Das Hauptziel von QueueLingo für WPML ist:Verwalten Sie die Übersetzungswarteschlange von WPML (XLIFF-Aufgaben) für die automatische Übersetzung und die automatische Rücklieferung an WPML.Sie müssen weder XLIFF manuell exportieren/importieren, noch müssen Sie zwischen mehreren Systemen hin und her wechseln.

Zusamenfassend

WPML generiert Übersetzungsaufgaben → QueueLingo hört automatisch zu und übernimmt → Analysiert übersetzbare XLIFF/HTML-Knoten → Ruft maschinelle Übersetzung oder LLM auf → Generiert Write-Back-Ergebnisse → Überträgt diese zurück an WPML → Aufgabe abgeschlossen und Verbrauchsdetails werden protokolliert.

1. Gesamtprozess (von der "Aufgabeninitiierung" bis zur "Automatischen Auslieferung")

Nachfolgend ein typischer End-to-End-Link:

1. WPML Übersetzungsaufgabe erstellen
   Nachdem Sie in WPML eine Übersetzungsaufgabe für einen Artikel/eine Seite/eine Zeichenkette erstellt haben, fügt WPML diese der Übersetzungswarteschlange hinzu und generiert die entsprechende Übersetzungsaufgabe.XLIFF(Oder es kann einer strukturierten Aufgabe von XLIFF zugeordnet werden).

2. QueueLingo Automatische Hörwarteschlange
   Das Plugin überwacht kontinuierlich die Aufgabenänderungen in der WPML-Übersetzungswarteschlange, identifiziert "ausstehende" Aufgaben und übernimmt deren Bearbeitung (verwaltete Übersetzung).

3. Aufgaben abrufen und Inhaltsstruktur analysieren
   Nachdem QueueLingo eine Aufgabe erhalten hat, analysiert es die XLIFF-Inhaltsstruktur, lokalisiert übersetzbare Knoten (Segmente/Einheiten/Ziele usw.) und bereitet die Übersetzungseingabe vor.

4. Übersetzung durchführen (MT oder LLM)

• Kostenlose Nutzer: Jetzt kostenlos anmelden!Maschinelle Übersetzung (MÜ)Zu den Dienstleistern gehörenGoogle, Edge, Zov

• Abonnenten: VerfügbarLLM Neuronale Translation(Alternativ können Sie einen benutzerdefinierten API-Schlüssel eingeben, um das Kreditlimit der Plattform zu umgehen.)

5. Übersetzungsergebnisse generieren und an die Aufgabe zurückschreiben.
   Nach der Übersetzung wird der Text in der Zielsprache wieder in den entsprechenden Knoten zurückgeschrieben, wobei die ursprüngliche Struktur, die Platzhalter und die Tags so weit wie möglich unverändert bleiben.

6. Automatische Rückgabe an WPML
   Abgeschlossene Aufgaben werden automatisch an WPML zurückgesendet und können nach deren Eingang bei WPML dem anschließenden Überprüfungs-/Veröffentlichungsprozess unterzogen werden.

7. Aufgaben und Verbrauchsdetails aufzeichnen
   Der Hintergrund wird Folgendes generieren:

• Übersetzungsaufgabenprotokoll(Status, verstrichene Zeit, Grund für den Fehler usw.)

• Details zum Aufgabenverbrauch(Engine/Modell, Token, Abrechnungsmethode)

2. Warum wir Token sparen (Vorteil)

QueueLingo übergibt nicht einfach den gesamten Webseiten-/HTML-Code an den LLM, sondern verwendet stattdessen ein „Übersetzen Sie nur die Teile, die übersetzt werden müssen.Die Strategie:

2.1 XLIFF-Aufgabe: Übersetzungsknoten präzise extrahieren

XLIFF ist ein strukturiertes Format, das für die Lokalisierung entwickelt wurde und bei dem der Inhalt in viele „Übersetzungseinheiten“ unterteilt ist.
QueueLingo findet diese Einheiten über XLIFF, und zwar ausschließlich...Der Text, der wirklich einer Übersetzung bedarfSende es an die Übersetzungsmaschine.

2.2 HTML/Rich-Text-Inhalte: Übersetzbaren Text automatisch extrahieren und durch übersetzbaren Text ersetzen.

Für Inhalte, die HTML enthalten (wie z. B. Tags, Links, formatierter Text):

• Das System wird extrahierenÜbersetzbarer sichtbarer Text(Anstelle von Tags, Attributen und Strukturcode)

• Übersetze den Text und dann...Die ursprüngliche Struktur präzise wiederherstellen.

Dies lässt sich in der Regel deutlich reduzieren:

• Ungültiges Token an das Modell gesendet (HTML-Tags, doppelte Strukturen)

• Die Wahrscheinlichkeit, dass das Modell "eine Beschriftung falsch anklickt/die Struktur beschädigt".

Ergebnis: Bei gleichzeitiger Sicherstellung der ÜbersetzungsqualitätDer tatsächliche Tokenverbrauch ist wirtschaftlicher.Die Kosten sind zudem besser kontrollierbar.

