O objetivo principal do QueueLingo para WPML é:Gerencie a fila de traduções do WPML (tarefas XLIFF) para tradução automática e entrega automática de volta ao WPML.Você não precisa exportar/importar XLIFF manualmente, nem precisa alternar entre vários sistemas.
Resumidamente
O WPML gera tarefas de tradução → O QueueLingo escuta e assume o controle automaticamente → Analisa os nós traduzíveis em XLIFF/HTML → Chama a tradução automática ou o LLM → Gera resultados de retorno → Envia de volta para o WPML → Tarefa concluída e registra os detalhes de consumo.
1. Processo geral (da "Iniciação da tarefa" à "Entrega automática")
Abaixo, segue um exemplo típico de um link de ponta a ponta:
WPML Criar tarefa de tradução
Depois de criar uma tarefa de tradução para um artigo/página/texto no WPML, o WPML irá adicioná-la à fila de traduções e gerar a tarefa de tradução correspondente.XLIFF(Ou pode ser mapeado para uma tarefa estruturada em XLIFF).Fila de escuta automática QueueLingo
O plugin monitora continuamente as alterações de tarefas na fila de tradução do WPML, identifica tarefas "pendentes" e assume o seu processamento (tradução gerenciada).Recuperar tarefas e analisar a estrutura do conteúdo
Após receber uma tarefa, o QueueLingo analisa a estrutura de conteúdo XLIFF, localiza os nós traduzíveis (segmentos/unidades/alvos, etc.) e prepara a entrada para a tradução.Realizar tradução (MT ou LLM)
Usuários gratuitos: Acesse gratuitamenteTradução automática (TA)Os prestadores de serviços incluemGoogle, Edge, Zov
Assinantes: DisponíveisTradução Neural LLM(Alternativamente, você pode inserir uma chave de API personalizada para contornar o limite de crédito da plataforma.)
Gere os resultados da tradução e escreva-os de volta na tarefa.
Após a tradução, o texto no idioma de destino é reescrito no nó correspondente, mantendo a estrutura original, os marcadores de posição e as etiquetas o mais inalterados possível.Envio automático de volta para o WPML
As tarefas concluídas serão enviadas automaticamente de volta para o WPML e, assim que o WPML as receber, elas poderão prosseguir para o processo subsequente de revisão/publicação.Registre os detalhes da tarefa e do consumo.
O plano de fundo será gerado:
Registro de tarefas de tradução(Status, tempo decorrido, motivo da falha, etc.)
Detalhes do consumo de tarefas(Motor/Modelo, Token, Método de Cobrança)
2. Por que economizamos em fichas (vantagem)
O QueueLingo não simplesmente joga toda a página web/código HTML no LLM, mas em vez disso usa um "Traduza apenas as partes que precisam ser traduzidas.A estratégia:
2.1 Tarefa XLIFF: Extrair nós de tradução com precisão
XLIFF é um formato estruturado projetado para localização, com o conteúdo dividido em várias "unidades de tradução".
QueueLingo localizará essas unidades a partir do XLIFF e somente...O texto que realmente precisa de tradução.Envie para o mecanismo de tradução.
2.2 Conteúdo HTML/Rich Text: Extrai automaticamente o texto traduzível e o substitui por outro texto traduzível.
Para conteúdo que contenha HTML (como tags, links, texto formatado):
O sistema irá extrairTexto visível traduzível(Em vez de tags, atributos e código estrutural)
Traduza o texto e depois...Recoloque exatamente a estrutura original.
Isso geralmente pode ser reduzido significativamente:
Token inválido enviado ao modelo (tags HTML, estruturas duplicadas)
A probabilidade de o modelo "clicar incorretamente em um rótulo/danificar a estrutura"
Resultado: Ao mesmo tempo que se garante a qualidade da tradução,O consumo real de tokens é mais econômico.O custo também é mais controlável.
3. Como funcionam os mecanismos de tradução: TA vs. LLM
3.1 Tradução automática (TA)
Indicado para: cenários que exigem configuração rápida de processos, requisitos de qualidade moderados e sensibilidade a custos.
Características: Estável, rápido e altamente disponível
3.2 Tradução Neural LLM (Recurso de Assinatura)
Indicado para: Conteúdo que exige maior atenção à expressão, tom e terminologia específica do setor (B2B/B2C/documentos técnicos/peças de marketing, etc.)
Características: Forro de alta qualidade, mas o custo está relacionado à extensão do conteúdo e ao preço do modelo.
4. Modelos de instruções e "Sugestões de conteúdo para sites": tornando as traduções mais orientadas para negócios
Ao usar um site de tradução de mestrado em Direito (LLM), você pode escolher o modelo de prompt:
b2bEspecializado, formal e com ênfase em valor e lógica.b2cNatural, de fácil leitura e com ênfase na experiência e na emoção.tech_docTerminologia precisa e consistente, e estrutura clara.creativeTem inclinação para a expressão criativa, linguagem de marketing e um estilo mais flexível.
Também permite o preenchimento.Perfil personalizado do site PromptUtilizado como suplemento:
Tom da marca (ex.: conciso e sóbrio / entusiasmado e dinâmico / autoritário e profissional)
Público-alvo e contexto do produto
Preferências de terminologia e expressões desativadas
Diretrizes de tradução para campos específicos (como estilos de CTA, botão e título)
Recurso de glossário: Em breve. Após o lançamento, a "consistência terminológica" poderá ser ainda mais consolidada em regras.
5. Caminho de execução com chave de API integrada (não utiliza limites da plataforma)
Ao configurar a chave de API integrada:
A solicitação de tradução usará sua chave para chamar o serviço correspondente.
Não consome créditos da plataforma.
A plataforma ainda oferece funcionalidades como hospedagem de filas, rastreamento de tarefas, entrega automatizada e registros de log e consumo.
Isso é perfeito para:
A equipe já possui um contrato/orçamento modelo com fornecedores.
Quero consolidar as taxas na minha própria fatura da API.
É necessário um modelo de seleção mais flexível e um maior controle de quotas.
6. Por que às vezes falha? Como lidar com falhas e qual o método de faturamento?
As tarefas do LLM podem falhar durante a execução. Os motivos comuns incluem:
O resultado do modelo é instável (flutuações de capacidade/fenômeno de “degradação da inteligência”).
Tempo limite, limitação de taxa, erro de rede
O conteúdo de entrada é complexo (marcadores de posição, estruturas aninhadas, codificação anormal).
Chave inválida ou saldo/cota insuficiente (mais comum em cenários onde você possui sua própria chave).
O modelo personalizado possui funcionalidades insuficientes e capacidades de tradução limitadas.
Princípios de Falha e Dedução
O sistema fará o possível para tentar novamente e tolerar falhas (a estratégia específica está sujeita à implementação do produto).
O valor final será calculado com base no consumo real.:
A LLM calcula o preço unitário do modelo com base nos tokens de entrada/saída reais.
Mesmo que a tarefa falhe, alguns custos ainda podem ser incorridos (por exemplo, uma solicitação foi enviada e uma resposta parcial foi recebida), conforme registrado nos detalhes de consumo do backend.
7. Onde posso acompanhar todo o processo?
O backend normalmente oferece dois pontos de entrada principais:
Tarefa de traduçãoVisualize o status da tarefa, o tempo decorrido, o motivo da falha e as informações sobre novas tentativas.
Detalhes do consumo de tarefasVisualize o mecanismo/modelo, o token e os registros de faturamento para cada tarefa (crédito da plataforma ou chave integrada não são cobrados).