先看重點
- 原理是三層疊起來：原本的影片墊在最底，字卡放中間，再把去背後的人疊回最上面，人就會把字擋住。
- HyperFrames 用一行
remove-background指令就能把人切出來，第一次執行會自動下載大約 168MB 的人像模型。 - 拍的時候鏡頭固定、背景素色、頭頂留空間，這三件事比事後怎麼修都有用。
- 跟 Claude 開工時，先要分鏡表和靜態截圖，位置確認了再做 3 秒試跑，最後才輸出整支。
這種效果大家應該都滑過。講話的人在前面，一行很大的字從背後冒出來，頭髮擋住字的一角，畫面一下子就有雜誌封面的感覺。以前要做，得在剪輯軟體裡一格一格描人的邊，或是先去背，再自己一個字一個字對時間，光想就累。
我平常讓 Claude 剪口播，用的是 HyperFrames 這套開源工具。轉逐字稿、去背、排字卡動畫到輸出 MP4，它都包在同一套指令裡，Claude 讀得懂也改得動，拿來做這招剛好順手。所以我把這招的流程整理成可以照著走的版本，提示詞也寫好了，複製改一改就能用。更多剪輯、特效跟動畫的做法，我都放在 AI 分身 × AI 剪輯課裡，文章中間有介紹。
當然，CapCut 也有自動去背，只做一兩支的話，直接用 CapCut 可能更快。交給 Claude 的好處在後面：字卡會照逐字稿自動對到講話的時間，哪一場不滿意講一句話就能重來，一個月要出很多支口播的人會省力很多。
上面那張對照圖，是我拿自己影片裡的一格畫面，實際跑 HyperFrames 的去背做出來的。我寫這篇時對照的是 HyperFrames 0.8 版的官方說明（2026 年 10 月），這套工具更新很快，之後有變動的話以官方為準。
原理其實就是三層疊起來
先把原理弄懂，後面要改的時候，才知道該動哪一層。
最底層是你原本的影片，完整、有背景的那支。中間那層是字卡，大字、數字、關鍵字都放這裡。最上面再疊一層「只有人」的影片，也就是把背景挖掉、只留下人的去背版。人在最上面，字經過人的位置就會被擋住，看起來像字躲在人後面；字跑到旁邊沒有人的地方，又會完整露出來。
去背版的影片，是 AI 模型一格一格判斷「哪裡是人」，再把其他地方變透明。HyperFrames 用的是 u2net_human_seg 這個專門抓人像的模型，Apache 2.0 授權，輸出的透明影片預設是 WebM 格式，HyperFrames 可以直接拿來疊。
還有一個進階做法。HyperFrames 可以一次輸出兩支影片，一支只有人，一支只有背景、人的位置挖空，字卡夾在兩支中間，效果一樣，只是不用再墊原始影片。一般用第一種就夠了，知道有這個選項就好。
開拍前先顧好這三件事
這段我覺得是整篇最重要的。拍壞的素材，後面怎麼調都很辛苦。
鏡頭固定。手持會晃，人的位置一直在變，字一下被擋太多、一下整排露出來，效果很不穩。用腳架或靠著東西放好，整支都不要動。
背景素色，而且跟頭髮、衣服有反差。去背模型最怕頭髮跟背景顏色太接近，像深色頭髮配深色沙發，邊緣就容易被吃掉或一直閃。一面淺色的牆或素色窗簾最保險。
頭頂留空間。這個我自己踩過。第一次我拿一格頭頂幾乎貼著畫面上緣的畫面試，字放在上半部，結果整排被頭髮吃掉，只剩兩邊露出一點點，根本看不出是什麼字。換成頭頂有留白的那一格，字才露得出來，就是上面對照圖那張。拍的時候，頭頂上方至少要留得下一行大字。
另外，手勢也會擋字。比手畫腳沒關係，但重點字出現的那幾秒，手盡量不要舉到臉旁邊。用 iPhone 拍的話還有一個顏色的坑，我放到後面常見問題講。
要準備的工具
Claude Code 要先裝好，電腦還要有 Node.js 22 以上跟 FFmpeg。接著把 HyperFrames 裝進 Claude Code，下面這行貼到終端機執行，或直接請 Claude Code 幫你跑都可以。裝完把 Claude Code 關掉重開，它就知道怎麼用 HyperFrames 做影片：
