El objetivo principal de QueueLingo para WPML es:Gestiona la cola de traducción de WPML (tareas XLIFF) para la traducción automática y la devolución automática a WPML.No es necesario exportar ni importar manualmente archivos XLIFF, ni tampoco es necesario alternar entre varios sistemas.

En breve

WPML genera tareas de traducción → QueueLingo escucha automáticamente y toma el control → Analiza los nodos traducibles XLIFF/HTML → Llama a la traducción automática o LLM → Genera resultados de escritura → Envía los resultados de vuelta a WPML → La tarea se completa y registra los detalles de consumo.

1. Proceso general (desde el inicio de la tarea hasta la entrega automática)

A continuación se muestra un enlace típico de extremo a extremo:

1. WPML Crear tarea de traducción
   Después de crear una tarea de traducción para un artículo/página/cadena de texto en WPML, WPML la agregará a la cola de traducción y generará la tarea de traducción correspondiente.XLIFF(O bien, se puede asignar a una tarea estructurada de XLIFF).

2. QueueLingo Cola de escucha automática
   El plugin supervisa continuamente los cambios de tareas en la cola de traducción de WPML, identifica las tareas "pendientes" y se encarga de su procesamiento (traducción gestionada).

3. Recuperar tareas y analizar la estructura del contenido
   Una vez que QueueLingo recibe una tarea, analiza la estructura de contenido XLIFF, localiza los nodos traducibles (segmentos/unidades/destinos, etc.) y prepara la entrada para la traducción.

4. Realizar traducción (MT o LLM)

• Usuarios gratuitos: ¡Consíguelo gratis!Traducción automática (TA)Los proveedores de servicios incluyen:Google, Edge, Zov

• Suscriptores: DisponibleMáster en Traducción Neuronal(Alternativamente, puede introducir una clave API personalizada para eludir el límite de crédito de la plataforma).

5. Genera los resultados de la traducción y envíalos de vuelta a la tarea.
   Tras la traducción, el texto en el idioma de destino se vuelve a escribir en el nodo correspondiente, manteniendo la estructura original, los marcadores de posición y las etiquetas lo menos modificados posible.

6. Entrega automática de vuelta a WPML
   Las tareas completadas se enviarán automáticamente de vuelta a WPML, y una vez que WPML las reciba, podrán proceder al proceso de revisión/publicación posterior.

7. Registrar detalles de tareas y consumo
   El fondo generará:

• Registro de tareas de traducción(Estado, tiempo transcurrido, motivo del fallo, etc.)

• Detalles del consumo de tareas(Motor/Modelo, Token, Método de facturación)

2. Por qué ahorramos en fichas (ventaja)

QueueLingo no simplemente lanza toda la página web/código HTML al LLM, sino que en su lugar utiliza un "Traduzca únicamente las partes que necesiten ser traducidas.La estrategia:

2.1 Tarea XLIFF: Extraer con precisión los nodos de traducción

XLIFF es un formato estructurado diseñado para la localización, con el contenido dividido en muchas "unidades de traducción".
QueueLingo localizará estas unidades desde XLIFF, y solo...El texto que realmente necesita traducciónEnvíalo al motor de traducción.

2.2 Contenido HTML/Texto enriquecido: Extrae automáticamente el texto traducible y lo reemplaza con texto traducible.

Para contenido que contiene HTML (como etiquetas, enlaces, texto formateado):

• El sistema extraeráTexto visible traducible(En lugar de etiquetas, atributos y código estructural)

• Traduce el texto y luego...Reemplazar con precisión la estructura original.

Esto generalmente se puede reducir significativamente:

• Token no válido enviado al modelo (etiquetas HTML, estructuras duplicadas)

• La probabilidad de que el modelo "haga clic por error en una etiqueta/dañe la estructura"

Resultado: Al tiempo que se garantiza la calidad de la traducción,El consumo real de tokens es más económico.El coste también es más controlable.

