规模化 i18n 翻译流水线

这个 pack 包含什么

这套给在 10+ 语言发版、又没有本地化外包的应用团队 —— 一个后端工程师、一个前端工程师、一个兼职 PM，三个人轮 on-call，付不起按字数线性扩张的 SaaS 账单。任务从「翻译字符串」变成「在每个 PR 上保持翻译和 main 同步，且批量路径里没人参与」。

这不是 译者的多语种栈 的活。那套是给在流水线里有真人译者参与的本地化工程师用的 —— Weblate、术语表 owner、post-edit 工作流、PDF/视频格式工具。这套是给想把流水线端到端自动化、只在门禁失败时升级到真人审稿的工程团队。还是同样五段 —— 抽取、翻译、QA、校验、回注 —— 但工具选择变了，因为操作者变了。

差异体现在工具上。Weblate 和 Tolgee 保留，因为任何流水线都还需要 TMS；但加入了 pre-commit（CI 门禁编排）、typos（CI 友好的拼写检查）、markdownlint（防止译文 .md 把文档构建打挂）、openai-python SDK（你翻译脚本里调 LLM 的客户端）、transformers（让你能用自己的 GPU 微调 NMT，不付 API 费）。批量翻译路径从「点鼠标」变成「写代码」。

推荐安装顺序（抽取 → AI 翻译 → QA 门禁 → 回注）

1. Weblate —— 持有源真相的 TMS。从这里开始，因为后面每件工具不是喂它就是读它。Weblate 监控你的 git 仓库，从 gettext/xliff/json/Android XML/properties 里抽字符串，把完成的译文以 commit 推回。Docker 自托管，对接你现有的 GitHub/GitLab，这是地基。
2. Tolgee —— 开发者友好的备选。如果你的审稿人是 PM 和设计师，需要在跑起来的 app 上 alt-click 看字符串上下文，选 Tolgee；如果审稿人就活在 PR 里，选 Weblate。两个都列出来，是因为正确答案取决于「谁审译文」，不取决于技术。
3. LibreTranslate —— 跑批量路径的自托管 NMT。接到 Weblate 的自动建议后端，每个新字符串在被人看到之前先过一遍机翻。零按 token 计费、零速率限制、零向第三方 SaaS 发送未发布字符串的合规审查。UI 字符串前 80% 走 LibreTranslate 不再升级。
4. Hugging Face Transformers —— 当 LibreTranslate 的 Argos 模型对你的目标语种不够流畅、需要微调时用它。加载 NLLB-200 或 M2M-100，用你已有的翻译记忆库（从 Weblate 导出 TMX）微调，然后挂自家 GPU 部署。这是低资源语言和 post-edit 重度场景下、现成 NMT 流畅度掉线时的逃生口。
5. openai-python（或任意 LLM SDK） —— 给「必须像真人写的」字符串用的上下文感知翻译器。营销文案、用户看到的错误信息、新手引导。你的翻译脚本读取「源字符串 + 截图 URL + 术语表 + 最近 3 条相似字符串译文」，构造 prompt，调 LLM，写回 Weblate。永远把术语表带进 prompt。永远。
6. Vale —— 术语门禁。配一个 rule pack，列出禁用词（login → sign in）、永不翻译的品牌词（Pull Request、Slack）、按 locale 的语气约束（德语营销用敬语 Sie，法语营销用 tu）。Vale 在每个 PR 上由 pre-commit 调起。违反术语表 = 构建失败。无例外、无软警告。
7. LanguageTool —— 语法和文风门禁。跑在译文上，不是源文。专抓非母语审稿人永远发现不了的安静 bug —— 德语格、法语性数一致、西语 ser/estar、俄语复数。在你的 CI 集群里自托管成 HTTP API。
8. typos —— 拼写门禁。Rust 写的，单个二进制，pre-commit 里跑。专抓 recieve / recieved / seperator 这一类在 LLM 译文里幸存的 typo（因为 LLM 训练语料里就有这些 typo）。配上每 locale 的产品名词典就完事。
9. markdownlint —— 译文文档的结构门禁。当 README.md 在 10 个 locale 出货，你不能让某个 locale 的译文悄悄破坏标题层级、列表缩进对不齐、代码栅栏闭错位置。这三种 markdownlint 都能抓。在 CI 里对每份译过的 .md 跑一遍。
10. pre-commit —— 把四道门禁串起来的编排器。一份 .pre-commit-config.yaml，在 commit 前对每个 staged 文件跑 typos + Vale + LanguageTool + markdownlint，CI 里再跑一次。任一门禁失败 = commit 失败 = PR 失败 = 不回注。这一份文件，把这个 pack 从「一堆我们跑过一次的工具」变成「每个 PR 都守住的流水线」。

