一句话总结
当 AI 的初稿翻译读起来”像翻译”而不像母语时，不要换模型重跑。让模型先翻译，再对照术语表和品牌语气样本给自己打分，点名具体哪几行有风险（带行号），然后只把那几行交给母语者复核。这样人工审校就从”整篇通读”缩成”看六行”——而时间和成本恰恰花在这里。
任务场景
你有内容要翻译——一个营销落地页、一段产品描述、一封面向监管方的邮件——你怀疑 AI 的输出语法没错，但语气不对。直觉是换个模型试试。更好的做法是让模型当自己的评审：先出译文，再对照一份明确的评分标准做批评，最后给母语审校一份简短、按优先级排好的清单，而不是整篇文档。
这跟AI 事实核查工作流和AI 引用核查工作流用的是同一套自我批评模式——“翻译并打分”只是把这套模式用在了语言上。
哪种任务用哪个模型（截至 2026 年 6 月）
没有单一的”最佳翻译模型”。按语对和内容类型来选。2026 年评测的大致结论：
| 内容类型 | 推荐（2026 年 6 月） | 原因 |
|---|---|---|
| 讲究语气的品牌 / 营销文案 | Claude Sonnet 4.6 或 Opus 4.7 | 语气、品牌腔调、长文一致性最强 |
| 技术文档、UI 文案、代码本地化 | GPT-5.5 | 对代码注释和结构化字符串处理得好 |
| 原文是 PDF、截图、图表、视频 | Gemini 3.1 Pro | 能读多模态语境，不只是粘贴的纯文本 |
| 欧洲语对（英↔德 / 法 / 西）、大批量求快 | DeepL Pro | 欧洲语对 BLEU 最高，集成 CAT 工具和术语表 |
| 亚洲语对（英↔中 / 日 / 韩）、语境密集 | GPT-5.5 / Claude / Gemini | 大模型比规则式 MT 更会读上下文 |
在 2026 年的盲测里，DeepL 在欧洲语言的忠实度上仍领先（英译德 BLEU 约 64.5），而通用大模型更会把握上下文和习语，在中文、日文、韩文上往往胜出。一个实用的默认策略：大批量欧洲语内容用专用 MT（DeepL），凡是语气、习语或上下文承载含义的，用前沿大模型。
关于成本和隐私
如果你翻译的是受监管或机密材料，文本流向和质量同样重要。DeepL 在所有付费套餐上都会在翻译完成后立即删除输入文本、且不用于训练模型——这正是它能在法律、医疗流程里站住脚的原因。DeepL 定价（2026 年 6 月）：免费版每月 50,000 字符；Pro Starter 每月 $10.49（取消字符上限，每月 5 份文档）、Advanced 每月 $34.49（每月 20 份文档，2,000 条术语表条目）。走大模型路线，一个 Claude Pro（每月 $20） 或 ChatGPT Plus（每月 $20） 席位足够应付大多数一次性任务；高频流水线应改用 API 计价（Sonnet 4.6 每百万 token 输入 / 输出 $3/$15，GPT-5.5 为 $5/$30）。
哪些情况适合让 AI 来做，哪些不要
AI 在初稿翻译和你明确要求的结构化自我批评上都很强。但它在习语、品牌语气、地区差异（zh-CN vs zh-TW、pt-BR vs pt-PT）、以及有强制措辞的法律 / 监管用语上不可靠。高风险内容——付费广告声明、合同、医疗说明——AI 只是起点，最终签字必须由人类译者负责。
需要给模型的输入信息
翻译质量取决于交代得有多清楚。给模型：
- 完整原文（不是改写过的概括）
- 目标语言和地区——
zh-CNvszh-TW、es-ESvses-MX、pt-BRvspt-PT - 读者画像和正式度——Gen-Z 口语、企业 ToB、监管方
- 品牌语气——贴 100-200 字目标语言的现有文案，不要贴英文
- 术语表——必须用的词和禁用词，给出确切的目标语言对应词
- 风险等级——内部邮件 / 付费投放 / 监管文案
可直接复制的 Prompt
用 temperature 0 运行，让打分确定、可复现。把模型和这份 Prompt 当作一个版本化整体来锁定——换模型是一次评测变更，不是改个配置，因为换了模型会把所有东西重新打一遍分。
翻译以下文本并给自己的译文打分。
源语言：[自动识别 或 指定]
目标语言 + 地区：[zh-CN / zh-TW / es-ES / es-MX / pt-BR / pt-PT]
读者：[画像、正式度]
品牌语气样本（目标语言）：[贴 100-200 字]
术语表（必须用这些确切目标词）：[术语 = 目标词, ...]
