co-op-translator

605 88 简单 1 次阅读 2天前MIT语言模型图像

AI 解读由 AI 自动生成，仅供参考

co-op-translator 是一款专为 GitHub 项目设计的自动化文档翻译工具，旨在帮助开发者轻松将教育类内容或技术文档同步翻译成多种语言。随着项目的不断迭代，手动维护多语言文档往往耗时费力且容易滞后，co-op-translator 通过自动化流程解决了这一痛点，确保原文更新时，各语言版本也能随之智能同步，大幅降低国际化门槛。

这款工具特别适合开源项目维护者、技术文档工程师以及教育内容创作者使用。其核心亮点在于深度集成了 Azure AI Services，能够利用先进的自然语言处理技术提供高质量的翻译结果。目前，它已支持包括简体中文、繁体中文（涵盖港澳台地区）、法语、德语、日语等在内的全球 50 余种语言，能够满足 diverse 的全球化需求。

除了强大的翻译能力，co-op-translator 还具备良好的工程化特性，支持 Python 3.10 至 3.12 环境，并提供 PyPI 包和 Docker 容器镜像，方便用户灵活部署到本地或 CI/CD 流水线中。无论是初创的个人项目还是大型开源社区，都能借助它高效地构建多语言文档体系，让知识无国界地传播。

使用场景

某开源教育项目团队维护着一个包含大量教程的 GitHub 仓库，随着全球贡献者增加，急需将文档同步翻译成中文、西班牙语和日语等十多种语言。

没有 co-op-translator 时

人工翻译成本高昂：每次更新英文原文后，需手动联系志愿者或付费翻译，耗时数周才能完成多语言版本同步。
内容严重滞后：由于翻译流程繁琐，非英语用户看到的往往是过时的文档，导致操作报错和学习困惑。
维护一致性困难：不同语言的文档结构容易在多次修改中发生偏离，难以确保所有语言版本的章节和代码示例完全对应。
扩展新语言门槛高：若想新增一种小语种支持，需要重新搭建整套翻译工作流，技术协调成本极大。

使用 co-op-translator 后

自动化即时同步：配置一次后，co-op-translator 利用 Azure AI Services 自动检测英文变动并生成多语言译文，将更新周期从数周缩短至分钟级。
全球用户零时差体验：所有语言版本的文档与源文件保持实时一致，非英语用户也能第一时间获取最新教程和修复方案。
结构化精准对齐：工具自动维持目录结构和代码块格式，确保四十多种语言的文档在演进过程中始终严格对应，消除人为排版错误。
一键拓展语种：只需在配置文件中添加语言代码，co-op-translator 即可立即支持新的目标语言，无需额外开发投入。

co-op-translator 通过将繁琐的多语言文档维护转化为自动化流水线，让开源教育项目真正实现了“一次编写，全球同步”。

运行环境要求

操作系统

Linux
macOS
Windows

GPU

未说明

内存

未说明

依赖

notes该工具主要依赖云端 LLM 服务（Azure OpenAI 或 OpenAI）进行翻译，本地无需高性能 GPU。可选配置 Azure AI Vision 用于图片翻译。支持通过 Docker 容器运行。建议使用虚拟环境安装。

python3.10-3.12

co-op-translator

快速开始

合作翻译工具

随着您的项目不断发展，轻松自动化并维护教育类 GitHub 内容的多语言翻译。

🌐 多语言支持

由 Co-op Translator 提供支持

更倾向于本地克隆吗？

此仓库包含 50 多种语言的翻译，这会显著增加下载大小。若要不包含翻译进行克隆，请使用稀疏检出：
git clone --filter=blob:none --sparse https://github.com/*****.git
cd *****
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
这样您就能获得完成课程所需的一切，同时下载速度更快。

概述

Co-op Translator 可帮助您轻松将教育类 GitHub 内容本地化为多种语言。当您更新 Markdown 文件、图片或笔记本时，翻译内容会自动保持同步，确保面向全球学习者的相关内容始终准确且最新。

翻译内容组织方式示例：

翻译状态的管理方式

Co-op Translator 将翻译内容视为 版本化的软件工件，而非静态文件。

该工具通过 语言范围的元数据 来跟踪翻译后的 Markdown、图片和笔记本的状态。

这种设计使 Co-op Translator 能够：

可靠地检测过时的翻译
对 Markdown、图片和笔记本进行一致处理
在大型、快速变化的多语言仓库中安全扩展

通过将翻译建模为受管理的工件，翻译工作流程自然与现代软件依赖管理和工件管理实践相契合。

→ 翻译状态的管理方式

快速入门

# 创建并激活虚拟环境（推荐）
python -m venv .venv
# Windows
.venv\Scripts\activate
# macOS/Linux
source .venv/bin/activate
# 安装包
pip install co-op-translator
# 翻译
translate -l "ko ja fr" -md

