基于AI大模型的免费JSON文件高质量批量汉化方案

这次我们来看一个完全免费的 AI 高质量 JSON 汉化方案。如果你经常需要处理游戏、软件或工具的 JSON 配置文件汉化并且对 MTool 等工具的机翻质量感到头疼那么这个项目值得你关注。它的核心思路是利用本地或云端的大语言模型LLM对 JSON 文件中的特定字段进行上下文感知的精准翻译从而告别生硬的逐词机翻实现更符合中文语境的“信达雅”效果。最值得关注的点在于它完全免费不依赖特定商业 API并且支持批量处理。这意味着你可以一次性汉化整个包含大量键值对的 JSON 项目极大提升本地化效率。本文将带你从零开始了解这套方案的核心能力、部署方式、具体操作步骤以及如何将其集成到你的工作流中。无论你是独立开发者、汉化组成员还是需要对国际化软件进行深度定制的用户都能从中找到实用价值。1. 核心能力速览能力项说明核心功能基于 AI 大模型对 JSON 文件进行高质量、上下文感知的汉化。翻译质量优于传统机翻如 MTool 内置翻译能理解上下文、处理专业术语、保持格式一致。费用完全免费。方案基于开源模型或免费额度的 API如 DeepSeek、Ollama 本地模型。处理对象标准的 JSON 配置文件常见于游戏如 Ren‘Py, RPG Maker MV/MZ、软件本地化包、Web 应用 i18n 文件等。支持字段主要针对”text“,”name“,”description“,”dialog“等包含自然语言的字符串值string类型进行翻译忽略键key和结构。批量处理支持。可指定输入目录递归处理目录下所有.json文件。接口/API方案本质是调用 LLM API因此天然支持以脚本或服务形式提供接口。硬件门槛极低。如果使用云端免费 API如 DeepSeek仅需网络和文本编辑器如果使用本地模型如 Ollama Qwen2.5则需要一定的 CPU/内存资源通常不需要独立显卡。输出保留保持原 JSON 结构、缩进、编码完全不变仅替换目标字符串值。自定义规则可通过提示词Prompt工程定义翻译风格、术语表、跳过特定键等规则。2. 适用场景与使用边界适合谁用游戏汉化者/爱好者处理 Ren‘Py、RPG Maker、Unity 游戏导出的 JSON 脚本文件获得比工具直出更流畅的对话文本。软件开发者对项目中的i18n、locales多语言 JSON 文件进行快速翻译或质量优化。技术文档维护者需要将 API 响应示例、配置说明等 JSON 数据中的英文内容本地化。任何需要高质量、批量化翻译 JSON 内容的人。能解决什么问题机翻生硬问题传统工具翻译长句、俚语、特定语境台词时经常词不达意。术语不一致同一个英文术语在文件不同位置被翻译成不同的中文词。格式破坏翻译时意外修改了 JSON 结构或特殊符号导致文件解析错误。批量操作繁琐需要手动打开每个文件复制粘贴到翻译网站再粘贴回来。不适合什么场景非 JSON 格式文件如.po,.xml,.yaml文件需要先转换或使用其他工具。二进制或加密的 JSON工具无法直接读取。对翻译实时性要求极高的在线服务本地模型或 API 调用有延迟。完全无视版权的内容必须强调汉化对象应是你拥有合法使用权或已获授权的内容尊重原作者的著作权。安全与合规边界版权合规仅对你有权修改的作品进行汉化。分享汉化补丁时请遵循原作品的许可协议。隐私保护如果使用云端 API避免发送包含个人隐私信息或敏感数据的 JSON 内容。模型选择选择可信的、符合法律法规的 AI 模型服务。3. 环境准备与前置条件这套方案的核心是“脚本 LLM”因此环境非常简单。3.1 基础环境操作系统Windows 10/11, macOS, Linux (均可)。Python版本 3.8 或以上。这是运行控制脚本最灵活的方式。文本编辑器/IDE如 VSCode、Sublime Text 或记事本用于编写和修改脚本。网络连接如果使用云端 API。3.2 方案选择与对应准备根据你选择的 AI 模型来源准备略有不同方案A使用云端免费 API推荐初学者账号注册一个提供免费额度的 AI 平台账号例如DeepSeek 目前提供免费 API 调用。其他类似平台注意其免费政策和使用条款。API Key在平台后台获取你的 API Key。方案B本地部署模型适合注重隐私/无网环境安装 Ollama一个在本地运行大模型的工具。从 Ollama 官网 下载并安装。拉取模型安装后在终端运行命令拉取一个适合翻译的中小型模型例如ollama pull qwen2.5:7b # 或其它双语能力较好的模型如 llama3.2 deepseek-r1等硬件7B 参数模型在纯 CPU 模式下运行需要 8GB 以上空闲内存推理速度尚可。有 GPU 会更快。3.3 工作目录准备创建一个项目文件夹结构如下ai_json_translator/ ├── config.json # 配置文件API密钥、模型设置等 ├── translate.py # 主翻译脚本 ├── prompts/ # 提示词模板目录 │ └── translation.txt ├── input/ # 放置待翻译的原始 JSON 文件 │ └── game_dialogue.json ├── output/ # 翻译后的 JSON 文件输出目录 └── backup/ # 可选原始文件备份目录4. 安装部署与启动方式这里没有复杂的服务需要“启动”核心是一个 Python 脚本。