AI大模型探索之路-实战篇1：基于OpenAI智能翻译助手实战落地

---

前言

在全球化的浪潮中，语言翻译需求日益增长。市场上涌现出各式各样的翻译工具和平台，然而，免费的解决方案往往局限于简短文本的翻译。面对长篇文档，用户通常不得不转向付费服务。鉴于大型预训练语言模型（LLMs）在自然语言翻译上的显著优势，利用这些模型打造一款高效、经济的翻译工具，不仅能满足市场需求，同时亦具备极高的商业潜力与数据安全性。

针对这一需求，我们提出了一个基于OpenAI智能翻译助手的实战落地项目。该项目旨在开发一款支持多语种互译、兼容多种文件格式的翻译工具，以满足用户对长篇文档翻译的需求。

---

一、需求规格描述

1)支持包括但不限于PDF、Word等多样化的文件格式；
2)实现多语种间的互译功能；
3)兼容并优化多种大型预训练语言模型架构设计

二、系统架构设计

1）用户通过客户端上传待翻译文件；
2）系统后端进行文件解析，调用适配的大型模型执行翻译任务，并将翻译结果整合为新文档；
3）最终将翻译后的文档返回给用户以供下载。

三、技术实施方案

1)方案一：基于目标大型模型选择对应的API接口，自主封装模型调用流程；
2)方案二：采用LangChain框架，以简化大型模型集成过程，该框架负责隔离并封装模型调用细节。

本次先采用方案一实现，后续再引入LangChain框架简化改造。

四、核心功能说明

1. 文本：高精度文本解析；
2. 表格：表格内容智能辨识与翻译；
3. 图片：图片内文字暂不予处理，考虑到其处理难度及相对较低的需求优先级。

五、开源技术选型

选择对文本和表格支持性比较好的pdfplumber

六、代码实现细节

1.图形用户界面（GUI）的开发

核心代码样例：

def launch_gui(args):
    global global_args
    global_args = args
    iface = gr.Interface(
        fn=translate_with_gui,
        inputs=[
            gr.File(label="上传PDF文件"),
            gr.Dropdown(choices=["中文", "日语", "西班牙语"], value="中文", label="选择目标语言"),  # 这里添加了default参数
            gr.Dropdown(choices=["OpenAIModel", "GLMModel"], value="OpenAIModel", label="选择大模型"),  # 这里添加了default参数
            gr.Radio(choices=["PDF", "Markdown","word"], value="PDF", label="选择输出格式")  # 选择输出格式
        ],
        outputs=gr.Textbox(label="输出结果")
    )
    iface.launch()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2.大型模型调用的模块化封装

核心代码样例：

class OpenAIModel(Model):
    def __init__(self, model: str, api_key: str):
        self.model = model
        openai.api_key = api_key

    def make_request(self, prompt):
        attempts = 0
        while attempts < 3:
            try:
                if self.model == "gpt-3.5-turbo":
                    response = openai.ChatCompletion.create(
                        model=self.model,
                        messages=[
                            #{"role": "system", "content": super.get_system_prompt()},
                            {"role": "user", "content": prompt},
                        ]
                    )
                    translation = response.choices[0].message['content'].strip()
                else:
                    response = openai.Completion.create(
                        model=self.model,
                        prompt=prompt,
                        max_tokens=150,
                        temperature=0
                    )
                    translation = response.choices[0].text.strip()

                return translation, True

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

3.文档解析翻译结果处理

1）文档解析：引用工具插件将对文档进行解析，页、内容（文段、表格、图片）
2）文档翻译：调用大模型API翻译：文段、表格
3）文档生成：将翻译后的内容回写生成新文档、输出下载
核心代码样例：

# 定义一个PDFTranslator类
class PDFTranslator:
    # 定义初始化函数，接收一个model_name参数
    def __init__(self, model: Model):
        # 创建一个model对象，用于执行翻译任务
        self.model = model
        # 创建一个PDFParser对象，用于解析PDF文件
        self.pdf_parser = PDFParser()
        # 创建一个Writer对象，用于写入文件
        self.writer = Writer()

    def translate_pdf(self, pdf_file_path: str, file_format: str = 'PDF', target_language: str = 'Chinese',
                      output_file_path: str = None, pages: Optional[int] = None):
        # 使用PDFParser对象解析指定的PDF文件，并将结果赋值给self.book
        self.book = self.pdf_parser.parse_pdf(pdf_file_path, pages)

        # 遍历self.book的每一页
        for page_idx, page in enumerate(self.book.pages):
            # 遍历每一页的每个内容
            for content_idx, content in enumerate(page.contents):
                #生成提示语
                prompt = self.model.translate_prompt(content, target_language)

                LOG.debug(prompt)
                translation, status = self.model.make_request(prompt)
                LOG.info(translation)

                # 更新self.document.pages中的内容
                content.apply_translated_paragraphs(translation)
                """
                用book对象存储翻译的结果
                """
                self.book.pages[page_idx].contents[content_idx].set_translation(translation, status)

        # 使用Writer对象保存翻译后的书籍，并返回保存的路径
        return self.writer.save_translated_book(self.book, output_file_path, file_format)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

---

总结

1）Prompt工程是翻译质量的核心，要求开发者精通其构造与优化技巧；
2）LangChain的使用大幅简化了大型模型的集成和操作，极大提升了开发效率；
3）展望更多应用场景，例如基于大型模型重构的翻译应用、语音点餐系统、智能旅行助手、订票平台以及打车服务等，均有望在不久的将来得到实质性进展。

通过这个项目的实施，我们成功地实现了一个基于OpenAI智能翻译助手的实战落地工具。该工具不仅满足了市场对长篇文档翻译的需求，还具备高效、经济的特点，并且保证了数据的安全性。我们相信，随着技术的不断进步和应用场景的扩展，该工具将在未来得到更广泛的应用和发展。

声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop】