视频硬字幕怎么去掉：三种办法和它们的代价

2026-09-07约 11 分钟老黄牛

硬字幕是已经压进画面像素里的字，没有「删除」这个动作。能做的只有三件事：把它裁掉、把它盖住、把它那块画面重新算出来。三条路都走得通，但代价完全不一样——一条毁构图，一条一眼假，一条慢。这篇把三种办法的适用范围、失败情况和具体操作顺序讲清楚。

先分清软字幕和硬字幕

很多人一上来就去找「去字幕软件」，其实第一步是分清手上这条视频的字幕属于哪一种，分错了后面全是白折腾。

软字幕是一条独立的字幕轨，跟画面分开存放（mkv 里最常见，mp4 也能带）。这种字幕在播放器里能直接关掉，用 ffmpeg 一条命令就能剥干净——ffmpeg 是一个免费的命令行视频处理工具，很多剪辑软件底层用的都是它。软字幕根本不需要「修」，把字幕轨去掉重新封装就完事了。

硬字幕是发布的时候就渲染进画面的，字已经变成了画面上的一片像素，跟背景焊死在一起。你从网上下载回来的、录屏录下来的、别人导出的成片，基本都是硬字幕。这种情况下没有任何工具能把字「拿掉」，只能想办法让那块地方看起来不像有过字。

怎么判断？两个办法，半分钟能做完：

• 用播放器（VLC、PotPlayer 这类都行）打开视频，看菜单里有没有「字幕轨」可以切换或关闭。能关掉的就是软字幕。
• 随手截一张图，把截图丢进任何看图软件放大。字还留在图上，就是硬的。

办法一：裁掉字幕区域

最直接的思路：字幕在画面下沿，那就把下沿切掉。任何剪辑软件都能做，一分钟的事，画质零损失，也不用等模型算。这是三条路里最被低估的一条。

代价是画幅变了。举个具体的例子：一条 1080×1920 的竖版视频，底部字幕连同安全边距占掉 200 像素，裁完剩 1080×1720。这个比例不是标准竖屏，直接发出去平台要么给你上下补黑边，要么自动裁切。想保持 9:16，就得把画面重新放大回 1080×1920——等于整幅画面放大 11.6%，四周各切掉一圈。

放大之后会连着出三个问题：

• 人物头顶、下巴被切掉，原来舒服的构图变得局促。人像近景尤其明显。
• 原本在画面边缘的东西被推出画外，或者被推到更显眼的位置。角标、进度条、水印这些平时不碍事的元素，放大之后就碍事了。
• 清晰度掉一档。1080p 放大 11.6% 还能看，720p 的素材再裁再放大就开始糊了。

什么时候值得裁：字幕在纯背景的边缘、主体牢牢待在画面中间、这条素材是拿去做混剪的片段而不是要单独发布的成片。混剪片段本来就要重新排版、重新加字，画幅变一点根本无所谓，而且裁剪是零风险的——不会出现任何「修得不像」的问题。

什么时候别裁：字幕压在画面中部或者上方（裁下沿根本够不着）；素材本身分辨率就低；或者这是一条要原样发出去的成片，构图不能动。

办法二：盖色块或高斯模糊

第二条路是遮：拉一个矩形，填纯色，或者对那块区域做高斯模糊，直接盖在字幕上。剪辑软件里都有现成的效果，同样是分钟级的活。

问题是那块区域会「死掉」，观众一眼就能看出来。原因有三条，一条比一条明显：

• 背景在动，遮挡不动。镜头一推、人一走，画面里所有东西都在变，只有那个矩形纹丝不动。人眼对这种不一致特别敏感，比对模糊本身敏感得多。
• 模糊块有硬边。高斯模糊出来的边缘是一条笔直的分界线，跟镜头景深造成的虚化完全不是一个质感。真实的虚化是渐变的、跟着物体轮廓走的，而模糊块是一个规整的长方形。
• 字幕是断续的，遮挡是全程的。一句话说完，字幕消失一两秒，那块色块还在。只要有这么一两秒，观众就明白发生了什么。

有一种情况遮挡是真能用的：背景本来就是纯色。PPT 录屏、纯黑底的口播、纯白底的教学演示，字幕区域背后是一片没有任何信息的单色，拿同色矩形盖上去几乎看不出痕迹。除了这类素材，遮挡更适合做自己留着用的工作副本，不适合直接发布。

办法三：AI 逐帧修复

第三条路是把字幕那块区域当成「画面缺了一块」，让模型根据周围的像素推断这块本来应该长什么样，然后一帧一帧补回去。这类模型叫图像修复模型，老黄牛的去字幕用的是 LaMa，模型跑在你自己的电脑上，视频不上传。

有一句话必须先说清楚：模型是在猜，不是在恢复。被字幕挡住的那块真实画面，在这条视频文件里根本不存在，任何工具都变不出来。模型能做的是让那块地方跟周围看起来连得上、不突兀。所以背景越简单、越有规律，猜得越像；背景越复杂，越容易露馅。这不是哪个软件做得好不好的问题，是这条路本身的边界。

它的代价是慢。逐帧推理，一秒 30 帧的视频就是 30 次运算，一分钟的片子要算一千八百次。Windows 上是 CPU 推理，macOS 14 及以上的 Apple 芯片可以用 CPU 或 MPS。另外还有一次性的准备成本：第一次使用要在软件里主动下载完整运行组件（Python / PyTorch / 模型），Windows 约 457 MiB、macOS 约 305 MiB，下载中途停了还能续传，装完缓存在本地，之后升级软件只要版本匹配就能接着复用。

