LibreTranslate离线部署实战把翻译服务装进没有网的机房【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/LibreTranslateLibreTranslate 是一个免费开源的机器翻译 API主打自托管与离线能力翻译请求可以在完全无网的环境里本地完成。这篇文章记录一次把 LibreTranslate 离线部署进封闭内网的完整过程——没有网线、没有外网依赖只有一台服务器、一个U盘和一份 40 页的德文设备手册。第一幕 · 处境周四下午一台没有网的服务器那天下午三点小A站在某制造企业的机房里空调嗡嗡响空气中有一股机房特有的热塑料味。他面前是一台刚从库房翻出来的旧服务器客户的要求只有一句话把这份德文设备手册翻成中文最好以后每天都能翻但所有数据不能出这栋楼。楼里没有外网。办公网是物理隔离的手机信号进了这栋楼就断断续续IT 主管很客气地提醒他这里连 U 盘的拷贝记录都要登记。小A先试了最直接的办法——用手机热点连在线翻译网页。结果那条 40 页的德文 PDF 刚传上去网页转了十几秒弹出一个网络连接失败。他又试了公司 OA 里自带的翻译插件得到的提示是服务不可用请检查外网连接。那一刻他意识到不是翻译工具不好用而是要联网这件事本身在这里就是死路一条。他蹲在机房门口翻出一个旧笔记本写下自己真正需要的三件事翻译质量要接近主流水平、整个过程不碰外网、以后内网里任何电脑都能调用它。接下来一个小时他把所有可能的方案在脑子里过了一遍越列越纠结。第二幕 · 抉择四张候选名单没有一张是完美的小A先把方案摊开给自己列了一张对比清单方案是否需要网络翻译质量成本可控性在线翻译 API / 网页需要高按量付费低桌面词典软件不用整句质量差一次性或免费中商用离线翻译 SDK激活常需联网高授权费不低中LibreTranslate 自托管不用神经翻译接近在线水平免费开源高第一个被淘汰的是在线方案。理由很朴素一个需要外网的翻译工具在物理隔离的环境里等于不存在。这个结论花了他不到五分钟。第二个被淘汰的是桌面词典。小A自己试过词对词翻译勉强能用但德语那种长从句一进来输出就变成一串让人看不懂的词语堆叠。他要处理的是技术手册不是单词表。整句翻译质量这一关过不去方案再多也白搭。商用离线 SDK 让他犹豫了十分钟。质量确实好但有两个问题第一授权费按年算客户预算里没这一项第二很多 SDK 的首次激活要联网验签在所有数据不能出这栋楼的前提下这一步就过不去。最后他锁定了 LibreTranslate。理由其实就三条它是开源的机器翻译 API翻译引擎由 Argos Translate 驱动模型文件下载一次之后可以完全本地运行项目自带网页界面和 REST 接口内网里的同事打开浏览器就能用免费这一点放在最后说是因为它只是加分项不是选它的理由。这里有个关键判断值得说清楚自托管不等于零成本。你要自己装环境、自己管模型、自己处理报错。对愿意动手的人来说这通常不是负担而是可控性的来源。小A的想法是与其每次被没网卡住不如花一个下午把翻译能力真正装进这台机器里。第三幕 · 落地从U盘到一条可用的翻译接口小A给自己定的路线很简单先在能联网的笔记本上把依赖和模型两样东西备齐再用 U 盘搬进内网。听起来像搬家打包实际操作也确实如此。第一步在有网的机器上备齐依赖他先建了一个干净的目录把项目源码拉下来git clone https://gitcode.com/GitHub_Trending/li/LibreTranslate然后创建虚拟环境用一条命令把项目连同全部依赖的安装包下载到本地目录pip download -d offline_deps .这句命令的意思是在当前目录下载项目及其所有依赖的安装包统一放进 offline_deps 这个文件夹。项目用 pyproject.toml 声明依赖核心翻译引擎是 argos-translate-ltWeb 框架是 Flask语言检测用的是 langdetect缓存机制是 expiringdict。这些名字记不住没关系只要知道它们会被一起打进 offline_deps 就行。小A顺手看了一眼文件夹大小几百 MB一个 U 盘装得下。第二步只下载中英两个方向的翻译模型这一步是整篇文章里最容易踩坑的地方小A在这里摔了今天的第一跤。LibreTranslate 的翻译能力来自一个个独立的模型文件每个语言对一个文件默认存放在~/.local/share/argos-translate/packages/目录下。全量下载所有语言模型要占用好几个 GB而小A只需要德文到中文、英文到中文这几个方向于是他用了项目自带的脚本python scripts/install_models.py --load_only_lang_codes en,zh白话解释只安装英文和中文之间的翻译模型其他语言一个都不碰。这一步把模型占用从几个 GB 压到了几百 MB启动时也不用把几十种语言全部加载进内存。然后报错来了。日志里出现一行红字Unavailable language codes: cn.小A愣了一下他明明写的是cn。