1. 先搞清楚“AI汉化JSON”到底解决了什么痛点如果你经常需要处理一些软件、游戏或工具的配置文件、语言包尤其是那些以JSON格式存储的文本那你肯定遇到过“机翻灾难”。用传统的在线翻译工具或某些集成度不高的插件比如一些老旧的“mtool”类工具直接整段粘贴出来的中文经常是词不达意、语序混乱、术语错翻后期人工校对的工作量巨大几乎等于重翻。“AI高质量汉化JSON”这个思路核心就是绕过这种低质量的直接机翻。它利用现代大语言模型LLM对上下文的理解能力去处理JSON这种结构化的文本。最关键的价值不是“翻译”而是“在理解数据结构的前提下进行高质量的语义转换”。这意味着AI能区分哪些键key是程序识别的标识符不能动哪些值value是需要翻译的用户界面文本它能保持术语的一致性比如同一个英文单词在文件里出现几十次翻译成同一个中文词它甚至能根据上下文把一些缩写或特定短语翻译得更符合中文习惯。这篇文章适合任何需要批量、准确处理JSON文件内文本内容的开发者、本地化爱好者或普通用户。你不用懂深度学习只需要明确你的需求把一堆JSON文件里的英文或其他语言内容变成通顺、准确、符合技术语境的中文同时保持文件结构原封不动。2. 动手之前环境、工具与核心思路拆解在开始找具体工具或写代码之前我们先得把这件事的“可操作性”讲清楚。这不是一个魔法按钮点一下就能完美输出而是一个需要你稍作配置的自动化流程。2.1 你需要准备什么待翻译的JSON文件这是你的原材料。确保你有权修改它并且最好有备份。一个能调用AI模型的途径这是“引擎”。目前的主流选择有几个大厂开放API如 OpenAI 的 GPT 系列、DeepSeek、智谱AI、月之暗面Kimi等提供的API。它们稳定质量高但通常需要付费可能有免费额度。本地开源模型如 Qwen、Llama、Gemma 等模型的量化版通过 Ollama、LM Studio 等工具在本地运行。完全免费但对电脑硬件尤其是内存和显存有要求速度可能较慢。一些集成好的开源项目有些开发者已经将翻译流程和AI调用封装成了工具你可能只需要配置一下API密钥。一个处理JSON的脚本核心这是“流水线”。你需要一段代码Python是最常见的来执行以下流程读取JSON文件。遍历其结构识别出需要翻译的文本值通常要排除一些特定的键名如”id”,”code”,”filepath”等。将提取出的文本组织成合适的提示Prompt发送给AI。接收AI返回的翻译结果并精准地写回JSON的对应位置。保存新的JSON文件。重要概念提示词Prompt是质量的关键。你不能简单地把句子扔给AI说“翻译”。一个基本的提示词应该包括角色设定“你是一名专业的软件本地化工程师。”任务指令“请将以下JSON值中的英文用户界面文本翻译成专业、流畅、符合中国大陆用语习惯的中文。保持术语一致不要翻译JSON键名和程序代码。”输出格式要求“只返回翻译后的中文文本不要添加任何额外解释。”2.2 免费路线的具体选择标题强调“完全免费”那么最可行的免费路线就是使用本地开源模型。以下是具体考量模型选择对于翻译任务不需要追求千亿参数的最新模型。一个7B70亿或13B参数的模型在4-bit或8-bit量化后通常就能提供远超传统机翻的质量。例如Qwen2.5-7B-Instruct、Llama 3.2-3B-Instruct都是不错的起点对硬件要求相对友好。硬件门槛内存运行7B量化模型建议至少有16GB系统内存。8B以下模型可能能在8GB内存上运行但会比较吃力。显存如果有NVIDIA显卡GPU体验会好很多。6GB显存可以尝试运行7B 4-bit量化模型。纯CPU运行也可以但速度会慢很多。磁盘模型文件本身从几GB到十几GB不等需要预留空间。工具链Ollama目前最易用的本地大模型运行框架。安装后一行命令如ollama run qwen2.5:7b就能拉取并运行模型它同时提供了简单的API接口供你的脚本调用。LM Studio图形化界面更适合新手探索和测试模型它也提供本地API服务器。text-generation-webui功能更强大的Web界面同样支持API。我的建议是先从 Ollama 开始。它简化了模型下载和管理让你能快速聚焦在“如何用AI处理JSON”这个核心问题上。3. 从零搭建你的免费AI JSON汉化流水线我们假设一个最常见的场景你有一个en.json文件里面存储了软件的英文界面文本你想生成一个zh-CN.json。