禁用词：[列表]
风险等级：[内部 / 营销 / 监管]
原文：
"""
[贴原文]
"""
请输出：
1. 译文，带行号
2. 自我批评：逐一列出可能丢了含义 / 语气 / 文化语境的段落，
引用行号，说明原因
3. 每个被标段落给 3 个备选译法
4. 术语审计：逐条确认术语表里每个词的确切目标词都出现了；
标出任何用了同义词替代的行
5. 必须找母语者复核的项目，要具体
6. 每段给一个置信度 1-5
不要改品牌名、产品名、数字、引用，除非要求。
不要用回译来"验证"——回译会掩盖原文里看着没问题的习语错误。长文档分段处理：“先翻第 1-5 段，我看过再继续。“这能让术语保持一致——一个常见失败是：模型在一段里用了术语表的标准译法，下一段又把同一个词逐字直译。
怎么判断 AI 给的结果能不能直接用
- 品牌语气样本的腔调能在译文里识别出来，而不只是用了相同词汇
- 术语表里的词原样出现，不是同义词——用术语审计核对（源里有这个词、目标里却没有对应的标准译法，就是违规）
- 自我批评指向具体行，不是”下半段”
- 置信度有高有低。如果模型一律给 5/5，就要 push back——那是它根本没认真评的信号
- 数字、名字、引用相对原文没有改动
容易踩的坑
- 信初稿不做批评——单一最常见的 AI 翻译失败。译文读着通顺，于是没人去查。
- 忽略地区——中文的口语「你」对敬语「您」、同一个词的简体对繁体、英文里 “elevator” 对 “lift”
- 让 AI 猜监管措辞——金融、法律、医疗有强制术语，一句通顺的改写可能在法律上是错的
- 用回译来”验证”——感觉踏实，但会掩盖原文里看着没问题的习语错误
- 拿一个整体分当门槛——单一的 8/10 会掩盖哪个维度退步了（准确？语气？术语？）。要按维度、按段落分别打分
- 高风险内容跳过母语审校——AI 自我批评是分诊工具，不是替代品。每个语对每次发布预留约 30 分钟母语者时间，能省掉几个月”这版是不是退步了”的争论
FAQ
- 哪个模型翻译最好？ 看语对和内容类型。欧洲语言、大批量首选 DeepL，忠实度领先。中文、日文、韩文或任何语境密集的内容，前沿大模型（Claude Sonnet 4.6、GPT-5.5、Gemini 3.1 Pro）更会读上下文。当两个模型都标了同一处时，可视为风险更低。
- AI 能处理源里的代码 / 标记吗？ 能，但它有时会把代码注释或 alt 文本也翻了。用 fence 把代码包起来，并明确告诉它别翻里面的内容。
- 为什么要用 temperature 0？ 打分 Prompt 需要可复现。温度高时，同一段原文每次跑出来的批评都不一样，你就分不清是真退步还是采样噪声。
- 要披露用了 AI 翻译吗？ 某些行业和读者在意。受监管或面向客户的文案上线前先问一下；一封内部备忘录通常不用披露。
- 我想学目标语言，而不只是翻译。 那是另一种工作流——参考AI 语言学习工作流，它把翻译漂移当成学习信号、而不是产物。