WPML向けQueueLingoの核となる目標は:WPMLの翻訳キュー（XLIFFタスク）を管理し、自動翻訳とWPMLへの自動配信を実現します。XLIFFを手動でエクスポート/インポートする必要はなく、複数のシステム間を行ったり来たりする必要もありません。
要するに
WPML が翻訳タスクを生成します → QueueLingo が自動的に監視して引き継ぎます → XLIFF/HTML 翻訳可能なノードを解析します → 機械翻訳または LLM を呼び出します → 書き戻し結果を生成します → WPML にプッシュバックします → タスクが完了し、消費の詳細が記録されます。
1. 全体プロセス（「タスク開始」から「自動配信」まで）
以下は、典型的なエンドツーエンドリンクの例です。
WPML 翻訳タスクの作成
WPMLで記事/ページ/文字列の翻訳タスクを作成すると、WPMLはそれを翻訳キューに追加し、対応する翻訳タスクを生成します。XLIFF（あるいは、XLIFFの構造化タスクにマッピングすることもできます。）QueueLingo 自動リスニングキュー
このプラグインは、WPML翻訳キュー内のタスクの変更を継続的に監視し、「保留中」のタスクを特定して、それらの処理を引き継ぎます（マネージド翻訳）。タスクを取得し、コンテンツ構造を解析する
QueueLingoはタスクを受け取ると、XLIFFコンテンツ構造を解析し、翻訳可能なノード（セグメント/ユニット/ターゲットなど）を特定し、翻訳入力を準備します。翻訳業務（機械翻訳または法学翻訳）を行う
無料ユーザー：無料でアクセス機械翻訳（MT）サービスプロバイダーには以下が含まれますGoogle、Edge、Zov
購読者：利用可能LLM神経翻訳（あるいは、カスタムAPIキーを入力することで、プラットフォームのクレジット制限を回避することもできます。）
翻訳結果を生成し、タスクに書き戻す。
翻訳後、元の構造、プレースホルダー、タグを可能な限り変更せずに、対応するノードに翻訳後の言語テキストが書き戻されます。WPMLへの自動配信
完了したタスクは自動的にWPMLに送信され、WPMLがそれらを受信すると、後続のレビュー/公開プロセスに進むことができます。タスクと消費の詳細を記録する
背景画像には以下が含まれます。
翻訳タスクログ（ステータス、経過時間、失敗理由など）
タスク消費の詳細（エンジン／モデル、トークン、課金方法）
2. トークンを節約できる理由（メリット）
QueueLingo は単にウェブページ/HTML コード全体を LLM に渡すのではなく、代わりに「翻訳が必要な部分のみを翻訳してください。戦略：
2.1 XLIFFタスク：翻訳ノードを正確に抽出する
XLIFFはローカライズ用に設計された構造化フォーマットであり、コンテンツは多数の「翻訳単位」に分割されています。
QueueLingoはXLIFFからこれらのユニットを特定し、そして...本当に翻訳が必要なテキスト翻訳エンジンに送信してください。
2.2 HTML/リッチテキストコンテンツ：翻訳可能なテキストを自動的に抽出し、翻訳可能なテキストに置き換えます。
HTMLを含むコンテンツ（タグ、リンク、書式付きテキストなど）の場合：
システムは抽出します翻訳可能な表示テキスト（タグ、属性、構造コードの代わりに）
テキストを翻訳してから…元の構造に正確に復元する
これは通常、大幅に削減できます。
モデルに無効なトークンが送信されました（HTMLタグ、重複構造など）。
モデルが「ラベルを誤ってクリックしたり、構造を損傷したりする」確率
結果：翻訳の品質を確保しながら、実際のトークン消費量はより経済的です。コスト管理もより容易になる。
3. 翻訳エンジンの仕組み：機械翻訳とLLMの違い
3.1 機械翻訳（MT）
適したシナリオ：迅速なプロセス設定、中程度の品質要件、およびコストに対する感度が求められる場合。
特徴：安定性、高速性、高可用性
3.2 LLMニューラル翻訳（サブスクリプション機能）
適した用途：表現、トーン、業界特有の用語に敏感なコンテンツ（B2B/B2C/技術文書/マーケティングクリエイティブなど）
特徴：天井の品質は高いが、コストはコンテンツの長さとモデル価格に関係する。
4. プロンプトテンプレートと「ウェブサイト素材プロンプト」：翻訳をよりビジネス指向にする
LLM翻訳ウェブサイトを利用する際は、以下のプロンプトテンプレートを選択できます。
b2b専門的で形式的であり、価値と論理を重視するb2c自然で読みやすく、経験や感情を重視している。tech_doc正確で一貫性のある用語と明確な構成creativeそれは、創造的な表現、マーケティング用語、そしてより柔軟なスタイルを重視する傾向がある。
入力欄への入力にも対応しています。カスタムウェブサイトプロフィールプロンプト補助的に使用されるもの：
ブランドトーン（例：簡潔で抑制的／熱意にあふれ活気がある／権威的でプロフェッショナル）
対象顧客と製品の背景
用語の好みと障害者表現
特定のフィールド（CTA、ボタン、タイトルスタイルなど）の翻訳ガイドライン
用語集機能：近日公開予定。リリース後は、「用語の一貫性」をさらに強化し、ルールとして確立することができます。
5. 組み込みAPIキーを使用した実行パス（プラットフォームの制限は使用しません）
組み込みAPIキーを設定する場合：
翻訳リクエストは、あなたのキーを使用して対応するサービスを呼び出します。
プラットフォームクレジットは消費しません。
このプラットフォームは、キューのホスティング、タスクの追跡、自動配信、ログおよび消費記録などの機能を引き続き提供しています。
これは以下のような場合に最適です。
チームには既に、サプライヤーとの契約書と予算のモデルが存在する。
複数の料金をまとめて、自分のAPI請求書にしたいです。
より柔軟なモデル選択と割り当て管理が必要である。
6. なぜ時々失敗するのですか？失敗時の対処方法と請求方法について教えてください。
LLMタスクは実行中に失敗する可能性があります。一般的な原因としては、以下のようなものがあります。
モデルの出力は不安定である（能力の変動／「知能低下」現象）。
タイムアウト、レート制限、ネットワークエラー
入力内容は複雑です（プレースホルダー、ネスト構造、異常なエンコーディング）。
無効なキー、または残高/割り当て量が不足しています（これは、独自のキーを持っている場合によく発生します）。
カスタムモデルは機能が不十分で、翻訳機能も限られています。
失敗と演繹の原理
システムは可能な限り再試行し、障害を許容するように努めます（具体的な戦略は製品の実装によって異なります）。
最終的な料金は、実際の使用量に基づいて計算されます。:
LLMは、実際の入出力トークンに基づいてモデル単価を計算します。
タスクが失敗した場合でも、バックエンドの消費明細に記録されるように、一部のコストが発生する可能性があります（例えば、リクエストが送信され、部分的な応答が受信された場合など）。
7. 全過程をどこで見ることができますか？
バックエンドは通常、2つの主要なエントリーポイントを提供します。
翻訳タスクタスクのステータス、経過時間、失敗理由、再試行情報を表示します。
タスク消費の詳細各タスクのエンジン/モデル、トークン、および請求記録を表示します（プラットフォームクレジットまたは組み込みキーは課金されません）。