先别问哪个模型更强，先问它翻译时看到了什么
本文是基于公开能力、工作流程和适用条件的方案比较，不是使用统一素材完成的独立横评。工具功能、平台规则和模型版本会变化，正式选择前应以当前页面和代表样片复核。
普通机翻和大模型视频翻译都能把中文变成另一种语言，真正的差别出现在一句话之外。短剧台词很短，却常常省略主语、依赖人物关系，也会把反转信息藏在前后几十集里。译文单独读起来顺畅，不代表观众看到剧情时理解正确。
例如一句“原来是你”，可能是重逢、识破、惊讶或威胁。只给模型这一句，它只能选择一个普遍解释；同时提供说话人、前后镜头和人物关系，才有机会选到符合剧情的语气。但上下文也不是越多越好：角色表一旦写错，模型可能把错误稳定地扩散到整部剧。
模型版本、提示、语言和输入都会变化，所以本文讲的是判断方法，不宣布永久冠军。评测必须记录日期、版本和输入，并把“语言看起来流畅”与“剧情意思正确、能够发布”分开。
逐句机翻解决一句话，上下文翻译试着保住整部剧
逐句机翻的优点是输入简单、速度快、成本容易估算，适合临时理解、风险较低的文本和结构清楚的内容。它最容易失手的地方，是当前句子没有给出答案：谁在说话、称谓为什么改变、这句话是否故意隐瞒信息。
上下文翻译可以利用角色表、术语、相邻台词、剧情摘要和视频限制，因此更有机会保持跨集一致，也能把译文控制在字幕或配音需要的长度内。它的风险是结果往往更流畅，错误也更像正确答案。如果提供的剧情摘要、说话人或术语有误，人工审核反而更难第一眼发现。
| 问题 | 逐句机翻常见做法 | 上下文翻译可利用 |
|---|---|---|
| 省略主语 | 按当前句猜人物 | 角色表和前后说话人 |
| 人名称谓 | 每句独立选择词语 | 整剧术语与关系变化 |
| 伏笔反转 | 可能按字面提前说破 | 剧情摘要和信息出现顺序 |
| 口语风格 | 偏通用、书面或逐字 | 角色身份、场景和目标受众 |
| 视频限制 | 输出文本为主 | 字幕长度、时间轴和配音时长要求 |
因此选型不能只算“好句子有多少”，还要看错误发生在哪里。普通对白稍显生硬容易被发现，人物关系被流畅地翻错却可能影响几十集，后者的返工代价更大。
评测样本要故意包含普通翻译最容易漏掉的剧情信息
只选主语明确、语速平稳的普通对白，几乎测不出上下文的价值。更有效的样本应来自同一部剧的不同位置：人物第一次登场、关系发生变化、伏笔揭晓、一次高情绪冲突，再加上金额、日期和专有名词。
还要保留视频限制。长句在文档里可以翻得很漂亮，放回两秒时间轴却读不完；字幕长度合适，做成配音后可能又超过镜头。短剧翻译评测若只看文字，测到的只是语言生成，不是可发布的视频翻译。
公开评测应固定这些样本
模型更新后继续使用同一批样本，才能看出能力变化来自哪里。临时换一套更容易的台词，会让新旧结果失去可比性。
一场可信的评测，要让母语审核者不知道译文来自谁
先固定源字幕、角色、术语、视频、提示和模型版本，再隐藏模型名称与输出顺序，让目标语言审核者按剧情、口语、事实和一致性判断。这样可以减少品牌印象对打分的影响，也避免只挑某个模型的精彩句子展示。
从模型输出到发布判断
盲审以后还要把译文放回视频，检查人物、画面、时间轴和配音时长。最后记录的不只是分数，也包括错误类型、人工修改时间和影响范围。一个模型如果初稿更流畅，却让审核者花更多时间查人物关系，未必更适合整剧生产。
评测结论只能代表固定样本、语言和当时版本。把一门语言的结果外推到所有市场，或把一次模型版本的领先写成永久事实，都不可靠。
GhostCut 的价值，是让剧情上下文继续进入校对、配音和成片
GhostCut 可以在项目中管理角色、术语和整剧字幕，生成译文后继续视频内校对、配音和交付。上下文不只用于一次生成，而是能跟随剧集版本往后走：人名修改后，团队可以继续确认字幕、声音和最终成片是否使用了新版本。
这不等于模型初稿零错误。高度文学化改编、法律风险或品牌敏感内容仍需要专业母语人员，团队也应保留原文、人工修改和发布版本。只翻一份很短的 SRT、不需要视频校对和后续译配时，通用翻译工具可能更轻。
GhostCut 更适合的是整剧上下文与视频生产同时存在的场景。它减少的是上下文在工具交接中丢失的机会，不替代最终发布责任。
模型选好以后，下一道题是把人工放在最容易出大错的地方
最有效的人工不一定从第一句开始把整部剧重翻一遍。团队可以先让母语人员确认角色设定、称谓、术语和高风险表达，再重点审核伏笔、反转、情绪重场与自动检查发现的异常，最后回到视频做发布终审。
这种分工是否真的更省，要靠长期记录回答：哪些错误反复出现，影响了几集，修改花了多久，是否进入了配音和成片。数据积累以后，团队才能形成适合自己题材、语言和片库的评测基准，而不是每次模型更新都从几句印象开始。