它们怎么协同（CI 驱动流水线）

  源内容 (po / xliff / json / Android XML / md)
        │
        ▼
  ┌──── Weblate (或 Tolgee) ─────┐
  │   git push 时抽 key          │
  │   ─────────────────────────  │
  │   通过 REST 暴露字符串       │
  └──────────────┬───────────────┘
                 ▼
     ┌──── 翻译脚本 ──────────────┐
     │  对每个字符串：           │
     │   • 查翻译记忆库          │
     │   • 构 prompt (术语+截图) │
     │   • 按字符串类型路由：    │
     │      营销文案 → OpenAI SDK│
     │      UI 批量  → LibreTranslate │
     │      硬语种   → Transformers (微调) │
     │   • 写回 Weblate          │
     └──────────────┬─────────────┘
                    ▼
        ┌──── pre-commit 门禁 ─────┐
        │  Vale         (术语)     │
        │  LanguageTool (语法)     │
        │  typos        (拼写)     │
        │  markdownlint (.md 结构) │
        │   任一失败 = PR 不过     │
        └──────────────┬───────────┘
                       ▼
           走 Weblate commit 回注 → git → 构建

门禁那一行是承重墙。没有 pre-commit 编排这四个 checker，术语漂移、语法 bug、拼写 typo、markdown 破坏会从不同路径、在不同的日子悄悄漏到生产。有了它，每个 PR 要么四个都过、要么合不上。

你会遇到的取舍

• OpenAI SDK vs 自托管 Transformers vs LibreTranslate —— 三者在「成本-质量-隐私」三角的不同位置。OpenAI API 上的 LLM 对上下文敏感字符串（营销、错误信息）质量最高，千字符花几分钱；LibreTranslate 在你 VPC 里跑、不要钱，但低资源语种流畅度掉；Transformers 在自己 TM 上微调，是前两条都不灵时的逃生口。生产模式：按字符串类型路由，不按语言。营销 → LLM，批量 UI → LibreTranslate，LibreTranslate 翻不好的语种 → Transformers 微调。
• Weblate vs Tolgee vs SaaS (Lokalise/Crowdin/Phrase) —— SaaS 上手快但锁定 + 按字符串收费。50,000 字符串 × 12 locale，这账算不过来。Weblate 是审稿人活在 PR 里的团队的默认；Tolgee 是审稿人需要 in-context 编辑的团队的默认。只在你真的用得上某些集成、且对账单不在乎时选 SaaS。
• CI 门禁做软警告 vs 硬失败 —— 软警告会被无视。硬失败偶尔会让人崩溃（译文其实是对的，门禁误报）。正解：硬失败 + 文档化的 override 路径 —— 工程师加 # vale-ignore: TermsCheck 注释 + code review 写明理由 → PR 放行 → 每周审计 override。永远别把门禁当咨询。
• 翻译记忆库归属 —— 你的 TM 比代码更敏感。里面装着每条发布前的 release note、每条客服回复、每条法律免责。TMS 必须自托管（Weblate 或 Tolgee），且只在脱敏（PII + 未发布内容）之后才把字符串送给第三方 LLM。LibreTranslate + 自托管 Transformers 路径就是为这个场景存在的。

常见踩坑

• 占位符被翻译 —— LLM 热心地把 {username} 翻成 {nombreusuario}，下次渲染崩。打开 Weblate 的占位符检查；翻译脚本里在调 LLM 前锁占位符、调完替换回来。
• prompt 里忘传术语表 —— 自研翻译脚本里最常见的 bug。不传术语表，LLM 每次给 "workspace" 选个不同的词。修复是 prompt 模板里多一行；千万别省。
• 按语言路由而不是按字符串类型 —— 「所有法语走 LLM」听起来便宜，直到你的法语营销文案读起来像机器人写的。按字符串类型路由：营销 → LLM，批量 UI → NMT，与语言无关。
• 把 CI 门禁当咨询 —— 第一个工程师 override 一个 Vale 失败而没走 code review 那刻，门禁就死了。要么硬失败、要么没有。
• 译文文档不跑 markdownlint —— 翻译后的 README.md 凌晨两点把文档构建打挂，因为某西语译者把 * 写成 - 了。markdownlint 是这套里最便宜的保险，第一个打开。
• 没有人参与的抽样审查 —— 全自动流水线会漂移。每周抽 1% 已合译文进人工审查队列。抽样的指标告诉你哪些门禁要调、哪些 locale 该上 Transformers 微调。