先说个事。
去年下半年我拿一个三万粉的号做混剪，连续三条视频卡在 200 播放，后台提示「内容重复度过高」。第一反应是改得不够狠——MD5 换了，叠了 15% 透明度的滤镜，变速 1.1 倍，转场塞了五个。第四条更惨，直接 0 推荐。后来我把那三条逐帧拖进 Premiere 跟原素材对齐，才发现问题所在：我改的全是「皮」。镜头顺序、每个镜头的停留时长、音画对位关系，跟原片一模一样。决定推荐量的那套比对，早就不看文件哈希了。
素材加工这事，我后来把它拆成三层：容器层、像素层、语义层。大多数人只做前两层，而前两层，坦白讲，基本是白干。
容器层：改文件，五分钟能全做完，也最没用
改 MD5 是最省事的一招。用任何十六进制编辑器在文件末尾加一个字节，哈希就变了。改封装，mp4 转 mkv 再转回来；改码率，用 ffmpeg 的 -crf 参数，18 是视觉无损，23 是默认值，28 已经开始糊；改帧率，25 转 30 再转回 25。这一整套下来，一个素材五分钟能处理完，批量脚本跑一百条也就十几分钟。
问题是没用。我做过一次测试，同一段 47 秒的素材，改 8 个不同的 MD5 分别上传到测试号，8 条全部被判重，只有播放量分布略有差别。原因很简单：平台抽的是画面帧序列，不是文件头。文件层面的东西，在它们的比对链路里排在最后。
像素层：动画面，能骗老算法，骗不了新模型
这一层开始动画面本身了，常见的做法有这么几种。
分辨率来回缩，1920×1080 先降到 1280×720 再插值放大回去，边缘会软一点点，像素指纹确实变了。抽帧，ffmpeg 命令是 -vf "select='not(mod(n,3))',setpts=N/FRAME_RATE/TB"，意思是每三帧丢一帧，25fps 掉到 16.7fps，再用补帧插件拉回 25fps。调色，色温往暖偏 200K，饱和度降 8%，对比度加 5。
镜像翻转我得单独说一句，很多人推荐这个。我实测过，水平翻转之后人脸朝向变了，但人脸识别模型比对的是五官几何关系，翻转不影响特征点距离。抖音上我用这个方法的素材，三条里两条还是被判重。
真正在这个层面稍微有点用的是抽帧 + 补帧，因为它改变了帧与帧之间的时序关系。但代价是画面会有轻微果冻感，动作快的镜头尤其明显。
语义层：这才是决定生死的一层
同样 60 秒素材，原片是「起-承-转-合」，你把它剪成「合-起-转-承」。每个镜头的停留时长重新分配，原来一个 3 秒的镜头，切成 1.2 秒加 1.8 秒，中间插一个完全不同的空镜。音画关系也动，原片画面跟着鼓点卡，你让画面提前 0.4 秒或者滞后 0.3 秒。
这些改动不加任何滤镜，画面跟原素材肉眼几乎一致，但内容指纹完全变了——比对模型看的是镜头序列、时长分布、音画同步关系这套结构特征，不是某一帧长什么样。我那条后来跑到 47 万播放的视频，全程一个滤镜没加，四段素材来自四个不同来源，重排之后只保留了一处 1.4 秒的原镜头顺序。
反过来说，如果你只是把原片每个镜头都保留、顺序不动、只加滤镜变速，那加了十层也白搭。
音频这块，99% 的人处理错了
换首 BGM 不等于处理完音频。音频指纹比对用的不是旋律，是频谱特征——梅尔频率倒谱系数那一套。你把采样率从 44100Hz 改成 48000Hz，波形一点没变，比对结果一模一样，没用。
稍微有用的是变调，但别超过 3 个半音，超了人耳能听出来。真正有效的是重录：外放播放原音频，用另一台设备或者麦克风录一遍，频谱会带上环境噪声、房间频响、设备底噪，特征值全变了。嫌麻烦的话有个替代方案，在 Audacity 里把响度按 -14 LUFS 做标准化，然后每 1.5 秒切一刀，片段之间做 0.2 秒的交叉淡化再重新拼接。
我做口播的朋友用这招处理同一段素材，拆成七段重排，配上新录的解说，过了。
我的实际操作顺序
现在拿到一条素材，我按这个顺序走：
- 先在时间线上把镜头全部打散，按语义重排，这一步花的时间最多，通常占整个流程的 60%；
- 每个镜头单独调时长，误差控制在 ±0.3 秒，不要让任何一个镜头的时长跟原片完全一致；
- 抽帧处理，每 4 帧丢 1 帧就够了，比 3 帧丢 1 帧自然；
- 音频重录或者切片重拼；
- 最后才考虑调色和码率，CRF 用 21 左右。
前两层是「让文件看起来不一样」，第三层是「让内容结构真的不一样」。平台在往第三层使劲，你还停在前两层，就只能是白干。
上个月我把这套流程写成脚本跑了 60 条测试素材，过审率从之前的四成提到八成多。剩下那两成失败的我复盘过，基本都是因为素材本身太短，低于 20 秒，可操作的镜头不够，重排之后结构变化还是太小。