OpenMontage 透明叠加层制作实战：HyperFrames remove-background 命令全解析

本文是 HyperFrames 媒体技能（hyperframes-media）中 remove-background 命令的技术参考解读，面向把"人物/物体透明抠像"作为可复用叠加资产用于 HTML 合成视频（典型场景：talking head 主持人浮于任意画面之上）的开发者与 Agent。读完你将掌握：输出格式（VP9 alpha / ProRes 4444 / PNG）与画质档位的选择逻辑、CPU / CoreML / CUDA 推理后端的强制与探测、抠像层与背景底板分层输出（--background-output）的正确用法，以及"文字位于人物背后"这类 3 层 HTML 合成模板中两条极易踩坑的框架规则。文中所有命令与参数均以本仓库内 remove-background 参考文档 为骨架展开，并结合作者仓库中的 OpenMontage 侧技能与工具源码给出纵深佐证。

remove-background 在技能树中的位置

npx hyperframes remove-background 是 HyperFrames 媒体层（media）技能的一部分。在本仓库的技能编排中，HyperFrames 知识被拆分为多组 Layer-3 技能，其中 .agents/skills/hyperframes-media/ 专门覆盖 TTS / BGM / SFX / 转录 / 字幕 / 背景移除 等音频与媒体资产生成（见 skills/core/hyperframes.md 的 Layer-3 清单）。其入口 SKILL.md 的路由表将 npx hyperframes remove-background（透明抠像）直接指到本文所述的参考文档 references/remove-background.md。

一句话概括这个命令的定位：把一段视频或一张静图制作成带透明通道的叠加层（transparent overlay），典型交付是一段"抠掉背景的主持人"浮在任意场景上方的合成画面。命令内置 u2net_human_seg（MIT）分割模型——该模型同样出现在 OpenMontage 自家图像抠图工具 tools/enhancement/bg_remove.py 的模型枚举中（u2net / u2net_human_seg / isnet-general-use），skills/creative/bg-remove-usage.md 的决策规则也与之呼应：凡是画面里含人，优先用 u2net_human_seg，它对人体轮廓的 mask 比通用模型更贴合。两者差异在于：仓库内置的 bg_remove 走 rembg / Pillow，处理单张图片或视频帧并输出透明 PNG；而 HyperFrames 的 remove-background 是面向整段媒体文件的命令行能力，直接产出带 alpha 的视频文件。

命令速查：六种典型用法

核心命令形态与全部典型用法如下（注释为语义说明）：

# 默认输出：VP9 + alpha 的 webm，可直接进 <video> 播放
npx hyperframes remove-background subject.mp4 -o transparent.webm

# 面向剪辑软件（Premiere / Resolve / DaVinci）往返的 ProRes 4444
npx hyperframes remove-background subject.mp4 -o transparent.mov

# 单张图片抠像：输出透明 PNG
npx hyperframes remove-background portrait.jpg -o cutout.png

# 一次推理同时产出前景抠像与背景底板两个层
npx hyperframes remove-background subject.mp4 -o subject.webm \
  --background-output plate.webm

# 强制走 CPU（auto 检测不理想时兜底）
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu

# 不渲染，仅打印探测到的推理后端（providers）
npx hyperframes remove-background --info

从命令形态可以看出三件事：输入既可以是视频也可以是图片；--background-output 与主输出共用一次推理；--info 提供一个"零渲染"的环境自检入口——这与 HyperFrames 在 OpenMontage 中"先预检、后渲染"的工程纪律一致：本仓库 skills/core/hyperframes.md 规定的运行时可用性底线（Node.js ≥ 22、ffmpeg 在 PATH、npx 可用、npx hyperframes doctor 通过）同样属于这类"渲染前先体检"的检查项。

输出格式：按交付物选容器与编解码

抠像结果的载体由 -o 的扩展名决定，三种格式对应三种不同的下游用途：

格式	默认情况	定位
.webm（VP9 alpha）	默认	直接塞进 <video> 标签，Chrome 原生支持透明播放，体积小（约 1 MB / 4 秒 @1080p）
.mov（ProRes 4444）	显式指定	剪辑软件（Premiere / Resolve / DaVinci）中高质量往返编辑，体积大（约 50 MB / 4 秒）
.png	显式指定	单张图片抠像输出

选型逻辑很直接：要给浏览器看、追求轻量与即插即用，选 webm；要进 NLE 做精修与再合成，选 ProRes 4444 的 mov。注意体积量级（约 1 MB 对约 50 MB，同样是 4 秒 @1080p）相差约 50 倍，这就是"网页交付"与"母版编辑"两种工作流在编码选择上的真实代价。

画质语义：--quality 只控制编码 CRF，不改变分割精度

一个容易误解的点是 --quality 到底控制什么。参考文档明确指出：它只控制 VP9 编码器的 CRF（Constant Rate Factor），分割（segmentation）质量是固定的——即无论哪个档位，人物 mask 的精细程度都不变；更高的档位只是让抠像层的 RGB 更贴近源 MP4 的颜色，这在"把抠像层垫回它自己的源视频上"时至关重要。

