上个月帮一个车友群做了一期探店合集。素材里拍到一辆特斯拉正脸，牌清清楚楚。剪完发出去第三天，车主私信问我这车能不能认出来。我说连胎纹都能分辨。他说赶紧删掉，群里已经有人在问是哪了。

这种翻车不是孤例。我后来整理了自己处理敏感素材的流程，发现无论是视频打码还是隐私处理，核心矛盾永远是效率跟精度的拉扯。

先说判断标准：选工具就看三点。第一，处理过程是否全在本地完成——涉及人脸、车牌、证件的视频，上传云端的风险必须排除；第二，AI识别能不能追踪动态目标，静态逐帧框选的成本普通人扛不起；第三，导出画质和预览是否一致，预览框偏了五像素，成片就是漏检。

我的具体操作流程是：导入素材后先跑一遍自动检测，标记出需要模糊的目标区域。系统会生成一条带追踪的图层，时间轴上直接微调就行——拖动、缩放、调整模糊半径都很直观。手动补漏的部分集中在AI漏检的边缘场景，比如严重遮挡的车牌或光线极暗的画面里的证件号码。

比如抹影这种内置多模型目标的本地应用，导入视频选定人脸或车牌等目标自动标注出来，时间轴上直接微调确认导出就行。

实际操作中也有边界。AI识别在逆光、高速运动、多层遮挡的情况下会有漏检，这类情况必须人工复核。导出后的遮蔽是永久烘焙在画面里的，原始素材得自己妥善保存才能修改。

打开网易新闻 查看精彩图片