SoraWatermarkCleaner

重要提示

该项目已被归档。 OpenAI 已经停止了 Sora 视频生成模型的开发，因此本项目将不再维护。不过，您可以查看 DeMark-World — 它提供了一种通用的方法，可以去除由 Veo、Runway 等其他模型生成的视频中的水印。

本项目提供了一种优雅的方式来移除 Sora2 生成视频中的 Sora 水印。

案例1（25秒）
案例2（10秒）
案例3（10秒）

商业托管服务与赞助

如果您更倾向于一键式在线服务，而不是在本地运行所有操作，您可以使用这里的托管 Sora 水印移除工具：

👉 https://www.sorawatermarkremover.ai/

SoraWatermarkRemover 在后台运行 SoraWatermarkCleaner，并提供 GPU 加速处理、基于积分的定价以及简便的网页界面。该服务为 SoraWatermarkCleaner 的持续开发和维护提供了资金支持。

⭐️：

• 我很高兴地发布了 DeMark-World — 据我所知，这是首个能够移除任何 AI 生成视频中水印的模型。

• 我们还提供了一个可以在不产生闪烁的情况下保持时间一致性的模型！

• 我们现在支持批量处理。

• 对于带有用户名的新水印，YOLO 权重已经更新，请尝试新版本的水印检测模型，它应该会表现得更好。

• 我们已将标注好的数据集上传至 Hugging Face，请查看这个 数据集。您可以自由地训练自己的自定义检测模型，或改进我们的模型！

• 现在提供了一键式便携版 — Windows 用户可从这里下载，无需安装。

• 现已支持 Docker Compose 部署 — 使用一条命令即可开始部署。注意：该镜像需要 CUDA，并且由于 NVIDIA 库和 PyTorch 的存在，体积较大（约 20 GB）。

---

💝 如果您觉得这个项目有帮助，请考虑通过给我买杯咖啡来支持开发！

1. 方法

SoraWatermarkCleaner（以下简称 SoraWm）由两部分组成：

• SoraWaterMarkDetector：我们训练了一个 YOLOv11s 版本来检测 Sora 水印。（感谢 YOLO！）

• WaterMarkCleaner：我们在去除水印时参考了 iopaint 的实现，使用了 LAMA 模型。

  （此代码库来自 https://github.com/Sanster/IOPaint#，感谢他们的出色工作！）

我们的 SoraWm 完全由深度学习驱动，在许多生成的视频中都能取得良好的效果。

2. 安装

进行视频处理需要 FFmpeg，请先安装它。我们强烈建议使用 uv 来安装环境：

1. 安装：

uv sync

环境将被安装到 .venv 目录下，您可以使用以下命令激活环境：

source .venv/bin/activate

2. 下载预训练模型：

训练好的 YOLO 权重将存储在 resources 目录下的 best.pt 文件中。它将自动从 https://github.com/linkedlist771/SoraWatermarkCleaner/releases/download/V0.0.1/best.pt 下载。LAMA 模型则从 https://github.com/Sanster/models/releases/download/add_big_lama/big-lama.pt 下载，并存储在 PyTorch 的缓存目录中。这两个下载都是自动进行的，如果失败，请检查您的网络连接。

3. 批量处理 使用 cli.py 进行批量处理

python cli.py [-h] -i INPUT -o OUTPUT [-p PATTERN] [-m MODEL] [--quiet]

示例：

# 处理输入文件夹中的所有 .mp4 文件
python cli.py -i /path/to/input -o /path/to/output
# 处理所有 .mov 文件
python cli.py -i /path/to/input -o /path/to/output --pattern "*.mov"
# 处理所有视频文件（mp4、mov、avi）
python cli.py -i /path/to/input -o /path/to/output --pattern "*.{mp4,mov,avi}"
# 使用 e2fgvi_hq 模型以获得时间一致的结果（速度较慢，需要 CUDA）
python cli.py -i /path/to/input -o /path/to/output --model e2fgvi_hq
# 在 SoraWm 处理过程中不显示 Tqdm 进度条。
python cli.py -i /path/to/input -o /path/to/output --quiet

3. 一键式便携版

对于那些希望使用即开即用解决方案而无需手动安装的用户，我们提供了一个包含所有预配置依赖项的 一键式便携分发版。

下载链接

Google Drive：

• 从 Google Drive 下载

百度网盘（适用于中国用户）：

• 链接：https://pan.baidu.com/s/1onMom81mvw2c6PFkCuYzdg?pwd=jusu
• 提取码：jusu

功能特点

• ✅ 无需安装
• ✅ 包含所有依赖项
• ✅ 预配置环境
• ✅ 开箱即用

只需下载、解压并运行即可！

4. 性能优化

我们提供了多种选项来加速处理：

检测器	批量	清理器	TorchCompile	Bf16	时间（秒）	加速比
YOLO	×	LAMA	×	×	44.33	-
YOLO	×	E2FGVI	×	×	142.42	1.00×
YOLO	×	E2FGVI	✓	×	117.19	1.22×
YOLO	4	E2FGVI	✓	×	82.63	1.72×
YOLO	4	E2FGVI	✓	✓	58.60	2.43×