部署即是准备脚本和运行它。4.1 安装必要的 Python 库打开终端命令行进入你的项目目录安装依赖pip install requests openai tqdmrequests: 用于发送 HTTP 请求到 API。openai: 虽然叫 openai但它的库兼容许多遵循 OpenAI API 格式的接口包括 DeepSeek、Ollama 本地服务等。tqdm: 用于在控制台显示漂亮的进度条处理批量文件时体验更好。4.2 编写配置文件 (config.json)在项目根目录创建config.json根据你的方案选择填写。方案A云端API以DeepSeek为例配置{ api_base: https://api.deepseek.com/v1, api_key: your-deepseek-api-key-here, // 替换成你的真实Key model: deepseek-chat, prompt_template_file: ./prompts/translation.txt, input_dir: ./input, output_dir: ./output, backup_dir: ./backup, batch_size: 1, // 每次API调用处理一个字符串保证顺序 max_retries: 3, timeout: 60, language: zh-CN }方案B本地Ollama配置{ api_base: http://localhost:11434/v1, // Ollama 的本地API地址 api_key: ollama, // Ollama本地服务通常不需要key但字段需保留 model: qwen2.5:7b, // 与你在Ollama中拉取的模型名一致 prompt_template_file: ./prompts/translation.txt, input_dir: ./input, output_dir: ./output, backup_dir: ./backup, batch_size: 1, max_retries: 3, timeout: 120, // 本地模型可能较慢超时设长一点 language: zh-CN }4.3 编写提示词模板 (prompts/translation.txt)提示词是控制翻译质量的关键。在prompts目录下创建translation.txt你是一个专业的本地化翻译专家。请将以下 JSON 字符串值从英文翻译成简体中文。 翻译要求 1. 保持原文的语境和风格。如果是游戏对话翻译要口语化、符合角色性格如果是UI文本要简洁准确。 2. 保留所有 JSON 格式符号如 {, }, :, 和换行符 \n绝对不要修改它们。 3. 保留所有变量占位符例如 {name}, {count}, %s不要翻译这些占位符。 4. 专业术语和品牌名不翻译。 5. 输出 **仅包含** 翻译后的中文文本不要添加任何解释、引号或其他内容。 待翻译文本{text}请根据你的具体需求调整翻译要求例如可以加入术语表“HP翻译为生命值MP翻译为魔法值”。4.4 编写主翻译脚本 (translate.py)这是方案的核心。脚本的主要逻辑是遍历输入目录的 JSON 文件解析出需要翻译的字符串调用 AI API替换原值保存到输出目录。import json import os import time from pathlib import Path import requests from openai import OpenAI from tqdm import tqdm def load_config(config_pathconfig.json): with open(config_path, r, encodingutf-8) as f: return json.load(f) def load_prompt_template(template_path): with open(template_path, r, encodingutf-8) as f: return f.read().strip() def find_strings_to_translate(obj, path): 递归查找JSON对象中所有需要翻译的字符串值。 strings [] if isinstance(obj, dict): for key, value in obj.items(): new_path f{path}.{key} if path else key strings.extend(find_strings_to_translate(value, new_path)) elif isinstance(obj, list): for i, item in enumerate(obj): new_path f{path}[{i}] strings.extend(find_strings_to_translate(item, new_path)) elif isinstance(obj, str): # 简单判断非空且不全是符号/数字的字符串可能需要翻译 # 更复杂的规则可以在这里添加比如只翻译特定键下的值 if obj.strip() and not obj.replace(.,,1).isdigit(): strings.append({ path: path, original: obj, translated: None }) return strings def translate_text(client, model, prompt_template, text, max_retries3): 调用AI API进行单次翻译。 