3. Cómo funcionan los motores de traducción: MT frente a LLM

3.1 Traducción automática (TA)

• Adecuado para: escenarios que requieren una configuración rápida del proceso, requisitos de calidad moderados y sensibilidad al coste.

• Características: Estable, rápido y de alta disponibilidad.

3.2 Traducción neuronal LLM (capacidad de suscripción)

• Adecuado para: Contenido que requiere mayor atención a la expresión, el tono y la terminología específica del sector (documentos técnicos, B2B/B2C, material creativo de marketing, etc.).

• Características: Techo de mayor calidad, pero el costo está relacionado con la longitud del contenido y el precio del modelo.

4. Plantillas de indicaciones y "Indicaciones para el contenido del sitio web": Cómo orientar las traducciones hacia el ámbito empresarial

Al utilizar un sitio web de traducción de LLM, puede elegir la plantilla de aviso:

• b2bEspecializado, formal y con énfasis en el valor y la lógica.

• b2cNatural, fácil de leer y que enfatiza la experiencia y la emoción.

• tech_docTerminología precisa y coherente, y estructura clara.

• creativeSe inclina hacia la expresión creativa, el lenguaje de marketing y un estilo más flexible.

También permite rellenar.Perfil de sitio web personalizadoSe utiliza como complemento:

• Tono de la marca (por ejemplo, conciso y sobrio / entusiasta y dinámico / autoritario y profesional)

• Público objetivo y antecedentes del producto

• Preferencias terminológicas y expresiones para personas con discapacidad

• Directrices de traducción para campos específicos (como estilos de llamada a la acción, botones y títulos)

Función de glosario: Próximamente. Una vez implementada, la "coherencia terminológica" podrá consolidarse aún más mediante la formulación de reglas.

5. Ruta de ejecución con clave API integrada (no utiliza límites de plataforma)

Al configurar la clave API integrada:

• La solicitud de traducción utilizará su clave para llamar al servicio correspondiente.

• No consume crédito de la plataforma.

• La plataforma sigue ofreciendo funcionalidades como el alojamiento de colas, el seguimiento de tareas, la entrega automatizada y los registros de consumo y de actividad.

Esto es perfecto para:

• El equipo ya cuenta con un modelo de contrato/presupuesto con proveedores.

• Quiero consolidar las tarifas en mi propia factura de API.

• Se necesita una selección de modelos y un control de cuotas más flexibles.

6. ¿Por qué falla a veces? ¿Cómo se gestionan los fallos y el método de facturación?

Las tareas de LLM pueden fallar durante su ejecución. Las razones más comunes incluyen:

• El resultado del modelo es inestable (fluctuaciones de capacidad/fenómeno de "degradación de la inteligencia").

• Tiempo de espera agotado, limitación de velocidad, error de red

• El contenido de entrada es complejo (marcadores de posición, estructuras anidadas, codificación anómala).

• Clave no válida o saldo/cuota insuficiente (más común en situaciones donde tienes tu propia clave).

  El modelo personalizado tiene capacidades insuficientes y capacidades de traducción limitadas.

Principios de fracaso y deducción

• El sistema hará todo lo posible por reintentar la operación y tolerar los fallos (la estrategia específica depende de la implementación del producto).

• El cargo final se basará en el consumo real.:

  • LLM calcula el precio unitario del modelo en función de los tokens de entrada/salida reales.

  • Aunque la tarea falle, es posible que se generen algunos costes (por ejemplo, se ha enviado una solicitud y se ha recibido una respuesta parcial), tal como se registra en los detalles de consumo del sistema.

7. ¿Dónde se puede ver todo el proceso?

El backend normalmente proporciona dos puntos de entrada clave:

• Tarea de traducciónConsulta el estado de la tarea, el tiempo transcurrido, el motivo del fallo y la información sobre reintentos.

• Detalles del consumo de tareasConsulte los registros del motor/modelo, el token y la facturación de cada tarea (no se cobra crédito de la plataforma ni clave integrada).