加速比是相对于 E2FGVI 基线计算的。LAMA 使用不同的清理方法，因此无法直接比较。

• YOLO 批量检测：默认批量大小为 4（detect_batch_size=4），启用批量推理进行水印检测，可提升约 40% 的速度。
• TorchCompile（仅适用于 E2FGVI）：默认启用（enable_torch_compile=True），可提升约 22% 的速度。
• Bf16 推理（仅适用于 E2FGVI）：通过设置 use_bf16=True 启用（默认为 False），最高可实现 2.43 倍的速度提升。注意：质量可能会略有下降，首次推理会较慢（约 90 秒），因为需要编译开销；后续运行会快得多（约 58 秒），因为已缓存中间结果。

您可以在初始化 SoraWM 时自定义这些设置：

from sorawm.core import SoraWM
from sorawm.schemas import CleanerType

# LAMA 配合批量检测（快速）
sora_wm = SoraWM(
    cleaner_type=CleanerType.LAMA,
    detect_batch_size=4  # 默认：4
)

# E2FGVI_HQ 配合所有优化（时间一致性）
sora_wm = SoraWM(
    cleaner_type=CleanerType.E2FGVI_HQ,
    enable_torch_compile=True,  # 默认：True
    detect_batch_size=8         # 自定义批量大小
)

# E2FGVI_HQ 配合 bf16 以获得最大速度（可能略微影响质量）
sora_wm = SoraWM(
    cleaner_type=CleanerType.E2FGVI_HQ,
    enable_torch_compile=True,
    detect_batch_size=4,
    use_bf16=True  # 启用 bfloat16 推理
)

5. 示例

要进行基本使用，只需尝试 example.py：

我们提供两种模型来去除水印。LAMA 速度快，但清理区域可能会出现闪烁现象，而 E2FGVI_HQ 则在这一点上有所妥协——它仅在 CUDA 环境下表现良好，在 CPU 或 MPS 上则非常缓慢。

from pathlib import Path

from sorawm.core import SoraWM
from sorawm.schemas import CleanerType

if __name__ == "__main__":
    input_video_path = Path("resources/dog_vs_sam.mp4")
    output_video_path = Path("outputs/sora_watermark_removed")

    # 1. LAMA 速度快且质量较好，但时间一致性较差。
    sora_wm = SoraWM(cleaner_type=CleanerType.LAMA)
    sora_wm.run(input_video_path, Path(f"{output_video_path}_lama.mp4"))

    # 2. E2FGVI_HQ 可确保时间一致性，但在无 CUDA 设备的情况下会非常慢。
    sora_wm = SoraWM(cleaner_type=CleanerType.E2FGVI_HQ)
    sora_wm.run(input_video_path, Path(f"{output_video_path}_e2fgvi_hq.mp4"))

我们还提供了一个基于 Streamlit 的交互式网页，您可以尝试以下命令：

我们也在此处提供了切换功能。

streamlit run app.py

同时支持批量处理，现在您可以拖动文件夹或选择多个文件进行处理。

6. Docker Compose 部署

部署 SoraWatermarkCleaner 最简单的方式是使用 Docker Compose。

注意： Docker 镜像（llinkedlist/sorawm:latest）需要 CUDA，并包含 NVIDIA 库和 PyTorch，因此体积较大（约 20 GB）。首次拉取镜像可能需要较长时间，具体取决于您的网络速度。

先决条件：

• 已安装 Docker 和 NVIDIA Container Toolkit
• 具备 CUDA 功能的 GPU

启动服务：

docker compose up -d

这将：

• 从 Docker Hub 拉取镜像（仅首次，请耐心等待，约 20 GB）
• 将当前目录挂载到容器内的 /workspace
• 将模型权重缓存到 ./.cache 目录中，以便在重启时无需重新下载
• 在端口 8501 上暴露 Streamlit UI

您可以通过 http://localhost:8501 访问 Streamlit UI。

7. Web 服务器

在这里，我们提供一个基于 FastAPI 的 Web 服务器，可以快速将此水印移除工具转化为一项服务。

我们还为该服务器提供了一个前端界面，您可以按如下步骤尝试：

cd frontend && bun install && bun run build

然后启动服务器，前端界面将直接在根路径上可用：

任务状态会被记录下来，即使服务器宕机也可以从中断的地方继续。

只需运行：

python start_server.py

Web 服务器将在端口 5344 上启动。

您可以查看 FastAPI 文档 以获取更多详细信息。

共有三条可用路由：

1. submit_remove_task

   上传视频后，将返回一个任务 ID，视频将立即开始处理。

2. get_results

您可以使用上述获得的任务 ID 来检查任务状态。

它会显示视频处理完成的百分比。

一旦完成，返回的数据将包含一个 下载链接。

3. download

您可以使用第 2 步中的 下载链接 来获取清理后的视频。

8. 数据集

我们已将标注好的数据集上传至 Hugging Face，请访问：https://huggingface.co/datasets/LLinked/sora-watermark-dataset。欢迎训练您自己的自定义检测模型，或改进我们的模型！