Docker：

# 从 GHCR 拉取公共镜像
docker pull ghcr.io/azure/co-op-translator:latest

# 使用当前文件夹挂载并提供 .env 文件运行（Bash/Zsh）
docker run --rm -it --env-file .env -v "${PWD}:/work" ghcr.io/azure/co-op-translator:latest -l "ko ja fr" -md

最小化设置

确保您已安装受支持的 Python 版本（目前为 3.10-3.12）。在 Poetry（pyproject.toml）中，这会自动处理。
使用模板创建 .env 文件：.env.template
配置一个 LLM 提供商（Azure OpenAI 或 OpenAI）。
（可选）对于图像翻译（-img），配置 Azure AI Vision。
（可选）您可以通过复制变量并添加 _1、_2 等后缀来配置多个凭据集。同一组中的所有变量必须使用相同的后缀。
（推荐）清理之前的翻译文件以避免冲突（例如 translations/）。
（推荐）使用 README 语言模板在您的 README 中添加翻译部分。
参阅：设置 Azure AI

使用方法

翻译所有支持的类型：

translate -l "ko ja"

仅 Markdown：

translate -l "de" -md

Markdown + 图像：

translate -l "pt" -md -img

仅笔记本：

translate -l "zh" -nb

更多标志：命令参考

功能

自动化翻译 Markdown、笔记本和图像
保持翻译与源文件更改同步
可在本地（CLI）或 CI（GitHub Actions）中使用
使用 Azure OpenAI 或 OpenAI；可选 Azure AI Vision 用于图像
保留 Markdown 格式和结构

文档

Microsoft 特定指南

[!NOTE] 仅供 Microsoft “For Beginners” 仓库的维护者使用。

更新“其他课程”列表（仅适用于 MS Beginners 仓库）

支持我们，促进全球学习

加入我们，共同革新教育内容在全球范围内的共享方式！请在 GitHub 上为 Co-op Translator 点赞，并支持我们打破学习和技术领域语言障碍的使命。您的关注和贡献将产生重大影响！代码贡献和功能建议随时欢迎。

用您的语言探索 Microsoft 的教育内容

视频演示

👉 点击下方图片即可在 YouTube 上观看。

Open at Microsoft：一段简短的 18 分钟介绍，以及如何使用 Co-op Translator 的快速指南。

贡献

本项目欢迎贡献和建议。有兴趣参与 Azure Co-op Translator 的开发吗？请参阅我们的 CONTRIBUTING.md，了解如何帮助使 Co-op Translator 更加易用。

贡献者

行为准则

本项目已采用 Microsoft 开源行为准则。如需更多信息，请参阅行为准则常见问题解答，或发送邮件至 opencode@microsoft.com 咨询任何其他问题或意见。

负责任的人工智能

微软致力于帮助客户负责任地使用我们的AI产品，分享我们的经验教训，并通过透明度说明和影响评估等工具建立基于信任的合作关系。这些资源中的许多都可以在 https://aka.ms/RAI 找到。微软在负责任的AI方面的做法以我们的AI原则为基础，即公平性、可靠性和安全性、隐私与安全、包容性、透明度以及问责制。

像本示例中使用的大型自然语言、图像和语音模型一样，这些模型可能会表现出不公平、不可靠或冒犯性的行为，从而造成危害。请查阅 Azure OpenAI 服务透明度说明，以了解相关风险和局限性。

建议的缓解这些风险的方法是在您的架构中加入一个安全系统，用于检测并阻止有害行为。Azure AI 内容安全提供了一个独立的保护层，能够检测应用程序和服务中由用户生成及AI生成的有害内容。Azure AI 内容安全包括文本和图像API，可帮助您检测有害内容。我们还提供交互式的内容安全工作室，让您能够查看、探索并试用针对不同模态的有害内容检测示例代码。以下的快速入门文档将指导您如何向该服务发送请求。

另一个需要考虑的因素是整体应用程序性能。对于多模态和多模型的应用程序，我们认为性能是指系统能够按照您和用户的期望运行，包括不产生有害输出。使用生成质量以及风险与安全指标来评估整个应用程序的性能非常重要。您可以在开发环境中使用prompt flow SDK来评估您的AI应用程序。无论您使用的是测试数据集还是目标，您的生成式AI应用程序的输出都将通过内置评估器或您选择的自定义评估器进行定量测量。要开始使用prompt flow SDK来评估您的系统，您可以参考快速入门指南。执行评估后，您可以在Azure AI Studio中可视化结果。