我们将使用Python Ollama运行本地模型这条免费路线。3.1 第一步搭建本地AI环境安装Ollama访问 Ollama 官网根据你的操作系统Windows/macOS/Linux下载安装包。安装完成后打开终端命令行。拉取一个适合翻译的轻量模型例如ollama pull qwen2.5:3b-instruct这里用3B模型确保大多数机器都能跑起来实际翻译质量已足够。如果你的机器性能好可以换成qwen2.5:7b-instruct或llama3.2:3b-instruct运行模型服务模型拉取完成后它默认就在后台准备就绪了。Ollama 的API服务通常运行在http://localhost:11434。3.2 第二步编写Python翻译脚本你需要安装Python并安装requests库用于调用API。pip install requests创建一个名为translate_json.py的文件内容如下。请仔细阅读注释import json import requests import time from pathlib import Path # 配置区 OLLAMA_API_URL http://localhost:11434/api/generate # Ollama API地址 MODEL_NAME qwen2.5:3b-instruct # 你拉取的模型名称 SOURCE_JSON_PATH “en.json” # 源JSON文件路径 TARGET_JSON_PATH “zh-CN.json” # 目标JSON文件路径 # 定义哪些键key对应的值不需要翻译比如id, code, file等程序标识符 KEYS_TO_SKIP [‘id’, ‘code’, ‘name’, ‘key’, ‘file’, ‘path’, ‘url’, ‘version’, ‘author’] # 注意这个列表需要你根据自己JSON文件的实际情况调整 # 系统提示词 - 这是翻译质量的核心 SYSTEM_PROMPT “””你是一名专业的软件本地化工程师。你的任务是将用户提供的英文文本翻译成中文。 要求 1. 翻译结果必须专业、流畅、符合中国大陆用户的阅读习惯。 2. 保持技术术语的一致性。 3. 如果文本是按钮、菜单、标签翻译需简洁明了。 4. 不要添加任何额外的解释只返回翻译后的中文文本。 “”” # 函数调用本地Ollama API进行翻译 def translate_text(text): prompt f”{SYSTEM_PROMPT}\n\n需要翻译的文本{text}” payload { “model”: MODEL_NAME, “prompt”: prompt, “stream”: False, # 我们不需要流式输出一次性返回即可 “options”: { “temperature”: 0.1, # 温度调低让输出更确定、更稳定 } } try: response requests.post(OLLAMA_API_URL, jsonpayload, timeout60) response.raise_for_status() result response.json() return result.get(“response”, “”).strip() except requests.exceptions.RequestException as e: print(f”翻译请求失败: {e}”) return text # 如果失败返回原文 except KeyError: print(“API返回格式异常”) return text # 函数递归遍历JSON翻译需要翻译的字符串值 def translate_json_obj(obj, parent_key”): if isinstance(obj, dict): # 如果是字典遍历每一个键值对 new_dict {} for key, value in obj.items(): # 如果当前键在跳过列表中并且它的值是字符串则跳过翻译 if key.lower() in [k.lower() for k in KEYS_TO_SKIP] and isinstance(value, str): new_dict[key] value print(f”跳过键 ‘{key}’: {value}”) else: # 否则递归处理值 new_dict[key] translate_json_obj(value, parent_keykey) return new_dict elif isinstance(obj, list): # 如果是列表递归处理列表中的每个元素 return [translate_json_obj(item, parent_keyparent_key) for item in obj] elif isinstance(obj, str): # 如果是字符串并且不是空字符串或纯数字则进行翻译 if obj and not obj.isdigit(): print(f”正在翻译: {obj}”) translated translate_text(obj) print(f”翻译结果: {translated}”) # 简单延迟避免请求过快如果模型在本地可以调低或去掉 time.sleep(0.5) return translated else: return obj else: # 数字、布尔值、None等原样返回 return obj # 主程序 def main(): print(“开始加载JSON文件…”) try: with open(SOURCE_JSON_PATH, ‘r’, encoding‘utf-8’) as f: data json.load(f) except FileNotFoundError: print(f”错误找不到源文件 {SOURCE_JSON_PATH}”) return except json.JSONDecodeError as e: print(f”错误JSON文件格式不正确 - {e}”) return print(“开始翻译过程这可能需要一些时间取决于文件大小…”) translated_data translate_json_obj(data) print(“翻译完成正在保存文件…”) try: with open(TARGET_JSON_PATH, ‘w’, encoding‘utf-8’, newline‘\n’) as f: # ensure_asciiFalse 确保中文不被转义成 \u 格式 json.dump(translated_data, f, ensure_asciiFalse, indent2) print(f”成功已保存翻译后的文件至{TARGET_JSON_PATH}”) except IOError as e: print(f”保存文件失败: {e}”) if __name__ “__main__”: main()3.3 第三步运行与验证将你的英文en.json文件放在与translate_json.py同一目录下。确保 Ollama 服务正在运行终端里能看到模型信息。在终端中运行脚本python translate_json.py观察终端输出。你会看到它跳过了一些键并逐条翻译字符串。翻译完成后会在同目录生成zh-CN.json。验证结果结构检查用文本编辑器或IDE如VSCode同时打开源文件和目标文件对比结构是否完全一致。键key应该都没有被改动。质量抽查随机检查一些条目的翻译是否通顺、准确术语是否一致。功能测试如果这是一个软件语言包将生成的文件替换到软件中查看实际界面显示效果。4. 关键细节、避坑与进阶优化脚本能跑起来只是第一步。要让这个流程真正可靠、高效你需要关注下面这些细节。4.1 必须配置的“跳过键”列表这是避免破坏JSON功能的关键。脚本里的KEYS_TO_SKIP列表必须根据你的文件内容仔细配置。程序标识符如”id”,”code”,”key”,”type”。这些值如果被翻译程序可能无法识别。技术路径/名称如”file”,”path”,”url”,”className”,”functionName”。格式占位符如包含”%s”,”{0}”的字符串。这些需要保留原样AI有时会“好心”地翻译掉它们。枚举值有些值看起来是英文单词但其实是程序内部使用的枚举常量不应翻译。排查方法先在一个小样本或备份文件上运行仔细观察终端输出的“跳过键”日志检查是否有本应跳过的键被误翻译了或者本应翻译的键被跳过了。4.2 处理复杂嵌套与数组上面的脚本已经通过递归函数处理了嵌套的字典dict和列表list这是通用做法。但要小心一种情况数组里混合了需要翻译和不需要翻译的对象。