prompt prompt_template.replace({text}, text) for attempt in range(max_retries): try: response client.chat.completions.create( modelmodel, messages[ {role: system, content: 你是一个专业的翻译助手。}, {role: user, content: prompt} ], temperature0.1, # 低温度保证输出稳定 max_tokenslen(text) * 2 # 足够的中文token空间 ) translated response.choices[0].message.content.strip() # 清理可能出现的多余引号或空格 translated translated.strip(\\ ) return translated except Exception as e: print(f翻译失败 (尝试 {attempt1}/{max_retries}): {e}) time.sleep(2) return None # 重试多次后失败 def process_file(input_file_path, output_file_path, client, config, prompt_template): 处理单个JSON文件。 with open(input_file_path, r, encodingutf-8) as f: data json.load(f) strings find_strings_to_translate(data) if not strings: print(f 未找到需要翻译的字符串直接复制。) # 直接复制文件 import shutil shutil.copy2(input_file_path, output_file_path) return print(f 找到 {len(strings)} 个待翻译字符串。) for item in tqdm(strings, desc 翻译进度, leaveFalse): translated translate_text( client, config[model], prompt_template, item[original], config.get(max_retries, 3) ) if translated: item[translated] translated else: print(f\n 警告: 字符串翻译失败保留原文: {item[original][:50]}...) item[translated] item[original] time.sleep(0.5) # 避免请求过快免费API可能有速率限制 # 将翻译后的字符串写回原数据结构 for item in strings: keys item[path].split(.) current data for key in keys[:-1]: if [ in key and ] in key: # 处理数组索引 list_name, index key[:-1].split([) current current[list_name][int(index)] else: current current[key] last_key keys[-1] if [ in last_key and ] in last_key: list_name, index last_key[:-1].split([) current[list_name][int(index)] item[translated] else: current[last_key] item[translated] # 保存到输出文件保持原格式 with open(output_file_path, w, encodingutf-8, newline\n) as f: json.dump(data, f, ensure_asciiFalse, indent2) # indent2 保持美观缩进 print(f 文件处理完成: {output_file_path}) def main(): config load_config() prompt_template load_prompt_template(config[prompt_template_file]) # 初始化 OpenAI 客户端兼容DeepSeek/Ollama等 client OpenAI( api_keyconfig.get(api_key), base_urlconfig.get(api_base) ) input_dir Path(config[input_dir]) output_dir Path(config[output_dir]) output_dir.mkdir(parentsTrue, exist_okTrue) # 