档位	CRF	适用时机
fast	30	迭代调试期；文件更小；对色彩匹配要求宽松
balanced	18	默认；对绝大多数用途视觉上无差别
best	12	母版 / 最终交付；要求最紧的色彩匹配

因此实践上的默认路径是：快速迭代用 fast 省时间省体积，正式合成前切回 balanced，只有"最终母版"或"抠像层需精确垫回其源画面"时才升级到 best。

设备与推理后端：--device 与 CUDA 前置条件

分割模型跑在哪个推理后端由 --device 控制，默认值为 auto，其探测优先级为：

• Apple Silicon 上优先使用 CoreML；
• 有 CUDA 时使用 CUDA；
• 否则回退 CPU。

也可以用 --device cpu | coreml | cuda 显式强制指定。其中 CUDA 有两个硬性前置：需要设置环境变量 HYPERFRAMES_CUDA=1，且必须装有 GPU 版 onnxruntime-node（这与 OpenMontage 侧 rembg 工具 GPU 路径的依赖提示一致——tools/enhancement/bg_remove.py 的安装说明同样是 pip install rembg（CPU）或 pip install rembg[gpu]（需 CUDA + onnxruntime-gpu），两个工具链在推理后端的依赖结构上是同源的）。

需要强调的工程习惯：在不打算真正渲染之前，先用 --info 检查探测到的 providers。这样"环境里到底有没有 CoreML / CUDA"这类问题可以在零渲染成本下提前暴露，而不是等一段长渲染跑完才发现一直默默走在 CPU 上。

合成模式：抠像背后垫什么，决定成败

remove-background 产出的 webm 本质是源 MP4 的 RGB 再编码副本（加上了 alpha 通道），因此抠像层的视觉质量强烈依赖"它背后垫的是什么"。参考文档给出了三种模式与结论：

模式	抠像层背后	结果
抠像浮于另一场景（最常见）	静态图、渐变、无关视频	观感很好，人物只有一个 RGB 来源
抠像垫回它自己的源 mp4（文字位于人物背后的场景）	产生抠像的同一份 mp4	balanced 下几乎不可见的颜色翻倍；fast 下会出现色偏 / 边缘光晕；母版请用 best
抠像浮于同一人的另一条 take	同一被摄体的另一段素材	画面出现两个重叠的人，不要这么做

第三条"同一人的另一条 take"是新手最容易犯的错误——因为素材里"看起来是同一个人、同一个环境"，直觉上会认为能无缝衔接，但两段 footage 的 RGB 永远不可能逐帧一致，最终结果必然是同一个被摄体被叠加成半透明鬼影般的两个重叠人像。

文字位于 presenter 背后的模式：HTML 与两条易被忽略的规则

最常见的抠像消费场景，是把一句大标题（headline）垫在主持人剪影后面。参考文档给出了可运行的 HTML 骨架（背景视频、标题、包裹抠像的容器三层）：

<video
  src="presenter.mp4"
  id="bg"
  data-start="0"
  data-duration="6"
  data-track-index="0"
  muted
  playsinline
></video>

<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>

<div class="cutout-wrap" style="position:absolute; inset:0; z-index:3; opacity:0">
  <video
    src="presenter.webm"
    data-start="0"
    data-duration="6"
    data-track-index="1"
    muted
    playsinline
  ></video>
</div>

配合 GSAP 时间线在切换点翻转包裹层的不透明度（而非 video 本身）：

// 在切换点翻转 wrapper 的 opacity，而不是 video 的
tl.set(".cutout-wrap", { opacity: 1 }, 3.3);

文档指出两条"极易被漏掉"的规则，这也是此类合成最关键的框架知识：

1. 把抠像 <video> 包进一个不带时序属性的 <div>，并只动画这个包裹层的 opacity，绝不直接动画 video 元素本身。 原因：HyperFrames 框架会对"处于激活状态的 clip"（任何带 data-start / data-duration 的元素）强制施加 opacity: 1，直接动画 video 的 opacity 会被静默覆盖掉。包裹层不含任何 data-* 属性，因此它的样式完全归你的 CSS / GSAP 所有，不会与框架的激活态规则打架。
2. 两个 video 都要用 data-start="0"（且按规范需配 data-media-start="0"），让框架从 t=0 起同步解码。 如果在 3.3 秒处才"迟到挂载"抠像层，框架需要一次 seek + 预热，落点会与底层的 mp4 差一帧——在切换点你会看到整整一帧的错位。这正是"先在起点处同步，再用视觉方式（opacity）切换"这一时序策略的由来：解码同步靠 data-start，视觉出现靠 CSS/GSAP，两者职责分离。

（完整的时序字段体系、data-* 契约与 track 语义属于 hyperframes-core 层知识，可继续阅读 .agents/skills/hyperframes-core/references/data-attributes.md 与 tracks-and-clips.md 两个参考文件。）

分层输出：--background-output 一次推理产出两层

默认的 -o 只产出"人物抠像"这一个前景层。当文字 / 图形需要住在两层之间时，用 --background-output 同时产出第二层——背景底板（plate）：