查了项目里的语言代码表才发现中文在 LibreTranslate 里的代码是zh不是cn。这个校验逻辑写得很严格代码不存在就直接拒绝不会静默跳过。改回zh重新执行模型开始正常下载。这个坑给所有准备离线部署的人提了个醒语言代码不能靠猜动手前先查一遍项目支持的语言代码列表。第三步把模型和依赖搬进内网模型下载完成后~/.local/share/argos-translate/packages/目录里多出了几个.argosmodel文件每个文件对应一个语言方向。小A把整个 packages 目录和 offline_deps 文件夹一起拷进 U 盘走进了那间机房的登记台。内网服务器上没有 Python 环境他用系统自带的 Python 装了虚拟环境然后执行离线安装pip install --no-index --find-linksoffline_deps .这句命令的意思是不访问外网只从本地 offline_deps 目录里找安装包。几分钟后依赖安装完成没有任何报错。到这里他以为自己可以启动了。第四步第一次启动第二个报错小A直接敲了启动命令python main.py --host 0.0.0.0 --port 5000 --load-only en,zh参数说明--host 0.0.0.0让服务监听所有网卡内网其他电脑才能访问--load-only en,zh只加载中英模型省内存也省启动时间。启动日志里出现一行提示Cannot update models (normal if youre offline): ...这行字不是致命错误。项目里写得很直白——如果你离线这是正常现象。意思是服务启动时默认尝试联网更新模型索引连不上就跳过。真正的问题在后面他打开浏览器访问http://内网IP:5000页面能打开但翻译一提交就报错语言列表也是空的。小A排查了二十分钟最后发现模型文件根本没被读到。原因很简单他把 .argosmodel 文件拷到了用户主目录下的临时文件夹而不是 argos-translate 默认读取的~/.local/share/argos-translate/packages/路径。把文件挪到正确位置重启服务日志里出现了这行Loaded support for 2 languages (2 models total)!翻译立刻正常了。这个报错前后花了他半小时但后来他反而觉得值——因为他彻底搞清楚了模型该放哪里这个离线部署的核心问题。第五步验证与收尾小A用一条命令做了最终的接口验证curl -X POST http://127.0.0.1:5000/translate -d qHello worldsourceentargetzh返回结果是中文译文请求耗时在几百毫秒以内全程没有碰过外网。同事在隔壁工位打开浏览器访问内网 IP也能看到翻译网页界面输入即译。最后他做了一组配置核对这里直接给出他最终留下的清单配置项默认值离线部署建议为什么监听地址 --host127.0.0.10.0.0.0否则只有本机能访问内网同事连不上--load-only加载全部en,zh只加载用得到的语言省内存、启动快LT_UPDATE_MODELSFalse保持 False防止每次启动都尝试联网更新模型共享存储memory://保持默认单机场景用内存缓存即可不必引入 Redis验证清单他也抄了一份给客户启动后日志出现 Loaded support for N languages浏览器能打开 5000 端口页面翻译接口返回正常结果关掉外网交换机服务照常运行。四条全过。尾声 · 复盘那台服务器后来的故事一个月后小A再进那间机房服务器已经在角落安静跑了四个星期日志里没有一条翻译失败记录。他把这次经历总结成三句话第一离线部署 90% 的工作发生在有网的那台机器上。依赖打包、模型下载、语言代码核对全部提前做掉内网里的操作只剩拷贝和启动。第二报错不可怕可怕的是看不懂报错。那次Unavailable language codes和Cannot update models一个教他查语言代码一个教他认清模型路径都是白纸黑字写在日志里的提示。第三默认配置是为在线设计的离线要主动改。默认只监听本机、默认尝试联网更新模型这些都要靠--host 0.0.0.0和LT_UPDATE_MODELSFalse手动纠正。往后还有几条可以深挖的路如果团队变大可以打开--api-keys给不同部门分配独立密钥如果以后要加别的语言在有网的机器上重新跑一次install_models.py把新模型拷进来就行如果想把整套环境固化成镜像项目仓库里的 Dockerfile 可以直接作为起点。客户后来问小A这套东西还能撑多久小A想了想说只要模型文件还在它就能一直跑下去。翻译模型就像一本本随用随取的字典放对位置就不需要再问网络要答案。那天下午他走出机房的时候手机终于有了信号。他看着屏幕上跳出来的未读消息忽然觉得真正让他安心的不是手机那格信号而是身后那台机器里刚刚装好的翻译能力已经不再需要它了。【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