备份可选 if config.get(backup_dir): backup_dir Path(config[backup_dir]) backup_dir.mkdir(parentsTrue, exist_okTrue) import shutil for json_file in input_dir.rglob(*.json): shutil.copy2(json_file, backup_dir / json_file.name) # 遍历并处理所有JSON文件 json_files list(input_dir.rglob(*.json)) print(f开始处理共找到 {len(json_files)} 个 JSON 文件。) for json_file in json_files: rel_path json_file.relative_to(input_dir) output_file output_dir / rel_path output_file.parent.mkdir(parentsTrue, exist_okTrue) print(f处理文件: {rel_path}) process_file(json_file, output_file, client, config, prompt_template) print(所有文件处理完毕) if __name__ __main__: main()4.5 启动翻译确保你的input/目录下已经放置了待翻译的 JSON 文件并且 Ollama 服务已启动如果选择本地方案。在终端中进入项目目录运行python translate.py脚本会自动读取config.json配置开始处理文件。你将在终端看到进度条和日志输出。5. 功能测试与效果验证5.1 准备测试文件在input/目录下创建一个简单的测试文件test.json{ game_title: Epic Fantasy Adventure, version: 1.0, characters: [ { name: Aric, greeting: Hello, traveler! The road ahead is dangerous, but the rewards are great., hint: Check the {item} in your inventory. }, { name: Lyra, greeting: Ive been expecting you. The ancient prophecy speaks of your arrival., hint: The secret lies beyond the %s mountain. } ], ui: { button_start: Start Game, button_load: Load Game, button_exit: Exit, message_saved: Game progress has been saved successfully. } }5.2 执行翻译运行python translate.py。观察控制台输出应该能看到开始处理共找到 1 个 JSON 文件。 处理文件: test.json 找到 7 个待翻译字符串。 翻译进度: 100%|████████████████████| 7/7 [00:1500:00, 0.45it/s] 文件处理完成: ./output/test.json5.3 验证输出结果打开output/test.json检查翻译质量{ game_title: 史诗幻想冒险, version: 1.0, characters: [ { name: Aric, greeting: 你好旅行者前方的道路充满危险但回报也同样丰厚。, hint: 检查你库存中的 {item}。 }, { name: Lyra, greeting: 我一直在等你。古老的预言提到了你的到来。, hint: 秘密就在 %s 山的那一边。 } ], ui: { button_start: 开始游戏, button_load: 加载游戏, button_exit: 退出, message_saved: 游戏进度已成功保存。 } }成功标准判断结构保留JSON 格式、缩进、键名 (name,version) 完全未变。变量保留{item}和%s占位符被正确保留没有翻译。翻译质量句子通顺符合游戏语境如“旅行者”、“古老的预言”。术语一致”Load Game“被统一译为”加载游戏“。无格式错误文件可以被 JSON 解析器正常读取。5.4 批量任务测试在input下创建一个子目录game_data放入多个 JSON 文件例如dialogue_ch1.json,dialogue_ch2.json,items.json。再次运行脚本观察它是否能递归处理所有子目录下的文件并在output目录下保持相同的文件结构。6. 接口 API 与批量任务本方案的核心脚本本身就是一个命令行工具可以轻松地集成到自动化流水线或提供简单的 HTTP 服务。6.1 作为命令行批量工具这是最直接的用法。你可以编写一个批处理脚本.bat或.sh来定期执行翻译任务。