例如“items”: [ { “id”: “item1”, “displayName”: “Start Game” }, { “code”: “OPT_AUDIO”, “label”: “Audio Settings” } ]我们的脚本会对数组里的每个对象递归调用translate_json_obj而该函数会检查每个对象内部的键。”id”和”code”在KEYS_TO_SKIP列表中所以”item1”和”OPT_AUDIO”会被跳过而”displayName”和”label”会被翻译。这通常是符合预期的。4.3 提升翻译质量的Prompt技巧提供上下文如果某些术语很特殊可以在SYSTEM_PROMPT里直接说明。例如“’Portal’在本软件上下文中指代传送门请统一翻译为‘传送门’不要翻译为‘门户’或‘入口’。”分句处理有些JSON值可能是长段落。虽然AI能处理但拆分成单句有时准确率更高。你可以在脚本里用句号、分号等简单分割然后批量发送翻译注意API可能有token长度限制。术语表对于大型项目维护一个{“英文”: “中文”}的术语表JSON文件。在调用AI翻译前先用这个表进行全局替换可以极大保证一致性。温度Temperature脚本中设置为0.1这会让AI的输出非常确定和一致。如果你发现翻译结果过于死板可以稍微调高到0.3但不要超过0.7否则会引入随机性。4.4 性能、稳定性与错误处理速率限制与延迟即使是本地模型连续快速调用也可能导致服务响应变慢或出错。脚本中的time.sleep(0.5)是一个简单的缓冲。对于大批量文件可以考虑更健壮的队列和重试机制。网络问题针对API如果你未来改用云端API必须加入重试逻辑和更详细的错误处理如requests.exceptions.ConnectionError,requests.exceptions.Timeout。Token限制模型有上下文长度限制。不要试图把整个巨大的JSON文件一次性塞给AI。我们的脚本是逐字段翻译完美避开了这个问题。保存进度翻译一个超大的JSON文件时如果中途出错或中断你会希望从中断处继续。你可以修改脚本将已翻译的部分定期保存到临时文件实现简单的断点续传。4.5 免费路线的替代与扩展使用多个免费API额度一些国内外的AI服务提供少量免费额度。你可以写一个简单的负载均衡器在多个API Key间轮询延长免费使用的时长。但要注意不同API的响应格式可能不同。图形化界面GUI工具如果你不想写代码可以搜索一些开源项目例如Bilingual Translator、OpenAI Translator等它们通常支持加载本地模型或配置API并提供文件翻译功能。你需要检查它们是否支持结构化地翻译JSON即保留键而不是把整个文件当作文本处理。集成到开发流程对于开发者可以将此脚本与构建工具如Webpack、Gulp或CI/CD流水线结合在构建时自动生成多语言版本。5. 当翻译结果不理想时如何排查跑起来之后如果翻译质量达不到预期不要急着换模型或否定整个方案。按以下顺序排查检查输入AI翻译的源文本质量如何是否包含大量拼写错误、网络俚语或极其专业的领域术语如果源文本就很差需要先预处理。审查Prompt这是最可能出问题的地方。你的系统提示词SYSTEM_PROMPT是否足够清晰、具体有没有明确告诉AI“不要翻译键名”、“保持术语一致”尝试修改和强化你的Prompt。验证跳过逻辑是否有关键的程序标识符被误翻译了检查KEYS_TO_SKIP列表并查看运行日志。测试模型能力用同一个Prompt在Ollama的聊天界面里手动输入几条待翻译的文本看模型本身的输出是否合理。如果在这里就不行说明这个模型不适合翻译任务考虑换一个更大的或专门训练过的模型如qwen2.5:7b-instruct。调整参数尝试微调temperature降低以获得更稳定输出但不要为0或者为复杂的句子提供更详细的上下文。后处理AI翻译后用简单的查找替换进行后处理修正一些系统性错误。例如如果AI总是把”Log”翻译成“日志”但你的场景需要“记录”就全局替换一下。最终建议不要追求100%全自动。将AI汉化视为一个“超级增强版的机翻”它能帮你完成95%的枯燥工作剩下5%需要你进行关键术语的校准和语感的微调。这个投入产出比已经远远超过和原始的“垃圾机翻”搏斗了。先从一个小而具体的JSON文件开始跑通整个流程理解每一个环节然后再扩展到更复杂的项目中去。 免费AI汉化JSON文件：基于本地大模型的自动化翻译实践
