视频擦除全流程，从擦除原理、开源软件到工具选择

为什么无痕视频擦除很难？现在的擦除和以前剪映、PR 擦除有什么区别？自动擦除需要哪些步骤？有哪些开源软件和闭源方案，他们的效果和收益是怎样的？让我们一起来回答这些视频擦除的问题。

1. 视频硬字幕擦除的定义

硬字幕擦除做的是补画面，不是删一条字幕轨。文字已经画进每一帧的视频像素里，工具把那一块涂掉，再根据周围和前后帧把背景估出来。估出来的不是烧字幕之前的原始像素。所以 AI 视频擦除本质不是擦，是通过 AI 计算还原，是一种 AI 生成的技术。

1.1 先分清三种字幕，只有一种需要擦

播放器里能关掉的，是软字幕。它躺在单独的字幕轨上，关掉，或者封装时把那条轨拿掉，画面像素原样还在。

上游能给出无字幕母带，直接用母带。这是画质上限，也不用再审「补得像不像」。

只有两件事同时成立，才进入后面的技术：任意播放器里字都关不掉，而且拿不到净版。这时字是画面的一部分。新字幕叠上去会和旧字打架，把底部裁掉又少一块构图。擦除是在这两者之间找一条能看的路。

2. 同一帧左右看，擦除在处理哪类字

下面每张图都是同一时刻：左边擦之前，右边擦之后。截图只能看残字、误伤和细边缘。闪不闪必须连续播。前三张来自同一段 9 秒短剧，中间换了镜头。

2.1 一帧里同时有对白、免责声明和人名

底部是对白，左侧竖着「影视效果 请勿模仿」，右边是人名。三处都是字，停留方式和该不该留并不一样。这一帧把它们都去掉了。人名旁边那条金线还留着一截。

细线对比度低，边缘又有一圈抗锯齿。遮罩如果只盖住字的主体，这圈浅像素还在。修复模型也缺少足够的纹理把一条 1 像素的线接完整，于是留下一道。暂停时要专门放大看描边、下划线和这种金线，不能只看大字还在不在。

人名要不要留，是规则，不是模型自己能判断的。这部片子的演示把人名一起清了。若人名是要保留的剧情信息，就得把那一块标成保留区。

2.2 字幕压在头发上

特写里，字幕压在头发和下巴附近，左侧免责声明也在。头发是高频纹理，帧和帧之间本来就在动。单帧补洞很容易把发丝抹平；用前后帧补，光流又容易在发丝上对错。所以这一类镜头，截图干净不算过，要按原速播，看发丝会不会跳。

2.3 字不在底部那一条里

这一镜几乎没有底部对白。左边是人名花字，四边还有摄影机参数。只框住画面下方，这些字全会留下。字的位置决定了后面用固定区域、多框，还是更大的范围。

2.4 语种变了，步骤没有变

中文、英文、韩文三张是官网演示条，字是后压上去的样例句，左右仍是同一帧。拿它们看的是位置和遮挡，不是文案。

口播最常见的就是胸口这一条。背景是叶子时，要看叶边有没有被补糊。叶子和头发是同一类问题：边缘细、纹理碎。

英文常常是两行，还贴着袖口、桌面和杯子。遮罩画大了，这些边缘会一起被修。画小了，第二行的下降部会留下残字。

字压在酒杯和手指上。透明物体的前后帧不好对齐，手的边缘又是观众盯着看的地方。擦完要单独看这两处，不要只看字幕原来的位置空了没有。

2.5 该擦的字，和该留的字叠在一起

带货标题经常在画面上半，不在传统字幕带。商品上印着的数字、型号要留。标题和包装字如果用同一套「见字就擦」，型号会先出事。

黄字直接盖在一张算式表上。要去掉的是黄字，底下印着的算式得还在。检测器会把两边都认成字。擦除系统必须再有一层决定：哪些框进入遮罩，哪些框明确保留。

3. 视频擦除原理：认出来，决定擦哪，再把洞补上

上面几帧可以收成同一条链路。缺任何一步，都会在某一类镜头上翻车。

3.1 认字：抽样，再收成一句

光学字符识别（OCR）对一帧图像输出三样东西：框、框里的文字、置信度。它不关心这是字幕、店招还是包装。

100 分钟的片子按 25 帧计算，大约 15 万帧。同一句对白往往停 1 到 2 秒，中间绝大多数帧上的字是重复的。每一帧都完整跑一遍检测和识别，时间花在重复劳动上，框的位置还会帧帧抖动。

实用做法是按时间抽样，再把相邻结果合并。位置接近、文字相同、中间没有镜头切换，就收成一个事件：这句字，从几秒到几秒，框落在哪。后面的遮罩按事件生成，不按单帧生成。镜头切了必须把事件断开，否则上一镜的框会套到下一镜。

中文视频里现在最常用的识别工具是 ​PaddleOCR。

VSR 1.4.0 用的是其中的 PP-OCRv5。检测这一支更早的代码还有 ​EAST、​CRAFT、​DB，适合看「框是怎么来的」。直接跑业务，多数人已经用 PaddleOCR 这一层，而不是自己再训一个 EAST。

