零成本私有化LibreTranslate 离线翻译 API 全栈落地实战模型自备 断网可用【免费下载链接】LibreTranslateFree and Open Source Machine Translation API. Self-hosted, offline capable and easy to setup.项目地址: https://gitcode.com/GitHub_Trending/li/LibreTranslate当你深处封闭的办公网络当你的产品需要内置翻译却不想把用户数据送出去当云翻译 API 的账单每个月都在悄悄变厚——你需要的是一个完全自持的翻译能力。LibreTranslate 正是为此而生的开源机器翻译 API它完全自托管、支持离线运行、开箱即用。本文将带你从零把一套 LibreTranslate 翻译服务搬进内网模型自己下、依赖自己装、服务自己跑全程不依赖任何外部翻译厂商更不需要在运行时访问公网。这篇文章不是理论清单而是一条可以照做的完整路线。你会先看懂它背后的翻译车间是怎么运转的再亲手把模型备件库、依赖物料、服务产线三段式搭建起来最后用一张验证清单确认每颗螺丝都拧紧。全程预计投入不到一小时换来的是一个数据主权在握、延迟趋近于零的私有翻译接口。先搞清楚一件事LibreTranslate 离线到底靠什么LibreTranslate 能离线是因为它做了一件聪明的分层翻译引擎、模型文件、Web 服务彼此解耦谁也不依赖谁更不依赖外网。引擎层底层由开源的 Argos Translate 驱动项目依赖声明为argos-translate-lt 1.12.1负责把神经网络模型跑起来这一步完全是本地计算。模型层每种语言对对应一个独立的.argosmodel模型文件比如en_zh、zh_en各占一个。模型存放在~/.local/share/argos-translate/packages/Linux/macOS或系统用户目录下的对应位置Windows。服务层Flask提供 HTTP APIlangdetect负责自动语言识别expiringdict做翻译缓存。所有配置项集中在 libretranslate/default_values.py统一以LT_前缀的环境变量暴露。打个比方这套系统就像一间翻译车间——模型是货架上的专用刀具引擎是车床API 是传送带缓存是缓冲工位。只要刀具模型文件齐备、物料Python 依赖充足车间就能在完全断电断网的情况下照常运转。想验证这点可以看启动逻辑 libretranslate/init.py模型检查和安装失败时它只会打印一行 Cannot update models (normal if youre offline)然后继续用本地已有的模型启动——这就是离线设计刻进骨子里的证据。你的环境适合离线部署吗先做三分钟自检离线部署不是万能解药动工前先对照这几个问题答案全是是再往下走数据敏感译文、术语、语料都不允许离开你的服务器网络受限目标机器处于内网隔离区或经常处于弱网/无网状态成本敏感想甩掉按字符计费的云 API 账单可控性要求希望翻译行为、模型版本、更新节奏完全由自己决定只要命中任意两条这条路就值得走。 小提示离线部署的另一面是模型更新要手动完成所以在规划时把更新通道也设计进去后面进阶技巧里我会给方案。阶段一备好零件——在联网机器上定向下载模型离线部署的起点是在别处把模型买回来。模型的获取走项目自带的脚本 scripts/install_models.py它支持两个关键参数--load_only_lang_codes只安装指定语言对例如en,zh表示只装英中互译相关模型--update增量更新已有模型。先克隆仓库并安装基础依赖这一步在有网的机器上完成git clone https://gitcode.com/GitHub_Trending/li/LibreTranslate cd LibreTranslate python -m venv venv source venv/bin/activate pip install -r requirements.txt然后定向下载模型。只想要中英互译就执行python scripts/install_models.py --load_only_lang_codes en,zh想要欧洲主力语种就一次列全python scripts/install_models.py --load_only_lang_codes en,fr,es,de,it下载完成后把~/.local/share/argos-translate/packages/整个目录打包带走tar -czf lt-models-en-zh.tar.gz -C ~/.local/share/argos-translate packages⚠️ 注意install_models.py还会顺带下载 MiniSBD 分句模型同样会落在本地目录里记得一并打包否则离线环境下长文本分段会退化。阶段二备好物料——把 Python 依赖也装进口袋模型有了还差运行时依赖。最稳的做法是提前用pip download把依赖的 wheel 包全部拉下来形成本地物料库然后在离线机器上用--no-index安装# 在联网机器上执行攒物料 pip download -r requirements.txt -d offline_deps/ \ --no-cache-dir \ --platform manylinux2014_x86_64 \ --only-binary:all: # 把整个 offline_deps 目录拷进内网机器后执行离线安装 pip install --no-index --find-links./offline_deps/ -r requirements.txt注意两点第一--platform要和目标机的系统架构严格一致ARM 服务器要换manylinux2014_aarch64第二离线环境与打包环境的 Python 大版本最好保持一致项目要求 Python 3.8这是避免装得上、跑不动的最短路径。阶段三点火——离线配置与启动模型和依赖都就位后在离线机器上把模型目录放回约定位置然后设置关键环境变量并启动。