1. 先搞清楚“AI汉化JSON”到底解决了什么痛点如果你经常需要处理一些软件、游戏或工具的配置文件、语言包尤其是那些以JSON格式存储的文本那你肯定遇到过“机翻灾难”。用传统的在线翻译工具或某些集成度不高的插件比如一些老旧的“mtool”类工具直接整段粘贴出来的中文经常是词不达意、语序混乱、术语错翻后期人工校对的工作量巨大几乎等于重翻。“AI高质量汉化JSON”这个思路核心就是绕过这种低质量的直接机翻。它利用现代大语言模型LLM对上下文的理解能力去处理JSON这种结构化的文本。最关键的价值不是“翻译”而是“在理解数据结构的前提下进行高质量的语义转换”。这意味着AI能区分哪些键key是程序识别的标识符不能动哪些值value是需要翻译的用户界面文本它能保持术语的一致性比如同一个英文单词在文件里出现几十次翻译成同一个中文词它甚至能根据上下文把一些缩写或特定短语翻译得更符合中文习惯。这篇文章适合任何需要批量、准确处理JSON文件内文本内容的开发者、本地化爱好者或普通用户。你不用懂深度学习只需要明确你的需求把一堆JSON文件里的英文或其他语言内容变成通顺、准确、符合技术语境的中文同时保持文件结构原封不动。2. 动手之前环境、工具与核心思路拆解在开始找具体工具或写代码之前我们先得把这件事的“可操作性”讲清楚。这不是一个魔法按钮点一下就能完美输出而是一个需要你稍作配置的自动化流程。2.1 你需要准备什么待翻译的JSON文件这是你的原材料。确保你有权修改它并且最好有备份。一个能调用AI模型的途径这是“引擎”。目前的主流选择有几个大厂开放API如 OpenAI 的 GPT 系列、DeepSeek、智谱AI、月之暗面Kimi等提供的API。它们稳定质量高但通常需要付费可能有免费额度。本地开源模型如 Qwen、Llama、Gemma 等模型的量化版通过 Ollama、LM Studio 等工具在本地运行。完全免费但对电脑硬件尤其是内存和显存有要求速度可能较慢。一些集成好的开源项目有些开发者已经将翻译流程和AI调用封装成了工具你可能只需要配置一下API密钥。一个处理JSON的脚本核心这是“流水线”。你需要一段代码Python是最常见的来执行以下流程读取JSON文件。遍历其结构识别出需要翻译的文本值通常要排除一些特定的键名如”id”,”code”,”filepath”等。将提取出的文本组织成合适的提示Prompt发送给AI。接收AI返回的翻译结果并精准地写回JSON的对应位置。保存新的JSON文件。重要概念提示词Prompt是质量的关键。你不能简单地把句子扔给AI说“翻译”。一个基本的提示词应该包括角色设定“你是一名专业的软件本地化工程师。”任务指令“请将以下JSON值中的英文用户界面文本翻译成专业、流畅、符合中国大陆用语习惯的中文。保持术语一致不要翻译JSON键名和程序代码。”输出格式要求“只返回翻译后的中文文本不要添加任何额外解释。”2.2 免费路线的具体选择标题强调“完全免费”那么最可行的免费路线就是使用本地开源模型。以下是具体考量模型选择对于翻译任务不需要追求千亿参数的最新模型。一个7B70亿或13B参数的模型在4-bit或8-bit量化后通常就能提供远超传统机翻的质量。例如Qwen2.5-7B-Instruct、Llama 3.2-3B-Instruct都是不错的起点对硬件要求相对友好。硬件门槛内存运行7B量化模型建议至少有16GB系统内存。8B以下模型可能能在8GB内存上运行但会比较吃力。显存如果有NVIDIA显卡GPU体验会好很多。6GB显存可以尝试运行7B 4-bit量化模型。纯CPU运行也可以但速度会慢很多。磁盘模型文件本身从几GB到十几GB不等需要预留空间。工具链Ollama目前最易用的本地大模型运行框架。安装后一行命令如ollama run qwen2.5:7b就能拉取并运行模型它同时提供了简单的API接口供你的脚本调用。LM Studio图形化界面更适合新手探索和测试模型它也提供本地API服务器。text-generation-webui功能更强大的Web界面同样支持API。我的建议是先从 Ollama 开始。它简化了模型下载和管理让你能快速聚焦在“如何用AI处理JSON”这个核心问题上。3. 从零搭建你的免费AI JSON汉化流水线我们假设一个最常见的场景你有一个en.json文件里面存储了软件的英文界面文本你想生成一个zh-CN.json。