批量翻译的模型选择与成本测算

结论先行：翻译是典型的「输入轻、输出重」任务——源文一次进、译文一次出，但输出 token 通常比输入多。因此翻译的账要按输出价算。以站内为例，DeepSeek V4 Flash 输出 $1.408、V4 Pro 输出 $2.1016，同一批材料两者差出一个数量级。

输出价对照（每百万 token，采集 2026-10-08）

模型	输出价	适合的翻译形态
DeepSeek V4 Flash	$1.408	大批量、逐句、可抽样校验
Qwen3.8 Flash	$0.517	中文语料双向翻译
GLM-5.3 Flash	$0.55	批量文档、格式保留
Claude Sonnet 5	$11	对外发布的高价值内容
Gemini 3.7 Flash	$4.125	图文混排、多语种混合

一批材料的成本感受

假设一批文档合计 80 万 token 源文、译文约 100 万 token：

• 全走 DeepSeek V4 Flash：输出成本约 $1.408
• 全走 Qwen3.8 Flash：输出成本约 $0.517
• 同样的量交给 Claude Sonnet 5：约 $11

批量翻译属于「可抽样质检」的任务类型，因此低价档配合 3%~5% 人工抽检，通常是成本与质量之间更合理的落点。

术语一致性：翻译质量的真正难点

模型换代或分档混用，最容易出问题的是术语不统一。三个可落地的做法：

1. 固定术语表：把术语表放进系统提示词，每次调用都带上
2. 分段并行但同模型：同一文档不要让不同档位混跑，避免风格漂移
3. 术语一致性检查：译后用脚本扫描术语表命中情况，异常段落只重跑该段

批处理骨架

from openai import OpenAI
client = OpenAI(api_key="你的 Ulnvault Key", base_url="https://ai.ulnit.com/v1")

SYS = "你是专业译者。严格遵循术语表，只输出译文，不添加解释。术语表：<你的表>"

def translate(text):
    r = client.chat.completions.create(
        model="deepseek/deepseek-v4-flash",
        messages=[{"role": "system", "content": SYS},
                  {"role": "user", "content": text}],
    )
    return r.choices[0].message.content

常见问题

翻译质量怎么评估？

准备 50 句人工润色过的对照样本，用同一提示词跑一遍，按术语命中与可读性打分；换模型或换档位时重跑这份样本集。

长文档怎么处理？

优先利用百万级上下文整篇翻译（保持上下文连贯），再对超长文本按章节切分。

能同时翻译多种语言吗？

可以，但建议每批次单一语言方向，便于统一术语表与质检。

价格采集时间？

2026-10-08；站内价 = OpenRouter 挂牌 ×1.1。

---

👉 立即注册，0 元尝鲜套餐试用

相关阅读：high-concurrency ｜ deepseek-v4-pro-vs-v4-flash ｜ deepseek-api-alternative