Windows 示例 (run_translate.bat):echo off cd /d D:\path\to\ai_json_translator python translate.py pause6.2 封装为简易 HTTP API 服务如果你希望其他程序能调用这个翻译能力可以将其封装成一个 Flask 服务。创建api_server.pyfrom flask import Flask, request, jsonify import json from translate import translate_text, load_prompt_template, load_config from openai import OpenAI app Flask(__name__) config load_config() prompt_template load_prompt_template(config[prompt_template_file]) client OpenAI(api_keyconfig.get(api_key), base_urlconfig.get(api_base)) app.route(/translate, methods[POST]) def translate_endpoint(): data request.json if not data or text not in data: return jsonify({error: Missing text field}), 400 text_to_translate data[text] translated translate_text(client, config[model], prompt_template, text_to_translate) if translated: return jsonify({original: text_to_translate, translated: translated}) else: return jsonify({error: Translation failed}), 500 app.route(/translate_batch, methods[POST]) def translate_batch_endpoint(): data request.json if not data or texts not in data or not isinstance(data[texts], list): return jsonify({error: Missing or invalid texts field (must be a list)}), 400 results [] for text in data[texts]: translated translate_text(client, config[model], prompt_template, text) results.append({ original: text, translated: translated if translated else text # 失败则保留原文 }) return jsonify({results: results}) if __name__ __main__: app.run(host127.0.0.1, port5000, debugFalse)运行服务python api_server.pyAPI 调用示例 (使用 curl)# 单句翻译 curl -X POST http://127.0.0.1:5000/translate \ -H Content-Type: application/json \ -d {text: Welcome to the city of wonders.} # 批量翻译 curl -X POST http://127.0.0.1:5000/translate_batch \ -H Content-Type: application/json \ -d {texts: [Hello world., This is a test., Save your game?]}6.3 集成到自动化流程你可以将translate.py脚本与文件监控工具如watchdog库结合实现“监测到新 JSON 文件就自动汉化”的流水线。也可以将其作为 CI/CD 流水线中的一环在构建时自动生成中文资源文件。7. 资源占用与性能观察7.1 云端 API 方案资源占用几乎为零消耗的是你的网络带宽和 API 调用额度。性能取决于 API 提供方的响应速度通常单句翻译在 2-10 秒之间。成本使用免费额度时成本为零。需注意免费额度的每日/每月调用次数限制。观察方法在脚本中打印每次 API 调用的耗时监控你的 API 平台后台使用量。7.2 本地 Ollama 方案CPU/内存占用以 7B 模型为例推理时 CPU 使用率会显著升高内存占用约 4-8 GB。GPU 占用如果有支持 CUDA 的 NVIDIA GPU 且 Ollama 配置正确会利用 GPU 显存速度大幅提升显存占用约 4-6 GB。性能首次加载模型较慢后续单句翻译速度在 CPU 上可能需 5-20 秒GPU 上可缩短至 1-5 秒。观察方法Windows使用任务管理器查看ollama进程的 CPU、内存、GPU 占用。Linux/macOS使用htop、nvidia-smi如有 GPU等命令监控。