L'objectif principal de QueueLingo pour WPML est:Gérer la file d'attente de traduction de WPML (tâches XLIFF) pour la traduction automatique et le renvoi automatique à WPML.Vous n'avez pas besoin d'exporter/importer manuellement les fichiers XLIFF, ni de passer d'un système à l'autre.

En bref

WPML génère des tâches de traduction → QueueLingo écoute et prend automatiquement le relais → Analyse les nœuds traduisibles XLIFF/HTML → Appelle la traduction automatique ou LLM → Génère des résultats de réécriture → Renvoye à WPML → Tâche terminée et enregistre les détails de consommation.

1. Processus global (de « Lancement de la tâche » à « Livraison automatique »)

Voici un exemple de lien de bout en bout :

1. WPML Créer une tâche de traduction
   Une fois que vous avez créé une tâche de traduction pour un article/une page/une chaîne de caractères dans WPML, WPML l'ajoutera à la file d'attente de traduction et générera la tâche de traduction correspondante.XLIFF(Ou elle peut être associée à une tâche structurée de XLIFF).

2. File d'écoute automatique QueueLingo
   Le plugin surveille en permanence les modifications des tâches dans la file d'attente de traduction WPML, identifie les tâches « en attente » et prend en charge leur traitement (traduction gérée).

3. Récupérer les tâches et analyser la structure du contenu
   Une fois que QueueLingo reçoit une tâche, il analyse la structure du contenu XLIFF, localise les nœuds traduisibles (segments/unités/cibles, etc.) et prépare l'entrée de traduction.

4. Effectuer la traduction (MT ou LLM)

• Utilisateurs gratuits : Accédez gratuitementTraduction automatique (TA)Les prestataires de services comprennentGoogle, Edge, Zov

• Abonnés : disponiblesTraduction neuronale LLM(Vous pouvez également saisir une clé API personnalisée pour contourner la limite de crédit de la plateforme.)

5. Générez les résultats de la traduction et réinsérez-les dans la tâche.
   Après la traduction, le texte dans la langue cible est réécrit dans le nœud correspondant, en conservant autant que possible la structure, les espaces réservés et les balises d'origine.

6. Livraison automatique vers WPML
   Les tâches terminées seront automatiquement renvoyées à WPML, et une fois que WPML les aura reçues, elles pourront passer au processus de révision/publication suivant.

7. Détails de la tâche et de la consommation
   L'arrière-plan générera :

• Journal des tâches de traduction(État, temps écoulé, raison de l'échec, etc.)

• Détails de la consommation des tâches(Moteur/Modèle, Jeton, Mode de facturation)

2. Pourquoi nous économisons sur les jetons (avantage)

QueueLingo ne se contente pas de balancer l'intégralité du code HTML/de la page web au LLM, mais utilise plutôt un «Ne traduisez que les parties qui doivent l'être.La stratégie :

2.1 Tâche XLIFF : Extraire avec précision les nœuds de traduction

XLIFF est un format structuré conçu pour la localisation, dont le contenu est décomposé en de nombreuses « unités de traduction ».
QueueLingo localisera ces unités à partir du XLIFF, et seulement...Le texte qui a vraiment besoin d'être traduitEnvoyez-le au moteur de traduction.

2.2 Contenu HTML/Rich Text : Extraire automatiquement le texte traduisible et le remplacer par du texte traduisible.

Pour le contenu contenant du HTML (comme des balises, des liens, du texte formaté) :

• Le système extrairaTexte visible traduisible(Au lieu de balises, d'attributs et de code structurel)

• Traduisez le texte et ensuite...Remettre exactement à sa structure d'origine

Cela peut généralement être considérablement réduit :

• Jeton invalide envoyé au modèle (balises HTML, structures dupliquées)

• La probabilité que le modèle « clique mal sur une étiquette/endommage la structure »

Résultat : Tout en garantissant la qualité de la traduction,La consommation réelle de jetons est plus économique.Le coût est également plus facile à maîtriser.

