译者的多语种栈

这个 pack 包含什么

这是给真正在干活的本地化工程师、译者、i18n PM 的栈 — 就是那个要把 po/xliff/json 文件交付出去、不能让 build 挂、不能把占位符 {username} 弄丢、不能因为 LLM 忘了这是个 SaaS 应用就把 "trial" 翻成「法庭审判」的人。

它不是一个魔法翻译器。本地化的活分五步 — 抽取、建术语表、翻译、QA、回注 — 每一步都有自己的工具和自己的翻车点。这个 pack 在每一步给一个默认选项，再在两个容易翻车的步骤（翻译引擎本身、TMS 啃不动的格式）各给一个兜底。

下面全部可自托管。这件事很重要：公司里真正的 translation memory 通常也是法律敏感内容（合同、未发布的 release notes、客服工单）。不假思索就丢给第三方 MT 厂商，是合规电话会议的开端。

推荐安装顺序（抽取 → 术语表 → 翻译 → QA → 回注）

1. Weblate — TMS。从这里起步，因为其他所有工具都接到它上面。Weblate 盯你的 git 仓库，从 gettext/xliff/json/properties 抽字符串，交给译者（或 MT 引擎）翻译，再以 commit 形式推回去。Docker 自托管，一下午搭完。
2. Tolgee — 开发者友好版替代。如果你的译者不懂技术、需要在运行中的应用里 alt-click 就能编辑字符串的「上下文编辑器」，选 Tolgee 而不是 Weblate。多数团队二选一：git 原生工程团队选 Weblate，产品驱动团队选 Tolgee。
3. LibreTranslate — NMT 引擎。自托管 Argos 模型，无 API key，无限流。这是 LLM 太慢、太贵或者拒绝翻译时的兜底。接进 Weblate 当自动建议后端。
4. Fairseq — 当你要在自家语料上真训练或微调 NMT 模型时。多数团队不会走到这里。会走到这一步的（强监管行业、低资源语种、post-edit 量极大的工作流）也躲不掉。知道它存在已经是一半。
5. Claude / GPT-4 级 LLM（通过 IDE 或 API）— 上下文感知译者。给那些必须读起来像人写的字符串用：营销文案、面向用户的报错、新手引导。永远把术语表和上下文一起放进 prompt，永远。
6. NLTK — Python NLP 工具箱。中间环节那些不起眼的活全靠它：分词、断句、给术语表挖候选词、计算翻译输出的 BLEU/chrF。它不是翻译器，是胶带。
7. LanguageTool — 25+ 语言的语法 + 风格 QA。跑在翻译后的文本上，不是源文本。它抓的是那一类静默 bug：翻译语法上是错的，但非母语审稿人根本看不出来（德语词格、法语一致性、西语 ser/estar）。
8. Vale — 带自定义规则包的散文 linter。这是你的术语执行者：风格指南说「写 sign in 不写 login」就禁掉 login、禁止翻译 "Pull Request"、营销语种里禁某种语气。和 LanguageTool 配对：Vale 抓政策违规，LanguageTool 抓语法。
9. PDFMathTranslate — 保留排版、公式、图表地翻译 PDF。其他 PDF 翻译器全做错的那件事。技术文档、学术论文、必须回到 PDF 的监管申报都需要它。
10. Whisper + KrillinAI — 当源是口语时。Whisper 抓带时间戳的转写；KrillinAI 包办整条「视频翻到 100 种语言」的流水线，需要的话还能配音。源是视频时才用这俩 — 它们是 TMS 啃不动的格式逃生口。

它们怎么协同（翻译流水线）

  源内容 (po / xliff / json / md / pdf / video)
        │
        ▼
   ┌──── Weblate (或 Tolgee) ────┐
   │   抽字符串 + 分段              │
   │   ─────────────────────────  │
   │   PDF → PDFMathTranslate    │
   │   视频 → Whisper + Krillin  │
   └──────────────┬───────────────┘
                  ▼
            术语表 (TMX/CSV)
          由术语 owner 维护
                  │
                  ▼
     ┌──── 翻译 ────┐
     │  ╱         ╲ │
     │ LLM (上下   LibreTranslate │
     │  文感知)    (批量 + 兜底)   │
     │   ╲       ╱  │
     │   Fairseq (要微调时) │
     └──────┬───────┘
            ▼
      ┌──── QA 闸 ────┐
      │ Vale (术语)    │
      │   AND          │
      │ LanguageTool (语法) │
      │   AND          │
      │ NLTK (BLEU/chrF 评分) │
      └──────┬───────────┘
             ▼
     Weblate commit 回注 → git → build

关键的环节是 QA 闸：Vale + LanguageTool 双双通过、术语报告显示零违规之前，任何字符串都不许进回注那一步。没这个闸，规模一上来 LLM 的上下文丢失就会把你吃掉。

你会遇到的取舍

• LLM vs Google Translate vs DeepL vs LibreTranslate — LLM 赢在上下文（它知道 {user_name} 是占位符不是词）。DeepL 赢在欧洲语言的流畅度。Google 赢在语种覆盖广。LibreTranslate 赢在成本 + 隐私因为跑在你 VPC 里。生产环境按字符串路由：营销文案 → LLM、UI 字符串 → DeepL 或 NMT、内部文档 → LibreTranslate。
• 术语表的松紧 — 太严翻译读起来像机器人。太松一个产品里「sign in」「log in」「登入」「登录」「登陆」会同时存在。中间路线：品牌词和法律词硬执行、风格选择软建议、审稿人可以带评论覆盖。
• Weblate vs Tolgee vs Lokalise/Crowdin — 托管 SaaS（Lokalise、Crowdin、Phrase）上手快但锁定你、按字符串收费。Weblate 是「译者活在 git 里」时的开源默认。Tolgee 是「译者需要上下文编辑」时的开源默认。除非你真需要那些集成而且不在乎账单，跳过 SaaS。
• MT 预翻 + 后编辑 vs 纯人工 — 90% 的字符串，MT + 后编辑比纯人工快 3-5 倍、质量相同。失败的那 10%（法律、品牌语气、笑话、文化梗）在源文件里提前用 tag 标出来、单独走纯人工。把整个 App 当成 10% 处理是本地化成本爆炸的方式。

常见踩坑

• 上下文丢失 — 翻译 Save 时不知道这是按钮、功能名、还是「已保存」的过去时。修复：把截图 URL、上下文句子、UI 组件类型一起塞进 translation memory。Tolgee 原生支持；Weblate 要装截图插件。
• 格式破坏 — 弄丢 {count} 占位符、把 <a href="..."> 的 HTML 写坏、删掉行尾换行。commit 前永远拿翻译后字符串的形状和源做对比验证。Weblate 有占位符检查；打开它。
• 术语漂移 — 半年里三个译者各自给 "workspace" 选了不同的词。每周跑 Vale + 术语审计；术语违规要当 CI 失败处理，不是软警告。
• 复数形式 — 英语 2 种复数、俄语 3 种、阿拉伯语 6 种、中文 1 种。从 day 1 就用 ICU MessageFormat，不要字符串拼接复数。
• RTL 语言 — 阿拉伯语和希伯来语不只是把文字翻转，还翻转布局、括号、标点规则。RTL 要在 QA 里测，不是在生产里测。
• 没脱敏就把 TM 喂给第三方 LLM — 你的 translation memory 里有未发布的 release notes 和所有客服工单。在内容离开 VPC 之前脱敏 PII 和未公开内容。LibreTranslate 存在就是为了这个原因。