我们将使用Python Ollama运行本地模型这条免费路线。3.1 第一步搭建本地AI环境安装Ollama访问 Ollama 官网根据你的操作系统Windows/macOS/Linux下载安装包。安装完成后打开终端命令行。拉取一个适合翻译的轻量模型例如ollama pull qwen2.5:3b-instruct这里用3B模型确保大多数机器都能跑起来实际翻译质量已足够。如果你的机器性能好可以换成qwen2.5:7b-instruct或llama3.2:3b-instruct运行模型服务模型拉取完成后它默认就在后台准备就绪了。Ollama 的API服务通常运行在http://localhost:11434。3.2 第二步编写Python翻译脚本你需要安装Python并安装requests库用于调用API。pip install requests创建一个名为translate_json.py的文件内容如下。请仔细阅读注释import json import requests import time from pathlib import Path # 配置区 OLLAMA_API_URL http://localhost:11434/api/generate # Ollama API地址 MODEL_NAME qwen2.5:3b-instruct # 你拉取的模型名称 SOURCE_JSON_PATH “en.json” # 源JSON文件路径 TARGET_JSON_PATH “zh-CN.json” # 目标JSON文件路径 # 定义哪些键key对应的值不需要翻译比如id, code, file等程序标识符 KEYS_TO_SKIP [‘id’, ‘code’, ‘name’, ‘key’, ‘file’, ‘path’, ‘url’, ‘version’, ‘author’] # 注意这个列表需要你根据自己JSON文件的实际情况调整 # 系统提示词 - 这是翻译质量的核心 SYSTEM_PROMPT “””你是一名专业的软件本地化工程师。你的任务是将用户提供的英文文本翻译成中文。 要求 1. 翻译结果必须专业、流畅、符合中国大陆用户的阅读习惯。 2. 保持技术术语的一致性。 3. 如果文本是按钮、菜单、标签翻译需简洁明了。 4. 不要添加任何额外的解释只返回翻译后的中文文本。 “”” # 函数调用本地Ollama API进行翻译 def translate_text(text): prompt f”{SYSTEM_PROMPT}\n\n需要翻译的文本{text}” payload { “model”: MODEL_NAME, “prompt”: prompt, “stream”: False, # 我们不需要流式输出一次性返回即可 “options”: { “temperature”: 0.1, # 温度调低让输出更确定、更稳定 } } try: response requests.post(OLLAMA_API_URL, jsonpayload, timeout60) response.raise_for_status() result response.json() return result.get(“response”, “”).strip() except requests.exceptions.RequestException as e: print(f”翻译请求失败: {e}”) return text # 如果失败返回原文 except KeyError: print(“API返回格式异常”) return text # 函数递归遍历JSON翻译需要翻译的字符串值 def translate_json_obj(obj, parent_key”): if isinstance(obj, dict): # 如果是字典遍历每一个键值对 new_dict {} for key, value in obj.items(): # 如果当前键在跳过列表中并且它的值是字符串则跳过翻译 if key.lower() in [k.lower() for k in KEYS_TO_SKIP] and isinstance(value, str): new_dict[key] value print(f”跳过键 ‘{key}’: {value}”) else: # 否则递归处理值 new_dict[key] translate_json_obj(value, parent_keykey) return new_dict elif isinstance(obj, list): # 如果是列表递归处理列表中的每个元素 return [translate_json_obj(item, parent_keyparent_key) for item in obj] elif isinstance(obj, str): # 如果是字符串并且不是空字符串或纯数字则进行翻译 if obj and not obj.isdigit(): print(f”正在翻译: {obj}”) translated translate_text(obj) print(f”翻译结果: {translated}”) # 简单延迟避免请求过快如果模型在本地可以调低或去掉 time.sleep(0.5) return translated else: return obj else: # 数字、布尔值、None等原样返回 return obj # 主程序 def main(): print(“开始加载JSON文件…”) try: with open(SOURCE_JSON_PATH, ‘r’, encoding‘utf-8’) as f: data json.load(f) except FileNotFoundError: print(f”错误找不到源文件 {SOURCE_JSON_PATH}”) return except json.JSONDecodeError as e: print(f”错误JSON文件格式不正确 - {e}”) return print(“开始翻译过程这可能需要一些时间取决于文件大小…”) translated_data translate_json_obj(data) print(“翻译完成正在保存文件…”) try: with open(TARGET_JSON_PATH, ‘w’, encoding‘utf-8’, newline‘\n’) as f: # ensure_asciiFalse 确保中文不被转义成 \u 格式 json.dump(translated_data, f, ensure_asciiFalse, indent2) print(f”成功已保存翻译后的文件至{TARGET_JSON_PATH}”) except IOError as e: print(f”保存文件失败: {e}”) if __name__ “__main__”: main()3.3 第三步运行与验证将你的英文en.json文件放在与translate_json.py同一目录下。确保 Ollama 服务正在运行终端里能看到模型信息。在终端中运行脚本python translate_json.py观察终端输出。你会看到它跳过了一些键并逐条翻译字符串。翻译完成后会在同目录生成zh-CN.json。验证结果结构检查用文本编辑器或IDE如VSCode同时打开源文件和目标文件对比结构是否完全一致。键key应该都没有被改动。质量抽查随机检查一些条目的翻译是否通顺、准确术语是否一致。功能测试如果这是一个软件语言包将生成的文件替换到软件中查看实际界面显示效果。4. 关键细节、避坑与进阶优化脚本能跑起来只是第一步。要让这个流程真正可靠、高效你需要关注下面这些细节。4.1 必须配置的“跳过键”列表这是避免破坏JSON功能的关键。脚本里的KEYS_TO_SKIP列表必须根据你的文件内容仔细配置。程序标识符如”id”,”code”,”key”,”type”。这些值如果被翻译程序可能无法识别。技术路径/名称如”file”,”path”,”url”,”className”,”functionName”。格式占位符如包含”%s”,”{0}”的字符串。这些需要保留原样AI有时会“好心”地翻译掉它们。枚举值有些值看起来是英文单词但其实是程序内部使用的枚举常量不应翻译。排查方法先在一个小样本或备份文件上运行仔细观察终端输出的“跳过键”日志检查是否有本应跳过的键被误翻译了或者本应翻译的键被跳过了。4.2 处理复杂嵌套与数组上面的脚本已经通过递归函数处理了嵌套的字典dict和列表list这是通用做法。但要小心一种情况数组里混合了需要翻译和不需要翻译的对象。