9. API

打包成 Cog 并 发布到 Replicate，以便于通过简单的 API 进行使用。

10. 许可证

Apache 许可证

11. 引用

如果您使用本项目，请引用以下内容：

@misc{sorawatermarkcleaner2025,
  author = {linkedlist771},
  title = {SoraWatermarkCleaner},
  year = {2025},
  url = {https://github.com/linkedlist771/SoraWatermarkCleaner}
}

12. 致谢

• IOPaint 提供了 LAMA 的实现
• Ultralytics YOLO 提供了目标检测功能

SoraWatermarkCleaner 快速上手指南

重要提示：本项目已归档（OpenAI 已停止维护 Sora 模型）。如需去除 Veo、Runway 等其他 AI 视频模型的水印，请参考作者的新项目 DeMark-World。本指南仅适用于处理现有的 Sora 生成视频。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows, Linux 或 macOS
• 前置依赖：必须安装 FFmpeg 用于视频处理。
  • Windows 用户可直接下载便携版或使用包管理器安装。
  • Linux/macOS 用户可通过 apt, yum 或 brew 安装。
• 硬件加速（可选但推荐）：若需使用 E2FGVI_HQ 模型以获得无闪烁的时间一致性效果，需要 NVIDIA GPU 及 CUDA 环境。仅使用 LAMA 模型可在 CPU 上运行。
• 包管理工具：推荐使用 uv 进行环境管理（速度极快），也可使用标准 pip。

2. 安装步骤

方案 A：使用 uv 安装（推荐）

这是最快捷的安装方式，自动处理依赖和虚拟环境。

# 1. 同步安装依赖（会自动创建 .venv 环境）
uv sync

# 2. 激活虚拟环境
# Linux/macOS:
source .venv/bin/activate
# Windows (PowerShell):
.\.venv\Scripts\Activate.ps1

注意：首次运行时，脚本会自动下载 YOLO 检测模型 (best.pt) 和 LAMA 修复模型。请确保网络连接畅通。如果下载失败，请检查网络状态。

方案 B：一键便携版（仅限 Windows）

如果您不想配置环境，可直接下载预配置好的便携版：

• 百度网盘：点击下载 (提取码：jusu)
• Google Drive：点击下载

下载后解压即可直接运行，无需安装任何依赖。

方案 C：Docker 部署

适合服务器环境，需预先安装 Docker 和 NVIDIA Container Toolkit。

docker compose up -d

启动后访问 http://localhost:8501 使用 Web 界面。（注：镜像较大，约 20GB，首次拉取需耐心等待）

3. 基本使用

本项目提供命令行批量处理和 Python 代码调用两种方式。

方法一：命令行批量处理 (CLI)

使用 cli.py 可以快速处理文件夹内的所有视频。

# 处理 input 文件夹下所有的 .mp4 文件，输出到 output 文件夹
python cli.py -i /path/to/input -o /path/to/output

# 指定处理 .mov 格式
python cli.py -i /path/to/input -o /path/to/output --pattern "*.mov"

# 使用 E2FGVI_HQ 模型（时间一致性好，无闪烁，需 CUDA 加速）
python cli.py -i /path/to/input -o /path/to/output --model e2fgvi_hq

# 静默模式（不显示进度条）
python cli.py -i /path/to/input -o /path/to/output --quiet

方法二：Python 代码调用

创建一个 example.py 文件，复制以下代码即可运行。

from pathlib import Path
from sorawm.core import SoraWM
from sorawm.schemas import CleanerType

if __name__ == "__main__":
    # 输入与输出路径
    input_video_path = Path("resources/dog_vs_sam.mp4")
    output_video_path = Path("outputs/sora_watermark_removed")

    # 模式 1: LAMA 模型
    # 特点：速度快，质量好，但在修复区域可能会有轻微闪烁
    sora_wm = SoraWM(cleaner_type=CleanerType.LAMA)
    sora_wm.run(input_video_path, Path(f"{output_video_path}_lama.mp4"))

    # 模式 2: E2FGVI_HQ 模型
    # 特点：保证时间一致性（无闪烁），但在非 CUDA 设备上运行极慢
    sora_wm = SoraWM(cleaner_type=CleanerType.E2FGVI_HQ)
    sora_wm.run(input_video_path, Path(f"{output_video_path}_e2fgvi_hq.mp4"))

方法三：交互式 Web 界面

如果喜欢图形化操作，可以启动本地 Streamlit 服务：

streamlit run app.py

启动后浏览器会自动打开界面，支持拖拽文件夹进行批量处理，并可在界面上切换 LAMA 或 E2FGVI_HQ 模型。