你手上只有一格畫面，沒有標題、沒有番號，也沒有檔名。行得通的路徑不是去搜這張圖片，而是去搜這張圖片裡面的那張臉，再從人往外推到作品。

這個順序的調換就是整套方法。截圖是一張在網路上別無他處的獨一無二的影像，所以沒有任何東西能以「圖片」的身分和它相符。相對地，一張臉會出現在數以百計的封面與截圖上，而且可以在它們之間做數學上的比對。

截圖裡到底需要有什麼？

一張臉，看得見，而且沒有從鏡頭別開太多。其餘一切都可有可無。

人臉辨識的運作方式是先定出特徵點 —— 雙眼中心、鼻尖、兩個嘴角 —— 再用它們把臉擺正成一個標準姿勢，然後才編碼。如果這些特徵點被藏起來了，就沒有東西可以對齊，整條流程在比對開始之前就停住了。

畫面裡的元素 對人臉搜尋的影響
正面或略帶角度的臉 最理想 —— 所有特徵點都看得見
很硬的側臉（轉超過約 45°） 偵測可能成功，但比對急遽劣化
臉被手、頭髮或物體部分遮住 通常偵測會失敗
嚴重的動態模糊 特徵點變得不可靠
臉非常小（寬度只有幾十個像素） 細節太少，編不出有意義的向量
背景、房間、家具 完全被忽略 —— 沒有任何貢獻
畫面上的文字、logo、時間戳 人臉這一步會忽略，但你後面用得上

最後兩列常讓人意外。人臉搜尋是刻意把背景丟掉的。這也是為什麼一張其他方面都「很爛」的截圖 —— 昏暗的房間、雜亂的畫面 —— 只要臉是乾淨的，仍然可以完全奏效。

步驟依序是什麼？

  1. 暫停在一格臉清楚可見的畫面上。 優先挑女優看向鏡頭的那一刻。往前拖幾秒，幾乎永遠比事後搶救一格爛畫面划算。
  2. 以原生解析度截取那一格。 對播放器截圖，不要用相機拍螢幕。也不要再裁成一個小方塊 —— 偵測器會自己裁切。
  3. 上傳，讓偵測跑起來。 偵測就在你的瀏覽器裡發生：影像在本機分析，只有裁切下來的臉部區域加上五個特徵點座標會被送出去。
  4. 如果找到好幾張臉，挑對的那一張。 多人場景會回傳多個偵測結果。挑錯了，它會不聲不響地把你帶往錯的方向。
  5. 讀相似度分數，不要只看排序。 排名清單永遠會回傳東西。分數才告訴你它有沒有意義。
  6. 拿該女優的已知作品去確認。 拿到名字之後，把你畫面裡的具體特徵 —— 頭髮長度、服裝、場景、刺青或穿環、任何看得見的文字 —— 拿去和封面與劇照對照。

第 6 步是最多人跳過的一步，而錯誤答案多半就出在這裡。人臉搜尋給你的是一個人，不是一部作品。作品是你的推論，而它需要第二項證據。

相似度分數要怎麼讀？

臉部向量是用餘弦相似度比較的，那是一個 0 到 1 之間的數。在我們的資料上，針對影片截圖校準出來的門檻是 0.40 —— 高於它，兩張臉就被當成可能是同一個人。

分數區間 該怎麼看待
低於 0.40 在門檻以下。當成沒有相符，不管它看起來多合理
0.40 – 0.50 弱。在你要靠它做判斷之前，需要獨立的佐證
0.50 – 0.65 還算合理。仍然值得再看同一個人的第二張圖
高於 0.65 強。除非畫面品質很差，否則通常是同一個人

一個 0.42 的結果和一個 0.85 的結果，在清單上長得一模一樣，意義卻天差地遠。任何把分數藏起來的工具，藏的正是你做判斷時需要的那一塊。

為什麼索引比演算法更重要？

因為一張從來沒被索引過的臉，不管比對做得多好，都不可能被回傳。

我們的索引裡有 241,792 張臉，其中 2,333 位具名女優，取自 106 個站台上的成人封面與畫面（我們的索引，2026-08 快照）。那些素材在通用型的影像索引裡根本不存在，這也是為什麼通用工具不管工程做得多好，都回傳不出有用的東西。

**值得直說的邊界：**我們的覆蓋並不平均。在那 2,333 位具名女優裡，有 2,246 位的代表圖來自同一個站台。那是一個實實在在的偏斜。一部來自我們沒索引過的片庫的作品，或一位從未出現在我們涵蓋來源上的女優，就是找不到 —— 而工具仍然會給你一份「差一點」的排名清單。會讀分數，才護得住你。

如果回傳的東西都不像，該怎麼辦？

先換輸入，再換工具。依有效機率排序：

  • 換一格畫面試試。 同一場戲裡另一個時刻的第二張截圖，是收穫最高的單一動作。
  • 換場景裡的另一個人試試，如果不只一個人的話。
  • 檢查畫面上有沒有番號。 很多作品會把番號燒進片頭、封面畫面或浮水印裡。有了番號，一個影像問題就變成一次文字查詢。
  • 接受「它可能不在」。 素人上傳、非常老的作品，以及來自未索引片庫的內容，可能真的就是沒有條目。

相關問題

如果你已經把那格畫面開著了，就在這裡上傳，看看回傳什麼。偵測在你的瀏覽器裡執行 —— 原始截圖不會離開你的裝置，只有裁切下來的臉部區域會被送出去比對，事後也不留下任何東西。