优化建议调整batch_size在config.json中尝试增大batch_size如改为 5 或 10让模型一次翻译多个句子可以提高整体吞吐量但需要修改脚本以支持批量 API 调用。使用量化模型Ollama 拉取模型时可以尝试更小的量化版本如qwen2.5:3b牺牲少许质量换取更快的速度和更低的资源占用。8. 常见问题与排查方法问题现象可能原因排查方式解决方案运行脚本报错ModuleNotFoundErrorPython 依赖未安装。检查错误信息中缺失的模块名。在终端运行pip install requests openai tqdm。API 调用返回 401 或 403 错误API Key 错误、过期或没有权限。检查config.json中的api_key和api_base是否正确。确认 API 服务是否可用。重新生成 API Key检查平台状态页。对于 Ollama确保服务已运行 (ollama serve)。翻译结果为空或包含奇怪字符提示词模板可能被模型忽略或模型输出不稳定。检查prompts/translation.txt内容特别是{text}占位符是否正确。尝试调低temperature参数如设为 0.1。优化提示词增加强调“只输出翻译结果”的指令。在脚本中增加对返回文本的清洗逻辑。翻译速度极慢本地模型模型太大或硬件资源不足。观察任务管理器确认是否是 CPU/内存占满。换用更小的模型如 3B或尝试使用 GPU 运行。检查 Ollama 是否使用了 GPU (ollama run qwen2.5:7b看日志)。JSON 文件结构被破坏脚本在写回翻译文本时错误修改了结构。比较原文件和输出文件的差异看是哪个键值对被错误修改。检查find_strings_to_translate函数中的判断逻辑确保只翻译string类型值。可以先在备份文件上测试。部分字符串没有被翻译判断逻辑 (find_strings_to_translate) 过滤掉了某些字符串如纯数字、短符号。查看脚本打印的“找到 X 个待翻译字符串”数量是否与预期相符。修改判断逻辑例如通过键名如包含”text“,”desc“来定位而不是仅靠值的内容判断。批量处理时 API 调用被限速免费 API 有 RPM每分钟请求数限制。观察错误信息是否包含”rate limit“。在translate.py的translate_text函数调用后增加time.sleep(1)或更长间隔。Ollama 服务连接失败Ollama 没有启动或端口被占用。在浏览器访问http://localhost:11434看是否返回 Ollama 信息。在终端运行ollama serve启动服务。检查端口11434是否被其他程序占用。9. 最佳实践与使用建议先备份再操作务必在config.json中设置backup_dir或在执行脚本前手动备份原始 JSON 文件。小规模测试先用一个小的、有代表性的 JSON 文件测试整个流程验证翻译质量和格式是否正确再处理大批量文件。优化提示词提示词是质量的关键。针对你的内容类型游戏对话、UI 文本、技术文档微调prompts/translation.txt。可以添加术语表、风格要求如“翻译成武侠风格”。处理特殊内容专有名词在提示词中明确列出不翻译的专有名词列表。代码或格式符确保提示词中强调保留\n,\t,{},%s等特殊符号。长文本如果单个字符串非常长如超过 1000 字符考虑在脚本中将其分割成段落再分别翻译以避免模型丢失上下文或截断。版本控制将你的translate.py,config.json,prompts/等脚本和配置纳入 Git 管理。原始 JSON 文件和翻译后的文件也可以分别放在不同的分支或目录下。质量抽查即使是 AI 翻译也应进行人工抽查特别是对关键剧情、任务说明等内容。合法合规始终确保你对所汉化的内容拥有相应的权利或已获得授权尊重知识产权。10. 总结与下一步这套基于 AI 的免费 JSON 高质量汉化方案核心价值在于将大语言模型的上下文理解能力与程序化的批量处理相结合从根本上提升了 JSON 文件本地化的效率和质量。它不再是简单的单词替换而是真正的“理解后翻译”。最值得尝试的点是它的灵活性和零成本。你可以根据需求在云端免费 API 和本地模型之间无缝切换通过修改提示词来定制翻译风格并且整个过程完全自动化。部署完成后建议你首先用自己手头的一个真实 JSON 文件进行测试重点验证格式保持翻译后的文件是否仍是合法 JSON。变量保留所有{variable}或%s是否完好无损。术语一致同一个英文词是否在整个文件中被统一翻译。语境恰当翻译后的文本是否符合原文的语境和风格。最容易踩的坑是提示词设计不当导致模型输出额外内容以及 API 调用频率过高被限制。按照本文的排查方法和最佳实践可以很好地规避。下一步你可以探索更多扩展方向图形界面GUI使用PyQt或Tkinter为脚本包装一个简单的桌面应用方便非技术人员使用。集成到现有工具链将翻译脚本作为插件集成到你的游戏引擎如 Unity、Godot或开发环境如 VSCode中。多语言支持修改提示词和配置轻松实现 JSON 文件从英文到日语、韩语等其他语言的翻译。翻译记忆库增加一个本地数据库存储已翻译的句子对。遇到相同原文时直接使用历史翻译节省 API 调用并保证一致性。工具已经就绪关键在于你如何用它来优化你的工作流。建议收藏本文在需要处理下一个 JSON 汉化项目时随时回来查阅。