1. 悄无声息的“静默安装”

字幕文件有时间戳，文字是碎片化的，一个小时的视频有1500多条，而且大部分整句被切割成了多个碎片。如果按照每个碎片文字逐句翻译，那翻译出来的英文大概率是难以理解的。

Codex 给出的方案是：先合并相邻的中文语义段（合并为 400 多条），再整体翻译，最后重新按照原字幕的时间戳进行断句。

方案定下后，它首先在我的终端里静默运行了安装命令：

python3 -m pip install --quiet translators

这行指令在 AI 思考流里一闪而逝 —— 当然我开了全部的权限，但是按照我以前的经验，比如ChatGPT，大模型本来并不需要外部翻译工具就可以自己翻译文字 —— 上一次字幕翻译可没这个过程。

这次的举动令我感到很意外。那一刻我突然很庆幸：幸亏 360 没有开发大模型。

2. AI 的“牛马”

接下来更意外的是，AI 调用的不仅仅是一个工具。

Codex 首先选择了翻译质量最好的 DeepL 引擎，但由于短时间内请求过于频繁，触发了 DeepL 接口的防刷限流（HTTP Error 429: Too Many Requests）。

于是 Codex 写了一个测试脚本，把有道、谷歌、必应、搜狗、彩云、讯飞等五六个翻译接口全部拉出来做了一次跑分评估。

对比后它得出结论：有道在口语长句上表现最顺，接下来他就开始“雇佣”有道重写底稿。

有道是网易旗下的产品，我以前就经常用有道词典。当时我脑子里闪过的念头是：AI 也开始为自己找“牛马”了。

在这个工作流里，Codex 就像一个项目经理，自己嫌翻译的机械活太累，就写脚本去市面上筛选最听话、最划算的底层接口来干脏活累活，而自己则像一个领导一样只负责分配任务和监督。

接下来更震撼的事情，是任务收尾阶段 Codex 的自我定义。

有道翻译跑完底稿后，Codex 开始进行大模型自身的逻辑重写。在它输出的系统日志里，它连续使用了这样的词汇：

“开头已手工重写，现在我会做一轮全局机械修正……”

“抽查发现还有几段典型机器句，我会把这些问题段直接手工改掉，而不是只做词替换。”

“‘小草’和社区回馈段已手工梳理。”

Codex 把它自己修改的行为定义成“手工”重写，而其它软件则是“机器”。

在 AI 的语境里，“机器”指的是那些死板的代码、脚本和普通的翻译接口；而“手工（Manual）”则是它自己进行上下文理解和语义润色。前者是底层体力活，后者是高级脑力劳动。

代码世界的阶级正在形成，而 AI ，显然把自己划归为了“上层阶级”。

整个任务最终完成。1549 条破碎的中文被梳理、合并成了 434 条英文口语字幕。

但我在校对时，依然发现大量的明显的机器翻译的错误。

错误率比我之前直接用大模型（如ChatGPT）翻译的出错率高，也不如剪映自带的字幕翻译功能。于是我不得不来一次真正的“手工”修正。

所以我下次再需要翻译时，我会明确禁止模型调用其他翻译软件。

它首先要把工作做好，而不是学人那样，啥事不会只会当领导。