豆包AI视频去水印,我试了几个简单方法,手机就能搞定

首选方案:微信小程序一键解析(免费便捷)

豆包AI生成的视频带水印,想保存个干净版其实没那么麻烦。我最近找到一个挺省事的办法,不用下载软件,也不用注册登录,全程在手机上操作,不占内存,画质也没影响。

具体操作就三步:

  1. 在豆包APP里找到想保存的视频,点右上角的“分享”按钮,左滑功能栏找到“更多”,然后选“复制视频链接”。不同手机界面可能不太一样,有的直接显示“复制链接”,有的是个网址,点旁边的复制标志就行。
  2. 打开微信,在微信中搜索并打开一款去水印小程序,如“‌图视去水印‌”、“‌兜宝去水印‌”,进去后把刚才复制的链接粘贴进去,点解析,几秒钟就能处理好。
  3. 解析成功后直接下载,无水印的视频就存到手机相册里了。整个过程一分钟都用不了。

这类工具能处理的不止豆包

我试了一下,这种小程序对即梦AI、千问这些AI平台生成的水印也能处理,抖音、快手、小红书、B站这些常见短视频平台的水印也支持。大部分都不限次数,画质也挺清晰,偶尔遇到一次解析失败的,重新操作一遍基本都能成功。

其他方案:

根据设备条件和水印复杂程度,您也可以选择以下方法。

  • 专业软件处理‌:如果视频水印复杂(如动态水印),或需要在电脑上批量处理,可使用‌HitPaw Watermark Remover‌、‌Inpaint‌等专业软件。它们能进行更精细的区域选择和AI填充,但通常需要付费或学习成本。‌‌1‌‌8
  • 豆包App内置功能‌:部分版本的豆包App中,“‌AI编辑‌”里的“‌变清晰‌”功能可能在提升画质的同时弱化水印,但这并非官方去水印功能,效果不保证。‌‌4‌‌8
  • 视频编辑遮盖‌:对于固定在角落的水印,可以使用“剪映”等视频编辑软件,通过‌画面裁剪‌或添加‌贴纸遮盖‌来物理去除,但会损失部分画面或非永久去除。‌‌

Read more

【AI开发】—— Copilot最佳使用方式与配置

【AI开发】—— Copilot最佳使用方式与配置

从 Claude Code 到 Copilot:我的 AI 编码工具选型与深度配置指南 本人使用过很多智能体开发工具,Claude Code、Codex、Cursor、Google Studio、Coze,其实千篇一律,大同小异。各厂商对 Agent 的 Prompt 设定与思考逻辑等略有差异,例如 Claude Code、Codex 等都有内置的系统提示词,作为开箱即用的 Coding 工具,专门针对编码、测试等开发流程进行了优化,使大家使用起来觉得非常高效(以 Claude Code 为例,感兴趣的可以参考 Claude Code 的系统提示词及智能体的设定);后来出现了 Skills、MCP 等、Plan Agent、SubAgent 等新特性,

主流大模型介绍(GPT、Llama、ChatGLM、Qwen、deepseek)

主流大模型介绍(GPT、Llama、ChatGLM、Qwen、deepseek)

GPT系列模型 一、ChatGPT 的本质 * 发布者:OpenAI(2022年11月30日) * 类型:聊天机器人模型,基于自然语言处理技术 * 核心能力:理解语言、生成对话、撰写邮件/文案/代码、翻译等 * 增长数据:2个月用户破1亿,日活约1300万 二、GPT 系列模型演进对比 模型发布时间参数量核心创新主要局限GPT-12018.061.17亿引入生成式预训练 + Transformer Decoder语言模型单向;需微调才能泛化GPT-22019.0215亿多任务学习 + Zero-shot 能力无监督能力仍有限GPT-32020.051750亿Few-shot 学习 + Sparse Attention成本高、长文本不稳定、内容不可控ChatGPT2022.11基于GPT-3引入 RLHF(人类反馈强化学习)服务不稳定、可能生成错误信息 三、核心技术点回顾 1. GPT-1 * 使用单向 Transformer Decoder(

[论文阅读] (38)基于大模型的威胁情报分析与知识图谱构建论文总结(读书笔记)

[论文阅读] (38)基于大模型的威胁情报分析与知识图谱构建论文总结(读书笔记)

《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢。由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学术路上期待与您前行,加油。 忙碌的五月终于过去,忙到来不及分享技术,六月开启,继续更新博客,感谢大家的支持,久等了! 本文旨在系统梳理大语言模型(LLM)在网络安全与威胁情报分析中的最新研究进展,侧重知识图谱构建、攻击行为建模以及模型泛化与推理能力等关键技术维度。结合作者当前的研究方向与兴趣,本文挑选并归纳了多篇代表性论文,其中重点详述的为与团队工作紧密相关、具有实际借鉴价值的工作。这些大佬的文章真心值得我们学习,希望本文对您有所帮助,写得不足之处还请海涵。 在逐篇阅读过程中,笔者特别关注以下要素:论文所提出的系统框架图、大模型的技术创新点、与知识图谱的融合机制、以及所采用的实验验证方法和开源代码。这些内容不仅拓宽了对 LLM 能力边界的理解,也为我们后续在威胁情报建模与网络安全防御方面提供了一定的路径指引。 同时,欢迎各位老师和大佬补充相关高质量论文,后续笔者也将不断更新与精炼此系列内容。希望