Основная цель QueueLingo для WPML заключается в следующем::Управление очередью переводов WPML (задачи XLIFF) для автоматического перевода и автоматической доставки обратно в WPML.Вам не нужно вручную экспортировать/импортировать файлы XLIFF, а также переключаться между несколькими системами.
Суммируя
WPML генерирует задачи перевода → QueueLingo автоматически прослушивает и берет на себя управление → Анализирует узлы, подлежащие переводу в форматах XLIFF/HTML → Вызывает машинный перевод или LLM → Генерирует результаты обратной записи → Отправляет данные обратно в WPML → Задача выполнена, и записываются сведения о потреблении.
1. Общий процесс (от «инициирования задачи» до «автоматической доставки»)
Ниже представлен типичный пример сквозного соединения:
WPML Создать задачу перевода
После создания задачи перевода для статьи/страницы/строки в WPML, WPML добавит её в очередь перевода и сгенерирует соответствующую задачу перевода.XLIFF(Или же это можно сопоставить со структурированной задачей XLIFF).QueueLingo Автоматическая очередь прослушивания
Плагин постоянно отслеживает изменения задач в очереди переводов WPML, выявляет «ожидающие» задачи и берет на себя их обработку (управляемый перевод).Получение задач и анализ структуры контента.
После получения задания QueueLingo анализирует структуру содержимого XLIFF, находит переводимые узлы (сегменты/единицы/цели и т. д.) и подготавливает входные данные для перевода.Выполнить перевод (машинный перевод или перевод на язык программирования LLM)
Бесплатные пользователи: Воспользуйтесь бесплатным доступомМашинный перевод (МТ)В число поставщиков услуг входятGoogle, Edge, Zov
Подписчики: ДоступноLLM Нейронный перевод(В качестве альтернативы вы можете ввести собственный API-ключ, чтобы обойти лимит кредитов платформы.)
Сгенерировать результаты перевода и записать их обратно в задачу.
После перевода текст на целевом языке записывается обратно в соответствующий узел, при этом исходная структура, заполнители и теги сохраняются в максимально неизменном виде.Автоматическая доставка обратно в WPML
Выполненные задачи будут автоматически отправлены обратно в WPML, и как только WPML их получит, они смогут перейти к последующему процессу проверки/публикации.Запишите подробности задачи и потребления.
В результате выполнения фонового процесса будет сгенерировано:
Журнал задач перевода(Статус, прошедшее время, причина сбоя и т. д.)
Подробная информация о потреблении задач(Двигатель/Модель, Токен, Способ оплаты)
2. Почему мы экономим на токенах (преимущество)
QueueLingo не просто отправляет весь код веб-страницы/HTML в LLM, а вместо этого использует "Переводите только те части, которые нуждаются в переводе.Стратегия:
2.1 Задача XLIFF: Точное извлечение узлов перевода
XLIFF — это структурированный формат, предназначенный для локализации, в котором контент разбит на множество «единиц перевода».
QueueLingo определит местоположение этих устройств через XLIFF, и только...Текст, который действительно нуждается в переводе.Отправьте это в систему перевода.
2.2 HTML/форматированный текст: автоматическое извлечение переводимого текста и замена его переводимым текстом.
Для контента, содержащего HTML (например, теги, ссылки, форматированный текст):
Система извлечетПереводимый видимый текст(Вместо тегов, атрибутов и структурного кода)
Переведите текст, а затем...Точно восстановите исходную структуру.
Обычно это можно значительно уменьшить:
В модель отправлен недействительный токен (HTML-теги, повторяющиеся структуры).
Вероятность того, что модель "неправильно нажмет на метку/повредит структуру"
Результат: Обеспечивая при этом качество перевода,Фактическое потребление токенов оказывается более экономичным.Кроме того, затраты становятся более контролируемыми.
3. Как работают системы перевода: машинный перевод против перевода с использованием языка программирования LLM
3.1 Машинный перевод (МТ)
Подходит для: сценариев, требующих быстрой настройки процесса, умеренных требований к качеству и чувствительности к стоимости.
Особенности: Стабильная, быстрая и высокодоступная работа.
3.2 Нейронный перевод LLM (возможность подписки)
Подходит для: Контента, требующего особого внимания к выражению мыслей, тону и отраслевой терминологии (B2B/B2C/техническая документация/маркетинговые материалы и т. д.).
Особенности: Потолок более высокого качества, но стоимость зависит от длины содержимого и цены модели.
4. Шаблоны подсказок и «Подсказки для веб-материалов»: повышение деловой направленности переводов.
При использовании сайта для перевода дипломных работ магистратуры вы можете выбрать шаблон «Задание»:
b2bСпециализированный, формальный подход, с акцентом на ценности и логику.b2cЕстественный, легко читаемый текст, в котором особое внимание уделяется опыту и эмоциям.tech_docТочная, последовательная терминология и четкая структура.creativeОно тяготеет к творческому самовыражению, маркетинговому языку и более гибкому стилю.
Оно также поддерживает заполнение.Пользовательский профиль веб-сайта. Подсказка.Используется в качестве дополнения к:
Фирменный стиль (например, лаконичный и сдержанный / восторженный и энергичный / авторитетный и профессиональный)
Целевая аудитория и информация о продукте
Терминологические предпочтения и выражения, касающиеся инвалидности
Рекомендации по переводу для отдельных полей (например, стилей призывов к действию, кнопок и заголовков).
Функция глоссария: Скоро будет доступна. После запуска «терминологическая согласованность» может быть дополнительно закреплена в виде правил.
5. Путь выполнения с использованием встроенного ключа API (не использует ограничения платформы)
При настройке встроенного ключа API:
Запрос на перевод будет использовать ваш ключ для вызова соответствующей службы.
Не расходует кредиты платформы.
Платформа по-прежнему предоставляет такие возможности, как размещение очередей, отслеживание задач, автоматизированная доставка, а также ведение журналов и учет потребления.
Это идеально подходит для:
У команды уже есть типовой договор с поставщиком/бюджет.
Я хочу объединить все комиссии в один счет за API.
Необходимы более гибкие методы выбора моделей и контроля квот.
6. Почему иногда возникают сбои? Как обрабатывать сбои и какой метод выставления счетов использовать?
Задачи LLM могут завершаться с ошибкой во время выполнения. Распространенные причины включают:
Результаты работы модели нестабильны (колебания способностей/явление «снижения интеллекта»).
Тайм-аут, ограничение скорости, сетевая ошибка
Входные данные имеют сложную структуру (заполнители, вложенные структуры, аномальное кодирование).
Недействительный ключ или недостаточный баланс/квота (чаще встречается в случаях, когда у вас есть собственный ключ).
Пользовательская модель обладает недостаточными возможностями и ограниченными возможностями перевода.
Принципы неудачи и дедукции
Система приложит все усилия для повторных попыток и обеспечения устойчивости к сбоям (конкретная стратегия зависит от реализации в продукте).
Окончательная сумма к оплате будет рассчитана исходя из фактического потребления.:
LLM рассчитывает цену за единицу модели на основе фактических входных/выходных токенов.
Даже если задача не будет выполнена, могут быть понесены определенные затраты (например, запрос был отправлен, и получен частичный ответ), что отражено в деталях потребления на стороне бэкэнда.
7. Где можно наблюдать за всем процессом?
Как правило, бэкэнд предоставляет две основные точки входа:
Задача переводаПросмотрите статус задачи, прошедшее время, причину сбоя и информацию о повторной попытке.
Подробная информация о потреблении задачПросмотрите информацию о движке/модели, токене и платежных записях для каждой задачи (кредиты платформы или встроенный ключ не списываются).