文件	alpha 含义	用途
-o subject.webm	mask——人物不透明、背景透明	前景层（置顶）
--background-output plate.webm	反相 mask——环境不透明、人物区域透明	底层；把文字 / 图形放在它与人物之间

两层的结构语义：subject.webm 把人物区域做实、把背景抠空；plate.webm 恰好相反——把周围环境做实、把人物所在的剪影区域抠成透明洞。它们共享同一个 --quality 参数，且都来自同一次推理 pass（mask 算一次，第二层只是把 alpha 取反），只有编码成本大致翻倍。该选项仅对视频输入有效，且只允许 .webm / .mov 输出。

参考文档给了两条关键提醒：

• 它是"打洞"（hole-cut），不是"补洞"（inpaint）。 plate.webm 中人物所在区域是完全透明的——要填这个洞，必须在它下面再垫一层不透明的内容，它自己绝不会帮你把"人去掉后的房间"补全。
• 判定 --background-output 是否是正确工具，只需做一次测试： 是否会有任何内容，在人物原本所在的位置、透过人物剪影被看到？ 如果答案是"没有"，那就不需要 plate——单独的 subject.webm 浮在另一个背景上就够了。

用例 → 正确工具映射

用例	正确工具
文字 / 图形需要夹在抠像与 plate 之间（该命令存在的理由）	打洞（--background-output）
人物浮到无关场景上	只要 subject.webm，忽略 plate
单独展示"没有人的房间"，底下不放任何其他内容	Clean plate——需要 inpainter（LaMa、ProPainter、E2FGVI），不是本命令
把画面中的人替换成另一个人	Clean plate——同上

这一区分在技能的"不可妥协规则"中也被明文强调（见 hyperframes-media/SKILL.md）：remove-background --background-output 是 hole-cut 而非 inpainted；若用户要的是"没有人的场景"，必须指向 inpainter 类工具。

三层式交付：plate + content + cutout 规范模板

由于 plate 可以取代原始 mp4 充当"底层环境"，就有了一个更强的资产形态：只交付两个透明层，让任意内容自由住在两层之间，连原始 mp4 都不必随资产发布：

<!-- z=1 plate：环境不透明、人物剪影透明 -->
<video
  src="plate.webm"
  data-start="0"
  data-duration="6"
  data-track-index="0"
  muted
  playsinline
></video>

<!-- z=2 你的内容住在两层之间 -->
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>

<!-- z=3 抠像把人物浮回最上层 -->
<div class="cutout-wrap" style="position:absolute; inset:0; z-index:3">
  <video
    src="subject.webm"
    data-start="0"
    data-duration="6"
    data-track-index="1"
    muted
    playsinline
  ></video>
</div>

z 轴语义从下到上依次是：plate.webm（z=1，环境）→ headline（z=2，文字 / 图形内容）→ subject.webm（z=3，人物前景）。它与前面的"文字位于人物背后"模式在视觉效果上等价，但无需把原始 mp4 一并交付——plate 代替了原片。因此当你需要把"两个透明层"作为可复用资产单独发布时，就选这个三层模板。

什么时候 remove-background 不是正确的工具

这条边界值得反复强调：当用户要的是"没有人的房间、独立展示"（画面里完全不出现人、也不在其上做任何合成），--background-output 产出的 plate 是错的——它上面有个透明的洞，而不是填好的干净底板。此时需要的是视频修复（inpainting）工具：LaMa、ProPainter 或 E2FGVI。

作为 Agent 或合成脚本的作者，正确做法是直说：这个命令做不到，并给出 inpainter 方向，而不是拿一个带洞的 plate 硬充"无人的场景"。这也再次呼应了资产链路中的职责划分：remove-background 负责把"人 / 主体"做成可叠加层，scene 级"去掉主体补全环境"属于另一类模型的能力边界，不能越界承诺。

小结与仓库内延伸阅读

• 命令与语义权威出处：.agents/skills/hyperframes-media/references/remove-background.md
• 该命令在技能中的路由与不可妥协规则：.agents/skills/hyperframes-media/SKILL.md
• HyperFrames 作为 Layer-3 技能群在 OpenMontage 中的接入方式、运行时选型与预检门槛：skills/core/hyperframes.md
• OpenMontage 自带的图像级抠图工具（rembg / u2net_human_seg / alpha matting / 纯色背景合成）：tools/enhancement/bg_remove.py
• 图像级抠图的使用决策（模型选择、alpha matting、质量清单、何时作为 asset-prep 在 compose 之前运行）：skills/creative/bg-remove-usage.md

贯穿始终的可复用心法只有三条：一是分清"编码质量"与"分割质量"（--quality 改不了 mask 精度）；二是分清"人物抠像层"与"场景 clean plate"（前者归 remove-background，后者归 inpainter）；三是记住合成层只有在"不同场景"上才能无缝成立——垫回自己的源要用 balanced/best 保色准，垫上同一人的另一条 take 则从一开始就不该做。把握住这三条，remove-background 就能稳定地产出可复用的透明叠加资产，而不是返工源头。