​EasyOCR 安装快、语种多，拿来确认「这句外文认不认得出来」很合适。要在很多集中文短剧上稳定出框，还是 PaddleOCR 更常见。

3.2 决定擦哪：框要比字大一圈，但不是见字就擦

检测给出候选。擦除还要一道规则，至少看四件事：

• 位置。底部一条、左右竖排、四边花字、画面中央的标题，不是同一类。

• 停留。对白会停一两秒；一闪而过的特效字、台标、弹幕，时间模式不同。

• 是否重复。同一句在相邻帧反复出现，更像字幕。招牌和包装通常跟着场景走，不跟着对白走。

• 要不要留。人名、品牌、型号、表格里印着的字，可以同样被检测到。留不留是项目规则。第 8 张图就是这个分界。

规则定了以后才生成遮罩。遮罩要比字形大一点，把投影、描边和抗锯齿盖住。第 1 张图的金线，就是主体已经盖住、细边缘没盖住的结果。遮罩过大则相反：袖口、杯子、手指会被修进去，对应第 5、第 6 张。

所以「检测到文字」和「这里该擦」是两件输出。前者是 OCR 的事，后者是区域、时间和保留名单的事。

3.3 补画面：单帧看周围，视频看前后帧

遮罩之内的像素被丢掉，模型要填回来。

单帧图像修复只看这一帧遮罩外面的纹理。​LaMa 是这条线上用得最多的开源模型，大块缺失、背景比较静的时候，暂停看往往很像样。视频如果一帧一帧各补各的，每一帧的补法都有一点差别，连起来播，字幕带原来的位置会闪，像在呼吸。头发、叶边、暗部渐变最明显。

视频修复把邻近帧一起送进模型，让被挡住的内容从前后帧里找。三条常见实现：

• ​STTN 在时间和空间上一起看邻近帧。真人视频上速度和质量比较均衡，VSR 处理实拍时默认走这条。邻近帧数调大，连续性通常更好，显存也上去。

• ​ProPainter 把传播做得更远，剧烈运动时连续性经常更好，模型体积和显存也明显更大。VSR 1.4.0 把它从默认安装里拿掉了，作者的理由就是模型大、吃显存。算法仓库还在，要这个效果需要自己接。

OpenCV 自带的补洞（Telea、Navier-Stokes 那一类）最快，边缘容易糊，适合做「传统方法和现在差多少」的对照，不适合当短剧成片。

​IOPaint 把 LaMa 等模型做成能涂抹的工具。拿来试遮罩、修几帧很直接。几百集不能靠手涂。

和案例对上就是：第 2 张看的是高频纹理会不会闪，第 6 张看的是透明物体和手，第 1 张看的是遮罩没盖住的细结构。这三件用一张暂停图都证明不了。

3.4 最小可用流程

把上面三步按顺序放平，就是一条能交付的流程：

1. 看素材：时长、分辨率、字幕大概在哪、有没有镜头大动、有没有人和字重叠。

2. 抽样检测，得到文字候选。

3. 跨帧合并成带时间的事件，镜头切换处断开。

4. 套用擦除和保留规则，生成比字形稍大的遮罩。

5. 按运动和纹理选单帧修复或视频修复。

6. 连续播放抽检：残字、误伤、闪烁、细线。过了再扩到同一版式的其他集。

开源项目通常覆盖第 2 步和第 5 步。第 4 步的保留名单、第 6 步的抽检，以及一百集怎么排队，要自己补，或者交给带这套流程的软件。

4. 开源软件：按流水线汇总

不要按星数挑一个「最强去字幕」。去硬字幕是检测、规则、修复三件东西接在一起。2026 年 10 月，自己跑擦除可以按下面这张表拼。

环节	项目	它解决什么	用的时候注意
整套去硬字幕	video-subtitle-remover	本地去硬字幕和文字水印，能框一块或多块	实拍默认 STTN，图片和动画用 LaMa。1.4.0 起不再内置 ProPainter
先把台词提出来	video-subtitle-extractor	把硬字幕认成字幕文件	不改画面。擦之前先提出来，不然台词和字一起没了
认字	PaddleOCR	检测加重识别，中文场景最常用	VSR 1.4.0 使用 PP-OCRv5
认字	EasyOCR	快速试多语种	大批中文短剧通常还是回到 PaddleOCR
看检测原理	EAST、CRAFT、DB	文字框怎么来的	读代码清楚，直接当生产检测器的人已经少了
单帧补洞	LaMa	静态背景、图片、动画	视频逐帧用会闪
涂抹试遮罩	IOPaint	把 LaMa 等做成可涂抹工具	适合试几帧，不适合几百集
视频补洞	STTN	邻近帧一起补，VSR 实拍默认	帧数调大更稳，也更吃显存
视频补洞	ProPainter	剧烈运动时连续性往往更好	显存和时间都更贵；VSR 已不内置，需自己接