npx skills add heygen-com/hyperframes --yes如果你是第一次裝這些東西，我之前寫過一篇 Video-use 加 HyperFrames 的自動剪輯教學，環境怎麼補、哪裡最容易卡，那篇講得比較細，這裡就不重複了。
去背的部分不用另外裝。第一次執行去背指令時，HyperFrames 會自己裝好需要的套件，再下載大約 168MB 的人像模型，之後就不用再下載。Apple 晶片的 Mac 會自動用 CoreML 加速，有 NVIDIA 顯示卡的話可以另外設定 CUDA，都沒有就用 CPU 跑，只是比較慢。第一次跑會等比較久，看起來有點像當機，中間 Claude Code 也會跳出來問能不能執行指令，按允許就好。
我在 Mac 上拿一張 1080×1920 的直式畫面測，模型載入之後，整張去背大約半秒就跑完。不過影片一秒有二三十格，一分鐘的片子就有一千多格，每一格都要算，片子越長等越久。所以後面我會建議先拿 3 秒試跑，片子長的話，也可以請 Claude 放在背景慢慢跑。
第一段提示詞：先要分鏡，不要直接要成品
工具裝好之後，把影片放進一個新資料夾，檔名改成短一點的英文，例如 talk.mp4，路徑有中文或空格有時候會出錯。然後在那個資料夾打開 Claude Code，用終端機的話先 cd 到那個資料夾再輸入 claude，用桌面版的話開新對話時選那個資料夾。接著貼這段：
這個資料夾有一支直式口播影片 talk.mp4，我想用 HyperFrames 做成「字躲在人後面」的版本：原影片墊底，字卡放中間，去背後的人疊在最上面。
先不要輸出整支影片，請照順序做：
1. 用 ffprobe 告訴我片長、尺寸、幀率，確認有聲音。如果是 iPhone 的 HDR 影片，先轉成 SDR；如果是變動幀率，照原本的每秒格數轉成固定幀率。有轉檔的話，之後去背跟合成都用轉好的那支。
2. 轉逐字稿，影片是中文，請用多語言模型並指定中文。轉完把人名、產品名、數字列出來讓我核對。
3. 從逐字稿挑 4 到 6 個值得做成字卡的詞，排成分鏡表：第幾秒出現、放哪裡、怎麼進場出場、要不要躲在人後面。
4. 每一場輸出一張靜態截圖給我看，然後停下來等我。
規則：
- 字可以被人擋住一部分，但重點字至少要露出一半，不能蓋到臉
- 字卡在講到那個詞的時候才出現，不要提早
- 字卡一律用繁體中文，字型用 Noto Sans TC，字型檔放進專案資料夾
- 畫面最下面跟最右邊留給 IG 的字幕和按鈕，不放字卡
- 分鏡確認後，先只做前 3 秒的試跑影片給我看這段提示詞有幾個地方是刻意寫的。
第一個是轉逐字稿要講明是中文。HyperFrames 轉逐字稿預設用的是英文專用模型，中文影片直接丟進去，出來的是英文翻譯，中文字卡根本挑不出來。寫清楚「中文」，Claude 就會換成多語言模型。
第二個是叫它先停下來。分鏡表跟截圖看起來像多一道手續，但整支影片算一次要花不少時間，算完才發現字蓋到臉，那才真的白等。先看截圖，位置不對改一句話就好。截圖會存在資料夾裡，也可以請它開預覽網頁，直接在瀏覽器看。
第三個是規定哪裡不能放字。手機上看短影音，最下面有字幕跟說明文字，右邊有愛心、留言那排按鈕，字卡放在那裡會被平台介面蓋住，你在電腦上看不出來，上傳之後才會發現。
去背這一步，Claude 在背後做什麼？
這段寫給想知道原理的人，不想看可以直接跳過，Claude 會自己處理。
去背的核心就是下面這行，把 talk.mp4 裡的人切出來，存成透明背景的 subject.webm：
npx hyperframes remove-background talk.mp4 -o subject.webm --quality best--quality 有 fast、balanced、best 三段，預設是 balanced。它調的是去背影片壓縮得多細，去背判斷本身的精準度不會因此改變。這招是把人疊回原本的影片上，壓得越省，人的邊緣越容易出現色差或一圈光暈，所以正式輸出建議用 best，試跑的時候用預設就好。
