实时翻译

大语言模型在翻译任务上表现出色，能够理解上下文、保持语义连贯，并处理复杂的语言现象。

LLM 翻译的优势

对比传统翻译

特性	传统 NMT	LLM 翻译
上下文理解	有限	强大
领域适应	需要专门训练	提示词即可
风格控制	困难	简单
术语一致性	需要词典	可通过提示词指定
创意翻译	较弱	强

LLM 翻译能做到

• 理解复杂句式和隐含含义
• 保持文风和语气
• 处理俚语和文化特定表达
• 根据指令调整翻译风格
• 保持专业术语一致性

基础翻译实现

简单翻译

from openai import OpenAI

client = OpenAI(api_key="your-api-key", base_url="https://api.weelinking.com/v1")

def translate(text, source_lang="auto", target_lang="中文"):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": f"你是一个专业翻译，将文本翻译成{target_lang}。只输出翻译结果，不要解释。"
            },
            {
                "role": "user",
                "content": text
            }
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

# 使用示例
result = translate("Hello, how are you today?")
print(result)  # 你好，今天怎么样？

高质量翻译

def professional_translate(text, source_lang, target_lang, context=None, style=None, glossary=None):
    system_prompt = f"""你是一位专业的{source_lang}到{target_lang}翻译专家。

## 翻译要求
- 准确传达原文含义
- 保持语言流畅自然
- 符合目标语言的表达习惯"""

    if context:
        system_prompt += f"\n\n## 背景信息\n{context}"
    
    if style:
        system_prompt += f"\n\n## 风格要求\n{style}"
    
    if glossary:
        system_prompt += f"\n\n## 术语表（必须使用指定翻译）\n"
        for term, trans in glossary.items():
            system_prompt += f"- {term} → {trans}\n"

    system_prompt += "\n\n只输出翻译结果，不要添加任何解释。"

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": text}
        ],
        temperature=0.3
    )
    
    return response.choices[0].message.content

# 使用示例
result = professional_translate(
    text="The API endpoint has been deprecated.",
    source_lang="英文",
    target_lang="中文",
    context="技术文档，面向开发者",
    style="正式、专业",
    glossary={
        "API": "API",
        "endpoint": "端点",
        "deprecated": "已弃用"
    }
)

高级功能

1. 流式翻译

实时输出翻译结果：

def stream_translate(text, target_lang="中文"):
    stream = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": f"将文本翻译成{target_lang}。只输出翻译结果。"
            },
            {"role": "user", "content": text}
        ],
        stream=True
    )
    
    for chunk in stream:
        if chunk.choices[0].delta.content:
            yield chunk.choices[0].delta.content

# 使用示例
for char in stream_translate("This is a long document..."):
    print(char, end="", flush=True)

2. 批量翻译

import asyncio
from openai import AsyncOpenAI

async_client = AsyncOpenAI(api_key="your-api-key", base_url="https://api.weelinking.com/v1")

async def translate_batch(texts, target_lang="中文"):
    async def translate_one(text):
        response = await async_client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[
                {"role": "system", "content": f"翻译成{target_lang}，只输出结果。"},
                {"role": "user", "content": text}
            ]
        )
        return response.choices[0].message.content
    
    tasks = [translate_one(text) for text in texts]
    return await asyncio.gather(*tasks)

# 使用示例
texts = ["Hello", "World", "How are you?"]
results = asyncio.run(translate_batch(texts))

3. 文档翻译

保持格式的文档翻译：

def translate_document(document, target_lang="中文"):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"""你是一位专业的文档翻译专家。
请将文档翻译成{target_lang}。

要求：
1. 保持原有的 Markdown 格式
2. 保持代码块不变
3. 保持链接格式
4. 保持标题层级结构"""
            },
            {"role": "user", "content": document}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

4. 双语对照

def bilingual_translate(text, source_lang="英文", target_lang="中文"):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"""将{source_lang}文本翻译成{target_lang}，并输出双语对照格式。

格式：
原文：[原文]
译文：[译文]

逐段对照输出。"""
            },
            {"role": "user", "content": text}
        ]
    )
    return response.choices[0].message.content

特殊场景处理

1. 技术文档翻译

tech_glossary = {
    "machine learning": "机器学习",
    "neural network": "神经网络",
    "API": "API",
    "SDK": "SDK",
    "backend": "后端",
    "frontend": "前端"
}

result = professional_translate(
    text=tech_doc,
    source_lang="英文",
    target_lang="中文",
    context="技术文档",
    glossary=tech_glossary
)

2. 文学翻译

result = professional_translate(
    text=novel_chapter,
    source_lang="英文",
    target_lang="中文",
    style="文学性强，保持原作风格，人名地名音译"
)

3. 商务翻译

result = professional_translate(
    text=business_email,
    source_lang="英文",
    target_lang="中文",
    style="正式、礼貌、专业，保持商务礼仪"
)

质量评估

翻译评估提示词

def evaluate_translation(source, translation, source_lang, target_lang):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": """你是翻译质量评估专家。请从以下维度评分（1-10）：
1. 准确性：含义是否准确传达
2. 流畅性：目标语言是否自然
3. 风格：是否保持原文风格
4. 术语：专业术语是否正确

返回 JSON 格式：
{"accuracy": X, "fluency": X, "style": X, "terminology": X, "overall": X, "issues": []}"""
            },
            {
                "role": "user",
                "content": f"原文（{source_lang}）：\n{source}\n\n译文（{target_lang}）：\n{translation}"
            }
        ],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

最佳实践

1. 使用术语表： 保持专业术语一致
2. 提供上下文： 帮助模型理解背景
3. 指定风格： 明确翻译风格要求
4. 分段翻译： 长文档分段处理
5. 质量检查： 重要内容人工复核