例如“items”: [ { “id”: “item1”, “displayName”: “Start Game” }, { “code”: “OPT_AUDIO”, “label”: “Audio Settings” } ]我们的脚本会对数组里的每个对象递归调用translate_json_obj而该函数会检查每个对象内部的键。”id”和”code”在KEYS_TO_SKIP列表中所以”item1”和”OPT_AUDIO”会被跳过而”displayName”和”label”会被翻译。这通常是符合预期的。4.3 提升翻译质量的Prompt技巧提供上下文如果某些术语很特殊可以在SYSTEM_PROMPT里直接说明。例如“’Portal’在本软件上下文中指代传送门请统一翻译为‘传送门’不要翻译为‘门户’或‘入口’。”分句处理有些JSON值可能是长段落。虽然AI能处理但拆分成单句有时准确率更高。你可以在脚本里用句号、分号等简单分割然后批量发送翻译注意API可能有token长度限制。术语表对于大型项目维护一个{“英文”: “中文”}的术语表JSON文件。在调用AI翻译前先用这个表进行全局替换可以极大保证一致性。温度Temperature脚本中设置为0.1这会让AI的输出非常确定和一致。如果你发现翻译结果过于死板可以稍微调高到0.3但不要超过0.7否则会引入随机性。4.4 性能、稳定性与错误处理速率限制与延迟即使是本地模型连续快速调用也可能导致服务响应变慢或出错。脚本中的time.sleep(0.5)是一个简单的缓冲。对于大批量文件可以考虑更健壮的队列和重试机制。网络问题针对API如果你未来改用云端API必须加入重试逻辑和更详细的错误处理如requests.exceptions.ConnectionError,requests.exceptions.Timeout。Token限制模型有上下文长度限制。不要试图把整个巨大的JSON文件一次性塞给AI。我们的脚本是逐字段翻译完美避开了这个问题。保存进度翻译一个超大的JSON文件时如果中途出错或中断你会希望从中断处继续。你可以修改脚本将已翻译的部分定期保存到临时文件实现简单的断点续传。4.5 免费路线的替代与扩展使用多个免费API额度一些国内外的AI服务提供少量免费额度。你可以写一个简单的负载均衡器在多个API Key间轮询延长免费使用的时长。但要注意不同API的响应格式可能不同。图形化界面GUI工具如果你不想写代码可以搜索一些开源项目例如Bilingual Translator、OpenAI Translator等它们通常支持加载本地模型或配置API并提供文件翻译功能。你需要检查它们是否支持结构化地翻译JSON即保留键而不是把整个文件当作文本处理。集成到开发流程对于开发者可以将此脚本与构建工具如Webpack、Gulp或CI/CD流水线结合在构建时自动生成多语言版本。5. 当翻译结果不理想时如何排查跑起来之后如果翻译质量达不到预期不要急着换模型或否定整个方案。按以下顺序排查检查输入AI翻译的源文本质量如何是否包含大量拼写错误、网络俚语或极其专业的领域术语如果源文本就很差需要先预处理。审查Prompt这是最可能出问题的地方。你的系统提示词SYSTEM_PROMPT是否足够清晰、具体有没有明确告诉AI“不要翻译键名”、“保持术语一致”尝试修改和强化你的Prompt。验证跳过逻辑是否有关键的程序标识符被误翻译了检查KEYS_TO_SKIP列表并查看运行日志。测试模型能力用同一个Prompt在Ollama的聊天界面里手动输入几条待翻译的文本看模型本身的输出是否合理。如果在这里就不行说明这个模型不适合翻译任务考虑换一个更大的或专门训练过的模型如qwen2.5:7b-instruct。调整参数尝试微调temperature降低以获得更稳定输出但不要为0或者为复杂的句子提供更详细的上下文。后处理AI翻译后用简单的查找替换进行后处理修正一些系统性错误。例如如果AI总是把”Log”翻译成“日志”但你的场景需要“记录”就全局替换一下。最终建议不要追求100%全自动。将AI汉化视为一个“超级增强版的机翻”它能帮你完成95%的枯燥工作剩下5%需要你进行关键术语的校准和语感的微调。这个投入产出比已经远远超过和原始的“垃圾机翻”搏斗了。先从一个小而具体的JSON文件开始跑通整个流程理解每一个环节然后再扩展到更复杂的项目中去。