企业官网建设流程全解析

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？

1. 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。
2. 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。
3. 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7B（70亿）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

1. 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）

2. 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, json=payload, timeout=60) 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_key=key) 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_key=parent_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_ascii=False 确保中文不被转义成 \u 格式 json.dump(translated_data, f, ensure_ascii=False, indent=2) 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

1. 将你的英文en.json文件放在与translate_json.py同一目录下。
2. 确保 Ollama 服务正在运行（终端里能看到模型信息）。
3. 在终端中运行脚本：

   python translate_json.py

4. 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：

1. 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。
2. 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。
3. 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。
4. 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）。
5. 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。
6. 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。