3. Fonctionnement des moteurs de traduction : TA vs LLM

3.1 Traduction automatique (TA)

• Convient aux scénarios nécessitant une mise en place rapide des processus, des exigences de qualité modérées et une sensibilité aux coûts.

• Caractéristiques : Stable, rapide et hautement disponible

3.2 Traduction neuronale LLM (fonctionnalité d'abonnement)

• Convient pour : Les contenus plus sensibles à l'expression, au ton et à la terminologie spécifique au secteur (documents B2B/B2C/techniques/supports marketing, etc.).

• Caractéristiques : Plafond de qualité supérieure, mais le coût dépend de la longueur du contenu et du prix du modèle.

4. Modèles d'invites et « Invites pour le contenu du site Web » : Rendre les traductions plus orientées vers le monde des affaires

Lorsque vous utilisez un site web de traduction LLM, vous pouvez choisir le modèle d'invite :

• b2bSpécialisé, formel et mettant l'accent sur la valeur et la logique

• b2cNaturel, facile à lire et mettant l'accent sur l'expérience et l'émotion.

• tech_docTerminologie précise et cohérente, et structure claire

• creativeElle privilégie l'expression créative, le langage marketing et un style plus flexible.

Il permet également de remplir des champs.Invite de profil de site Web personnaliséUtilisé en complément :

• Ton de la marque (par exemple, concis et sobre / enthousiaste et dynamique / autoritaire et professionnel)

• Public cible et historique du produit

• Préférences terminologiques et expressions désactivées

• Règles de traduction pour des champs spécifiques (tels que les styles d'appel à l'action, de bouton et de titre)

Fonctionnalité de glossaire : Prochainement disponible. Une fois lancée, la « cohérence terminologique » pourra être formalisée en règles.

5. Chemin d'exécution avec clé API intégrée (n'utilise pas les limites de la plateforme)

Lorsque vous configurez la clé API intégrée :

• La demande de traduction utilisera votre clé pour appeler le service correspondant.

• Ne consomme pas de crédits de plateforme.

• La plateforme offre toujours des fonctionnalités telles que l'hébergement de files d'attente, le suivi des tâches, la livraison automatisée, ainsi que les journaux et les enregistrements de consommation.

C'est parfait pour :

• L'équipe dispose déjà d'un contrat/budget type pour les fournisseurs.

• Je souhaite regrouper les frais dans ma propre facture API.

• Il est nécessaire d'offrir une sélection de modèles et un contrôle des quotas plus flexibles.

6. Pourquoi cela échoue-t-il parfois ? Comment gérer les échecs et quelle est la méthode de facturation ?

Les tâches LLM peuvent échouer lors de leur exécution. Les raisons courantes sont les suivantes :

• Les résultats du modèle sont instables (fluctuations des capacités/phénomène de « dégradation de l’intelligence »).

• Délai d'attente dépassé, limitation de débit, erreur réseau

• Le contenu d'entrée est complexe (espaces réservés, structures imbriquées, encodage anormal).

• Clé invalide ou solde/quota insuffisant (plus fréquent dans les cas où vous avez votre propre clé).

  Le modèle personnalisé possède des capacités insuffisantes et des capacités de traduction limitées.

Principes de défaillance et de déduction

• Le système fera de son mieux pour réessayer et tolérer les erreurs (la stratégie spécifique dépend de l'implémentation du produit).

• Le montant final sera calculé en fonction de la consommation réelle.:

  • LLM calcule le prix unitaire du modèle en fonction des jetons d'entrée/sortie réels.

  • Même si la tâche échoue, certains coûts peuvent tout de même être encourus (par exemple, une requête a été envoyée et une réponse partielle a été reçue), comme indiqué dans les détails de consommation du backend.

7. Où peut-on suivre l'intégralité du processus ?

Le backend offre généralement deux points d'entrée principaux :

• tâche de traductionConsultez l'état de la tâche, le temps écoulé, la raison de l'échec et les informations sur les nouvelles tentatives.

• Détails de la consommation des tâchesConsultez le moteur/modèle, le jeton et les enregistrements de facturation pour chaque tâche (aucun crédit de plateforme ni clé intégrée n'est facturé).