一条能先跑通的组合是：用 video-subtitle-extractor 把硬字幕提出来，再用 VSR 擦画面。字的位置固定，就只框那一条或那几块，范围越小越不容易误伤。实拍用 STTN，动画和单张图用 LaMa。运动已经大到 STTN 明显发闪，再单独评估要不要接 ProPainter 或 E2FGVI，不要默认所有片子都上最重的模型。

这些仓库解决的是「这一段视频怎么把字去掉」。它们不管整部剧的保留名单、失败重跑、擦完以后的翻译和配音。那是闭源软件分叉的地方。

5. 闭源软件：按任务汇总

这里不打分。各家官网都不能代替「同一段难镜头、连续播放」的验收。截至 2026 年 10 月，按它们实际在做的事分成四类。

5.1 裁掉或盖住，不补像素

Veed 去文字 写明了两种做法：把字裁出画幅，或者用色块、贴纸、新字幕盖住。这不是把被挡住的背景补回来。

字贴在画面边缘、构图允许少一块的时候，这条路最稳，因为没有生成痕迹。字压在脸上、又不能裁，它解决不了第 2 节那些帧。

5.2 剪辑软件里顺手擦一条

剪映（海外产品名 CapCut）的消除类功能，适合片子已经在剪辑时间线上、只要处理一条或几条。上手快。它的主路径不是一百集排队、抽检、再送去翻译。

video-subtitle-remover 是桌面工具。字幕和水印都是压在画面上的图层，所以也会被拿来去硬字幕。适合不想把成片传到网页、又只处理有限条数的人。具体时长和批量以当前版本为准。

Adobe After Effects 的内容识别填充，是难镜头的手工上限：自己画遮罩，让软件用前后帧填。几秒可以抠得很细，一条 9 秒成片里的金线、发丝都可以逐段修。把它用在几十集上，时间和人力都对不上。

5.3 专门做去字的在线工具

GhostCut 把去字幕、去水印、去画面文字作为单独工具，提供各个版本都有。在线版对单条时长有限制，长视频要看桌面版和套餐。素材会上传。他提供多个擦除产品和擦除的版本，满足不同质量和效率的需求。

5.4 擦完还要接着译制

短剧出海通常不是擦完就结束。干净画面还要提取或生成字幕、翻译、配音、再压新字幕。文件如果在去字网站、剪辑工程、翻译表之间搬，一百集的返工会花在搬运上。 鬼手剪辑字幕擦除走的是这条：先把硬字幕清掉，画面留在后面的翻译和配音里。范围按字在哪分。位置固定就框住那一块；贴片很散再用全屏；滚动或者跟着画面走的字要单独跟踪，固定框会擦不干净，也会伤到旁边。修复也分轻重，运动大、纹理细再用更重的一档。重的更慢，先用十几秒看边缘和耗时，再决定整部剧走哪一档。

闭源不会自动消灭第 1 张图里的金线，也不会自动知道人名该不该留。难镜头照样要按第 3.4 节抽检。鬼手剪辑省的是批量、范围选择，以及擦完不用再导出一轮才去翻译。原理页里可以连续播上面那段 9 秒：换语言前，先把字幕擦干净。

6. 按这个顺序选

1. 播放器能关字幕，或上游有净版：停止，不要擦。

2. 字在边缘，构图允许少一块画面：裁切或遮盖。这条没有生成痕迹。

3. 一条片子，需要把背景补上，自己有显卡：VSR。先框住字，实拍用 STTN。

4. 擦之前还要留下台词：先用 video-subtitle-extractor 提出字幕文件。

5. STTN 已经明显发闪，运动又大：再试 ProPainter 或 E2FGVI，单独算显存和时间。

6. 只有几秒，要求抠到发丝和细线：After Effects 里逐段修。

7. 几十上百集，擦完还要翻译和配音：用带队列的工具。鬼手剪辑是其中一条。先拿头发、人手、四边花字这几秒试，过了再扩。

8. 字和脸、手严重重叠，又要求看不出修过：当人工镜头处理。自动补会留痕，这是遮罩里的像素本来就已经丢了。

台标、弹幕、半透明花字，不要和对白字幕用同一套框。它们的位置和停留时间都不一样。验收就看四件事：还有没有残字，有没有误伤该留的字，播起来闪不闪，细线和图标边缘还在不在。

7. 链接

开源：

• 本地去硬字幕：​video-subtitle-remover

• 先提取硬字幕：​video-subtitle-extractor

• 认字：​PaddleOCR、​EasyOCR

• 文字检测：​EAST、​CRAFT、​DB

• 补画面：​LaMa、​IOPaint、​STTN、​ProPainter

闭源和编辑器：

• 裁切或遮盖：veed 去文字

• 剪辑时间线上消除：剪映

• 桌面去水印：hign pat remoer

• 在线去字幕：GhostCut

• 擦除后继续翻译配音：鬼手剪辑