商标

该项目可能包含项目、产品或服务的商标或徽标。对微软商标或徽标的授权使用须遵守并符合微软商标与品牌指南。在该项目的修改版本中使用微软商标或徽标时，不得造成混淆或暗示得到微软的赞助。任何第三方商标或徽标的使用均应遵循相应第三方的政策。

获取帮助

如果您在构建AI应用时遇到困难或有任何疑问，请加入：

如果您在构建过程中遇到产品反馈或错误，请访问：

Co-op Translator 快速上手指南

Co-op Translator 是一款专为教育类 GitHub 项目设计的自动化工具，可轻松将 Markdown、Jupyter Notebook 和图片内容同步翻译为多种语言。当源文件更新时，它能自动检测并更新过期的翻译，确保多语言内容始终一致。

环境准备

操作系统：Windows、macOS 或 Linux
Python 版本：3.10 – 3.12（推荐使用虚拟环境）
依赖服务（二选一配置）：
- Azure OpenAI 或 OpenAI API（用于文本翻译）
- Azure AI Vision（可选，用于图片内文字翻译）
网络要求：需能访问所选 LLM 服务商接口（国内用户建议配置代理或使用合规的国内大模型接入方案）

安装步骤

方式一：通过 pip 安装（推荐）

# 创建并激活虚拟环境
python -m venv .venv

# Windows
.venv\Scripts\activate

# macOS/Linux
source .venv/bin/activate

# 安装 co-op-translator
pip install co-op-translator

💡 国内用户如遇到 PyPI 下载慢，可使用清华镜像源：
pip install co-op-translator -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 Docker

# 拉取镜像
docker pull ghcr.io/azure/co-op-translator:latest

# 运行（需挂载当前目录并提供 .env 文件）
docker run --rm -it --env-file .env -v "${PWD}:/work" ghcr.io/azure/co-op-translator:latest

基本使用

1. 配置文件

在项目根目录创建 .env 文件（可参考 .env.template），至少配置一个 LLM 提供商：

# 示例：使用 OpenAI
OPENAI_API_KEY=your_openai_api_key_here

# 或使用 Azure OpenAI
AZURE_OPENAI_API_KEY=your_azure_key
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
AZURE_OPENAI_DEPLOYMENT_NAME=your-deployment-name

如需翻译图片中的文字，还需配置 AZURE_AI_VISION_ENDPOINT 和 AZURE_AI_VISION_KEY。

2. 执行翻译

以下命令将把项目中的 Markdown、Notebook 和图片内容翻译为韩语、日语和法语：

translate -l "ko ja fr"

常用组合示例：

# 仅翻译 Markdown
translate -l "de" -md

# 翻译 Markdown 和图片
translate -l "pt" -md -img

# 仅翻译 Jupyter Notebook
translate -l "zh" -nb

翻译结果将自动保存在 translations/<语言代码>/ 目录下，并保持原有项目结构。

完成上述步骤后，你的项目即可实现多语言内容的自动化同步维护。更多高级用法（如 GitHub Actions 集成、多凭证配置等）请参考官方文档。

版本历史

v0.17.22026/03/30

v0.17.02026/03/17

v0.16.82026/02/16

v0.16.72026/02/11

v0.16.52026/02/10

v0.16.42026/02/09

v0.16.32026/02/02

v0.16.22026/01/29

v0.16.0rc12026/01/28

v0.15.12026/01/15

v0.15.02026/01/15

v0.14.12026/01/12

v0.14.02026/01/07

v0.13.42026/01/02

v0.13.32025/12/27

v0.13.12025/12/27

v0.13.02025/12/26

v0.12.62025/12/26

v0.12.52025/12/21

v0.12.42025/12/17

常见问题

使用 Azure OpenAI 时遇到 'The OpenAI model ID is required' 错误怎么办？

如何在本地运行项目测试？

日语翻译中链接格式不正确（如出现多余引号或括号）如何解决？

翻译后列表项中的代码块围栏（```）断裂或格式混乱怎么办？

如何贡献代码或提交 Pull Request 来支持新功能（如 .ipynb 文件翻译）？

为什么翻译后的日语文档中会出现不自然的标点或格式？

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|今天

开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 139k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.7k|★★☆☆☆|2天前

开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。

★ 87.6k|★★☆☆☆|今天

开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|今天

图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|昨天

Agent图像开发框架