。

如果你的预览帧看起来不对劲，先看看它是不是正好落在字幕切换的时刻，再下结论。

第 2 段：横跨人脸的字幕

素材：口播视频，作者 ANTONI SHKRABA production，竖屏，480×854。

我们把一行字幕压在人脸上，位置在嘴部高度。这个位置很难处理，因为每说一个字嘴都在动，观众的视线也正好落在这里。这段用高清档渲染。

高清档就是为人脸这类情况准备的。标准档以 480p 重建遮罩区域，落在皮肤、嘴唇和头发上可能显得偏软；高清档以 720p 重建。如果你的字幕压在脸上，先用免费预览看一帧字幕盖住嘴的画面，标准档看起来糊就选高清。

第 3 段：标题卡和贴纸，保留场景里的招牌

素材：市集摊位，作者 bizarreaudio，竖屏。

我们加了一张「SATURDAY MARKET HAUL」标题卡和一个粉色「TODAY」角标。摊位上还有一块手绘的「MANGOSTEEN」招牌，那是场景本身的一部分。

招牌是我们特意留下的。只有勾选的框才会被去除，所以属于场景的文字不会被动。

第 4 段：运动镜头里的物体

素材：一段运动镜头拍摄的健身房画面。

这次要去掉的不是文字，而是一个木箱，用的是物体框。物体框会重建框内的全部内容，所以框要比物体略大一些，阴影也要框进去。

物体背后的背景如果在其他帧里露出来过，补画面时就有真实的内容可以借用。物体去除的效果主要取决于这一点。

文字遮罩有多精确？

文字框只重建字母和描边，框里其余部分保持原样。在我们的测试中，字母遮罩覆盖了约 97% 的真实文字像素，字母周围再留几个像素的余量，就能把剩下的部分也盖住。

渲染要多久、花多少积分？

一段 6 秒的视频用标准档完整渲染，花了 6 积分，从点击渲染到文件可以下载大约用了 105 秒。标准档每秒 1 积分，高清档每秒 3 积分。单帧预览免费，不需要账号。

我们看到或预计会遇到的局限

• 画面快速运动、背景始终没露出来时，可能出现拖影。 补画面要从前后帧借内容，背后的区域如果从没出现过，就没有可借的。
• 标准档下人脸和头发会偏软。 这类画面请用高清档。
• 整段都被遮住的人脸无法还原。 如果字幕从第一帧到最后一帧都盖着同一张脸，补出来的内容是推测生成的。看起来可能合理，但不是这个人真实的脸。

用你自己的视频试试

• 去除视频字幕：适用于字幕和烧录文字。
• 去除视频中的物体：适用于道具、杂物和 Logo。
• 去除视频中的表情和贴纸：适用于你自己加上的叠加元素。