3. Funktionsweise von Übersetzungsmaschinen: Maschinelle Übersetzung vs. Sprachlernen

3.1 Maschinelle Übersetzung (MT)

• Geeignet für: Szenarien, die eine schnelle Prozesseinrichtung, moderate Qualitätsanforderungen und Kostensensibilität erfordern.

• Merkmale: Stabil, schnell und hochverfügbar

3.2 LLM Neuronale Übersetzung (Abonnementfunktion)

• Geeignet für: Inhalte, bei denen Ausdruck, Tonfall und branchenspezifische Terminologie besonders wichtig sind (B2B/B2C/technische Dokumente/Marketingmaterialien usw.).

• Merkmale: Höhere Deckenqualität, die Kosten hängen jedoch von der Inhaltslänge und dem Modellpreis ab.

4. Vorlagen für Formulierungsvorschläge und „Website-Material-Vorschläge“: Übersetzungen geschäftsorientierter gestalten

Bei der Nutzung einer LLM-Übersetzungswebsite können Sie die Vorlage „Prompt“ auswählen:

• b2bSpezialisiert, formal und wert- und logikorientiert.

• b2cNatürlich, leicht verständlich und mit Betonung auf Erfahrung und Emotionen.

• tech_docPräzise, ​​einheitliche Terminologie und klare Struktur

• creativeEs tendiert zu kreativem Ausdruck, Marketingsprache und einem flexibleren Stil.

Es unterstützt auch das Ausfüllen.Benutzerdefiniertes Website-Profil PromptWird als Ergänzung verwendet:

• Markenton (z. B. prägnant und zurückhaltend / enthusiastisch und lebhaft / autoritär und professionell)

• Zielgruppe und Produkthintergrund

• Terminologiepräferenzen und deaktivierte Ausdrücke

• Übersetzungsrichtlinien für bestimmte Felder (wie CTA-, Schaltflächen- und Titelstile)

Glossarfunktion: In Kürze verfügbar. Nach der Einführung kann die „terminologische Konsistenz“ weiter in Regeln verankert werden.

5. Ausführungspfad mit integriertem API-Schlüssel (nutzt keine Plattformbeschränkungen)

Wenn Sie den integrierten API-Schlüssel konfigurieren:

• Die Übersetzungsanfrage verwendet Ihren Schlüssel, um den entsprechenden Dienst aufzurufen.

• Verbraucht kein Plattformguthaben.

• Die Plattform bietet weiterhin Funktionen wie Warteschlangenverwaltung, Aufgabenverfolgung, automatisierte Zustellung sowie Protokoll- und Verbrauchsdatensätze.

Das ist perfekt geeignet für:

• Das Team verfügt bereits über einen Musterlieferantenvertrag/ein Musterbudget.

• Ich möchte die Gebühren in meiner eigenen API-Rechnung zusammenfassen.

• Eine flexiblere Modellauswahl und Quotenkontrolle sind erforderlich.

6. Warum schlägt es manchmal fehl? Wie geht man mit Fehlern um und wie funktioniert die Abrechnung?

LLM-Aufgaben können während der Ausführung fehlschlagen. Häufige Gründe hierfür sind:

• Die Modellausgabe ist instabil (Fähigkeitsschwankungen/Phänomen des „Intelligenzabbaus“).

• Zeitüberschreitung, Ratenbegrenzung, Netzwerkfehler

• Der Eingabeinhalt ist komplex (Platzhalter, verschachtelte Strukturen, abnormale Kodierung).

• Ungültiger Schlüssel oder unzureichendes Guthaben/Kontingent (häufiger in Fällen, in denen Sie einen eigenen Schlüssel verwenden).

  Das benutzerdefinierte Modell verfügt über unzureichende Funktionen und begrenzte Übersetzungsmöglichkeiten.

Prinzipien des Scheiterns und der Schlussfolgerung

• Das System wird sein Bestes tun, um Wiederholungsversuche durchzuführen und Fehler zu tolerieren (die konkrete Strategie hängt von der Produktimplementierung ab).

• Der Endpreis richtet sich nach dem tatsächlichen Verbrauch.:

  • LLM berechnet den Modell-Einheitspreis auf Basis der tatsächlichen Input-/Output-Token.

  • Selbst wenn die Aufgabe fehlschlägt, können dennoch Kosten entstehen (z. B. wurde eine Anfrage gesendet und eine Teilantwort empfangen), wie in den Backend-Verbrauchsdetails aufgezeichnet.

7. Wo kann man den gesamten Prozess verfolgen?

Das Backend bietet typischerweise zwei zentrale Einstiegspunkte:

• ÜbersetzungsaufgabeAufgabenstatus, verstrichene Zeit, Fehlergrund und Informationen zu Wiederholungsversuchen anzeigen.

• Details zum AufgabenverbrauchSehen Sie sich die Engine/das Modell, das Token und die Abrechnungsdatensätze für jede Aufgabe an (es wird kein Plattformguthaben oder integrierter Schlüssel berechnet).