還有兩個地方很容易弄錯，如果你看到人跟背景對不齊，或人在某個瞬間閃一下，可以直接提醒 Claude。
一個是兩支影片要從同一個時間點開始播。去背版如果設定成晚幾秒才出現，播放時很容易差一格，看起來就是人跟背景錯開了。比較穩的做法是兩支都從第 0 秒一起播，要它晚點出現，就先把它藏起來，時間到了再顯示。
另一個是淡入淡出要調外面那層。想讓去背的人淡入淡出，要把影片包在一個外框裡，調外框的透明度。HyperFrames 會強制正在播放的影片保持不透明，直接調影片本身，畫面不會有任何反應。
看截圖怎麼改：每次只改一件事
截圖出來，通常會有幾個地方不滿意，這很正常。改的時候講清楚是第幾秒，一次只改一件事，最後再補一句其他地方不要動。不然它很容易順手把你本來喜歡的地方也改掉。
像這樣講就很清楚：
第 4 到 6 秒的「三倍」太小了，放大到畫面寬度八成左右，其他場不要動。
第 9 秒的字幾乎被頭整個擋住，往右上移，至少要露出一半，其他場不要動。
人的邊緣跟原片有一點色差，像多了一圈光暈，重做去背這一步，品質改用 best。
字卡太多了，刪掉第 3 場跟第 5 場，只留數字跟結論那幾場。截圖跟試跑影片要分開看。截圖只看得出位置，像字有沒有蓋到臉、會不會被平台的按鈕擋住；人的邊緣會不會閃、字有沒有跟上講話、聲音跟嘴型對不對得上，要等試跑影片動起來才看得出來。截圖很漂亮，不代表動起來也沒問題喔。
都確定之後，跟它說「前面都確認了，輸出整支，用最高品質」。輸出完先拿手機從頭看一遍，小字糊不糊、字卡有沒有被擋到，在手機上看真的比在電腦上準很多。
常見翻車與處理方式
字整排不見了？
最常見的原因是被人整個擋住了，字剛好放在頭的正後方，或是人在那幾秒移了過去。把字往人的旁邊或上方移，讓重點字至少露出一半。真的沒有空間的話，這一場就讓字放在人前面，不是每一場都要躲。
人的邊緣一直閃？
去背是一格一格判斷的，頭髮細、背景跟頭髮顏色接近、光線忽明忽暗，邊緣就容易每一格長得不一樣，播起來像在閃。最有效的是重拍時換一面跟頭髮有反差的背景。不想重拍的話，就讓字不要貼著頭髮邊緣經過，閃的地方會比較不明顯。我那張對照圖放大來看，頭頂髮絲跟字的交界也有一圈淡淡的亮邊，在我那張圖裡，深綠色字比金色字明顯。
iPhone 拍的影片，做完整個偏灰？
這個我自己也遇過。iPhone 預設會用 HDR 錄影，直接拿去剪，顏色常常變得又灰又淡。開工前跟 Claude 說「這支是 iPhone 拍的，先檢查是不是 HDR，是的話先轉成一般 SDR 再做」，它會用 FFmpeg 轉好。也可以到 iPhone 的「設定」，點「相機」再點「錄影」，把「HDR 影片」關掉，之後拍的就不會有這個問題。
聲音跟嘴型越到後面越對不上？
手機錄的影片多半是變動幀率，每秒的格數不固定。後製時如果被當成固定幀率處理，就會越到後面差越多。開工前請 Claude「照原本的每秒格數，例如 30fps，轉成固定幀率再開始做」，前面那段提示詞第 1 步已經寫進去了。
中文字變成一格一格的方框？
電腦裡沒有可用的中文字型，或字型沒有一起打包進專案。跟 Claude 指定一套中文字型，並請它把字型檔放進專案資料夾裡，換一台電腦輸出也不會跑掉。
最後提醒：別讓每一場都躲
這招以前最花時間的部分，是描邊跟對時間，現在交給 Claude 跟 HyperFrames，幾乎不用自己動手。可是字要放哪、哪幾個詞值得做成字卡、這一場要不要躲，還是得你自己看截圖決定。
我會建議別每一場都躲。一支三十秒左右的片子，字從人背後冒出來兩三次就夠亮了，每一句都這樣，看的人只會覺得畫面很吵吧。
那你的下一支口播，最想讓哪一句話從背後冒出來呢？
更多剪輯、特效跟動畫，都在這堂課裡。
看 AI 分身 × AI 剪輯課