浏览次数: 311 · 更新时间: 2025-12-29 21:56:28

QueueLingo for WPML 的核心目标是把 WPML 的翻译队列(XLIFF 任务)托管起来自动翻译,并自动交付回 WPML。你不需要手动导出/导入 XLIFF,也不需要在多个系统之间来回切换。


一句话概括

WPML 产出翻译任务 → QueueLingo 自动监听并接管 → 解析 XLIFF/HTML 可翻译节点 → 调用机器翻译或 LLM → 生成回写结果 → 推送回 WPML → 任务完成并记录消费明细。


1. 整体流程(从“发起任务”到“自动交付”)

下面是典型的全链路:

  1. WPML 创建翻译任务
    你在 WPML 中为文章/页面/字符串创建翻译任务后,WPML 会将其进入翻译队列,并生成对应的 XLIFF(或可映射为 XLIFF 的结构化任务)。

  2. QueueLingo 自动监听队列
    插件会持续监听 WPML 翻译队列的任务变化,识别出“待处理”的任务并接管处理(托管翻译)。

  3. 拉取任务并解析内容结构
    QueueLingo 获取到任务后,会解析 XLIFF 内容结构,定位可翻译节点(segments/units/targets 等),并准备翻译输入。

  4. 执行翻译(MT 或 LLM)

  • 免费用户:走免费机器翻译(MT),提供服务商包含google,edge,zov

  • 订阅用户:可用 LLM 神经翻译(也可以填写自定义 API Key 不走平台额度)

  1. 生成翻译结果并回写到任务
    翻译完成后,将目标语言文本写回对应节点,保持原有结构/占位符/标签尽量不变。

  2. 自动交付回 WPML
    完成的任务会被自动推送回 WPML,WPML 接收后就能进入后续的审核/发布流程。

  3. 记录任务与消费明细
    后台会生成:

  • 翻译任务记录(状态、耗时、失败原因等)

  • 任务消费明细(引擎/模型、token、扣费口径)


2. 为什么我们更省 token(优势)

QueueLingo 不会把整篇网页/整段 HTML 原样丢给 LLM,而是采用“只翻译需要翻译的部分”的策略:

2.1 XLIFF 任务:精确提取翻译节点

XLIFF 本身就是为本地化准备的结构化格式,内容被拆分成很多“翻译单元”。
QueueLingo 会从 XLIFF 中定位这些单元,只把真正需要翻译的文本送去翻译引擎。

2.2 HTML/富文本内容:自动抽取可翻译文本再替换回去

对于包含 HTML 的内容(例如带标签、链接、格式化文本):

  • 系统会抽取可翻译的可见文本(而不是标签、属性、结构代码)

  • 翻译后再将文本精准替换回原结构

这通常能显著减少:

  • 发送给模型的无效 token(HTML 标签、重复结构)

  • 模型“误翻标签/破坏结构”的概率

结果:在保证译文质量的同时,实际 token 消耗更节省,成本也更可控。


3. 翻译引擎如何工作:MT vs LLM

3.1 机器翻译(MT)

  • 适合:快速跑通流程、对质量要求中等、成本敏感场景

  • 特点:稳定、速度快、可用性强

3.2 LLM 神经翻译(订阅能力)

  • 适合:对表达、语气、行业用词更敏感的内容(B2B/B2C/技术文档/营销创意等)

  • 特点:质量上限更高,但成本与内容长度、模型价格相关


4. Prompt 模板与“网站资料 Prompt”:让翻译更贴近业务

在使用 LLM 翻译网站时,你可以选择 Prompt 模板:

  • b2b:偏专业、正式、强调价值与逻辑

  • b2c:偏自然、易读、强调体验与情绪

  • tech_doc:偏准确、术语一致、结构清晰

  • creative:偏创意表达、营销语言、风格更灵活

同时支持填写 自定义网站资料 Prompt,用于补充:

  • 品牌语气(例如:简洁克制/热情活泼/权威专业)

  • 目标受众与产品背景

  • 术语偏好与禁用表达

  • 特定字段翻译规范(如 CTA、按钮、标题风格)

术语表功能:即将上线。上线后可进一步把“术语一致性”固化为规则。


5. 自带 API Key(不走平台额度)的执行路径

当你配置了自带 API Key:

  • 翻译请求会使用你的 Key 调用对应服务

  • 不消耗平台额度

  • 平台仍然提供:队列托管、任务追踪、自动交付、日志与消费记录等能力

这非常适合:

  • 团队已有模型供应商合同/预算

  • 想把费用集中到自己的 API 账单

  • 需要更灵活的模型选择与限额控制


6. 为什么有时会失败?失败如何处理与扣费口径

LLM 任务在执行过程中可能失败,常见原因包括:

  • 模型输出不稳定(能力波动/“降智”现象)

  • 超时、限流、网络异常

  • 输入内容复杂(占位符、嵌套结构、异常编码)

  • Key 无效或余额/配额不足(自带 Key 场景更常见)

    自定义的模型能力不足、翻译能力有限

失败与扣费原则

  • 系统会尽量做重试与容错(具体策略以产品实现为准)

  • 最终扣费以实际消耗为准

    • LLM 按实际输入/输出 token 与模型单价结算

    • 若任务失败,仍可能产生部分消耗(例如已发送请求并得到部分响应),以后台消费明细记录为准


7. 你可以在哪里看到全过程

后台通常会提供两个关键入口:

  • 翻译任务:查看任务状态、耗时、失败原因、重试情况

  • 任务消费明细:查看每个任务的引擎/模型、token 与扣费记录(平台额度或自带 Key 不计费)

Email
info@savantlook.com
Wechat
xxxiaoxiyy