核心配置项都来自 libretranslate/default_values.py常见组合如下# 指向本地模型目录必须 export LT_MODEL_PATH~/.local/share/argos-translate/packages/ # 关闭模型自动更新检查断网时不报错、不卡启动 export LT_UPDATE_MODELSfalse # 只加载需要的语言加快启动、省内存 export LT_LOAD_ONLYen,zh # 缓存与限流走本地内存不依赖 Redis export LT_SHARED_STORAGEmemory:// # 按机器核数调优翻译线程数 export LT_THREADS4 # 打开指标端点便于内网监控 export LT_METRICStrue python main.py --host 0.0.0.0 --port 5000启动日志里出现Loaded support for N languages就说明模型加载成功。此时你的翻译车间已经全线开工而且全程零公网请求。四种部署形态怎么选一张表看懂形态依赖网络启动速度维护成本适用场景源码 venv 直跑仅首次中等中内网服务器、快速验证pip 安装libretranslate仅首次中等低已有 Python 运维体系Docker 容器官方镜像首次拉取镜像快低标准化环境、多机复制自制离线 Docker 镜像完全离线快中军工/金融/医疗等强隔离网如果你走 Docker 路线docker/Dockerfile 已经内置了模型预装的构建参数with_modelstrue配合modelsen,zh可以在构建阶段就把模型烧进镜像运行时零下载。把镜像导出成 tar 包就能在任何内网机器上docker load后直接跑。离线环境验收清单一项都不能省服务起来 ≠ 部署成功。按这个清单逐项过一遍启动日志无网络错误出现Loaded support for N languages健康检查接口返回{status:ok}curl http://localhost:5000/health翻译接口可用curl -X POST http://localhost:5000/translate -d qHello worldsourceentargetzh语言自动识别可用curl -X POST http://localhost:5000/detect -d qBonjour le monde长文本分段正常验证 MiniSBD 模型已随包带入断开网线后重启服务以上接口依然全部通过/languages接口只返回你预装的语言无多余占用三个高频翻车点与当场解法翻车点 1提示找不到模型 /No package found多半是模型路径没对上。确认LT_MODEL_PATH指向的目录里能看到.argosmodel文件且运行用户对该目录有读写权限。权限不足时chmod调整后重启。翻车点 2离线安装依赖报错卡在某个包先确认--platform与目标机架构一致再确认 wheel 目录完整不要漏拷贝隐藏文件。仍不行就在联网机器上把 Python 版本换成与离线机完全一致后重新pip download。翻车点 3服务能启动但翻译结果全是原文通常是模型只装了一向比如只装了en→zh却请求zh→en。用python scripts/install_models.py --update --load_only_lang_codes en,zh在联网机补齐重新打包模型目录后再同步过去。进阶玩法把离线服务变成可生长的车间技巧 1建立模型更新通道。在联网机器上定期执行python scripts/install_models.py --update把更新后的packages目录增量打包按日期命名通过你的内网文件服务器分发。离线机只需替换目录并重启就能体外输血式升级翻译质量。技巧 2给 API 上锁。即使在内网也别裸奔。用LT_API_KEYStrue开启密钥机制密钥数据库默认在db/api_keys.db可用ltmanage keys add创建带额度限制的密钥配合LT_REQ_LIMIT、LT_CHAR_LIMIT控制单密钥用量。参考实现见 libretranslate/api_keys.py。技巧 3多副本 反向代理。高并发场景下用 Nginx 把请求分发到多个 LibreTranslate 实例每台只加载部分语言LT_LOAD_ONLY分流内存占用可摊薄单点故障也能容忍。安全与边界离线不是免死金牌离线解决的是数据不出网但它同时意味着补丁和模型更新不会自动到达。请把下面几条当成底线访问控制服务默认监听 127.0.0.1对外暴露务必加 API 密钥或置于网关之后日志留存开启访问日志并定期巡检参考 libretranslate/security.py 中关于请求校验的实现理解系统默认的防护边界缓存清理如果处理敏感内容翻译缓存会留存译文按你的合规要求定期清理或禁用缓存LT_TRANSLATION_CACHE留空即可容量规划每个语言对模型约 200~600MB全量语言可达数 GB先算好磁盘和内存再决定装哪些。写在最后把翻译的主动权攥回自己手里从依赖云端到自给自足你完成的不仅是架构切换更是一次控制权的移交翻译不再受厂商停服、限流、调价的影响也不再把语料交给任何第三方。当内网里的同事、产品里的用户、流水线上的文档都在调用你亲手搭起来的这套服务时你会切实感到——翻译能力从此长在自己的机器上。先跑通中英互译这一条最小链路再按业务节奏扩充语种、叠加密钥与监控。别忘了这一切都是开源、免费、可审计的。现在去把第一个模型目录解压到目标机器上吧你的私有翻译车间等你点火。【免费下载链接】LibreTranslateFree and Open Source Machine Translation API. Self-hosted, offline capable and easy to setup.项目地址: https://gitcode.com/GitHub_Trending/li/LibreTranslate创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考