好处也是实打实的：画幅一点不动，构图完全保留；音频原样保留，能直接封装就用原轨，不能就转成 AAC；而且能整个文件夹批量跑，一次最多 2000 个视频。素材全程不出本机，联网只用于登录和验证授权，手上素材敏感也不用担心。

什么素材修得好，什么修不好

这一节是全篇最有用的部分。同样是 AI 修复，素材不一样，结果能差出十条街。先看修得好的：

• 纯色或浅纹理背景上的字：天空、墙面、桌面、虚化的室内背景。周围像素高度一致，模型几乎不会出错，修完基本看不出来。
• 位置固定的底部字幕条：整条视频的字幕都在同一个位置、同样大小，一个框从头管到尾。
• 字幕四周有干净余量：字的上下左右有一两行的空白，框可以贴着字画，不用往画面主体里侵占。

再看修不好的。这几种情况提前知道，能省掉一整天：

• 字幕压在人脸、手、招牌文字、格子布这类高信息量区域。模型会在那儿编出一片糊掉的东西，比原来的字幕还刺眼。人脸尤其明显，人眼对脸的异常最敏感，脸上糊一块比留着字幕更劝退。
• 半透明底条。底条覆盖的范围比文字大得多，框小了会在四周留下一圈明显的边，框大了整条画面下沿都要被重新编造，等于把三分之一的画面交给模型去猜。
• 动态字幕。位置跟着画面跑的、逐字变色的卡拉 OK 式字幕、带弹跳动画的花字，一个固定框盖不住。要么把框拉得很大（面积超限、误伤画面），要么必然漏字。
• 带粗描边和投影的字。只框住文字本身，描边和阴影会留在框外，形成一圈黑色的幽灵轮廓。框的时候要把描边和阴影一起包进去，这也是为什么框要比目测的字大一圈。
• 背景在快速运动。每一帧是独立修复的，相邻两帧修出来的内容不完全一样，连起来播放就会看到那块区域在轻微地闪。固定机位几乎不闪，手持晃动或者快速推拉的镜头闪得明显。

一条经验：拿到一批素材，先挑最难的那一条来试。最难的能过，剩下的都能过；最难的过不了，就早点决定换素材，别把时间耗在一批本来就不适合的片子上。

一套稳的操作顺序：3 秒试片再跑全量

不管用哪个工具，顺序都比参数重要。下面这套是按老黄牛 去字幕的实际流程写的，换别的工具思路也一样。

1. 先分批不同画幅、不同方向、字幕位置不同的视频，分开成几批处理。同一批里所有视频共用同一组相对位置的框，混在一起框必然错位。目录只扫描当前这一层、按文件名排序，视频藏在子文件夹里的先拿出来。
2. 取一帧字幕最清楚的画面选入素材后拖预览时间轴，找一帧字幕完整、背景有代表性的画面来框。预览时间只影响你看到的画面，不影响后面处理的起点。
3. 贴着字幕框，别贪大框要把文字连同描边和阴影一起包住，四周留一点点余量就够。最多 16 个区域，所有区域加起来不能超过画面面积的一半，重叠部分也重复计算。双语字幕上下两行，宁可框两个小框，也别拉一个大框把中间的画面一起吃掉。
4. 跑 3 秒真实试片这一步是真的在处理，不是预览。它固定从每个视频的 0:00 开始处理最多 3 秒，跑完到任务列表里打开结果。如果这条视频开头三秒里根本没有字幕，试片什么也验证不了。先用视频分割从中间截一段有字幕的短片，拿短片当输入去试。
5. 放大逐帧看试片把试片拖进播放器，放到 100% 甚至更大，一帧一帧拖过去看框的边缘。重点看三处：边缘有没有硬边、有没有残留的描边轮廓、连续播放时那块区域闪不闪。
6. 确认后跑全量试片过关再提交完整任务。任务列表能看到每个视频的进度和单独的报错，中途可以停，停掉之前已经完成的文件会保留。

三种办法怎么选

把三条路摊在一起看，选起来就不纠结了。

选法其实很简单，对着素材问一句就行：

• 素材是拿去做混剪的片段 → 裁。快，而且反正要重新排版。
• 素材要原样发布、背景又干净 → 修。多花点时间，换一条构图完整的片子值得。
• 背景是纯色录屏 → 遮。同色矩形一盖，比什么都省事。
• 字幕压在人脸上，或者是满屏乱跑的动态花字 → 三条路都不理想，老实换素材，或者重新去找无字幕的源片。这不是工具的问题，是这条素材本身不适合。

费用上，裁和遮通常用剪辑软件自带的功能。AI 修复这条路，老黄牛去字幕的当前套餐见价格页和软件内订单页，本地处理不按处理次数扣积分。6 小时免费试用从服务端第一次成功核验该功能权益后开始计时，够你拿真实素材完整跑一遍再决定。

耗时可以自己估：3 秒试片跑了多久，用视频总秒数除以 3 再乘上去，大致就是全片要花的时间。框选面积越大、分辨率越高，越慢。一批素材开跑之前先这么算一下，心里有数，不至于挂着电脑等一晚上还没跑完。