Saltar al contenido principal

Tutorial: Crear un plugin de traducción

Cree un método de traducción personalizado desde cero, evalúe su rendimiento y despliéguelo como un plugin de rosetta. Este es el flujo de trabajo completo para agregar un nuevo par de idiomas que ninguna API comercial soporta.

Qué construirá: Un plugin de traducción guiada para francés formal con terminología obligatoria, reglas gramaticales y puntuaciones de benchmark.

Tiempo: 30–45 minutos

Requisitos previos:

  • i18n-rosetta instalado (npm install --save-dev i18n-rosetta)
  • Una clave de API de OpenRouter (OPENROUTER_API_KEY)
  • Python 3.10+ (para el eval harness)

Paso 1: Identificar el problema​

Usted está traduciendo un dashboard de SaaS al francés. El método predeterminado llm produce traducciones correctas pero inconsistentes:

  • A veces "dashboard" se convierte en "tableau de bord", otras veces en "panneau de contrôle"
  • El tono alterna entre las formas tu y vous
  • Los términos técnicos se anglican de manera inconsistente

Usted necesita cumplimiento de terminología y control de registro que el prompt genérico del LLM no proporciona.

Paso 2: Crear datos de guía​

Cree un archivo de guía que codifique sus requisitos lingüísticos:

mkdir -p .rosetta/coaching
.rosetta/coaching/fr.json
{
  "grammar_rules": [
    "Always use the 'vous' form for formal register",
    "French adjectives agree in gender and number with their noun",
    "Use the present tense for UI instructions, not the imperative",
    "Preserve sentence-final punctuation style from the source"
  ],
  "dictionary": {
    "dashboard": "tableau de bord",
    "deployment": "déploiement",
    "settings": "paramètres",
    "environment variable": "variable d'environnement",
    "webhook": "webhook",
    "API key": "clé API",
    "sign in": "se connecter",
    "sign out": "se déconnecter",
    "repository": "dépôt",
    "pull request": "demande de tirage"
  },
  "style_notes": "Formal technical French. Prefer native French terms over anglicisms where established equivalents exist. Keep UI labels concise — 3 words maximum where possible."
}

Qué hace cada campo:

  • grammar_rules — Se inyecta en el prompt del sistema del LLM como restricciones explícitas
  • dictionary — Se compara con las claves de origen; cuando aparece un término del diccionario, se inyecta como "terminología requerida" en el prompt
  • style_notes — Se añade al prompt del sistema como guía de estilo general

Paso 3: Configurar el par​

Indíquele a rosetta que use llm-coached para el francés:

i18n-rosetta.config.json
{
  "version": 3,
  "inputLocale": "en",
  "localesDir": "./locales",
  "pairs": {
    "en:fr": {
      "method": "llm-coached",
      "model": "google/gemini-3.5-flash"
    }
  },
  "languages": {
    "fr": {
      "register": "Formal technical French (vous-form)",
      "name": "French"
    }
  }
}

Paso 4: Probarlo​

npx i18n-rosetta sync --dry

Revise la salida del dry-run. Verifique que:

  • ✅ Los términos del diccionario se usen de manera consistente ("tableau de bord", no "panneau de contrôle")
  • ✅ La forma vous se use en todo momento
  • ✅ Los términos técnicos coincidan con su diccionario

Luego ejecute la sincronización real:

npx i18n-rosetta sync

Paso 5: Medir el rendimiento con el Eval Harness (Opcional)​

Si desea puntuaciones de calidad —y las desea, porque los plugins se envían con datos de benchmark— use el eval harness complementario.

Instalar el Harness​

git clone https://github.com/gamedaysuits/gds-mt-eval-harness.git
cd gds-mt-eval-harness
pip install -r requirements.txt

Crear un corpus de referencia​

Cree un archivo con cadenas de origen y traducciones que se sabe que son correctas:

corpus/french-formal.json
[
  {
    "source": "Dashboard",
    "reference": "Tableau de bord"
  },
  {
    "source": "Sign in to your account",
    "reference": "Connectez-vous à votre compte"
  },
  {
    "source": "Your deployment is ready",
    "reference": "Votre déploiement est prêt"
  },
  {
    "source": "Environment variables",
    "reference": "Variables d'environnement"
  }
]

Ejecutar el Benchmark​

python harness.py eval \
  --corpus corpus/french-formal.json \
  --source en \
  --target fr \
  --method llm-coached \
  --model google/gemini-3.5-flash

El harness genera:

  • chrF++ — Puntuación F a nivel de caracteres (0–100). Por encima de 70 es un resultado sólido.
  • BLEU — Superposición de N-gramas (0–100). Por encima de 40 es un resultado sólido para la traducción guiada.
  • Tasa de coincidencia exacta — Proporción de traducciones que coinciden exactamente con la referencia.

Exportar el plugin​

Una vez que esté satisfecho con las puntuaciones:

python harness.py export \
  --name french-formal-v1 \
  --output ./french-formal-v1/

Esto crea:

french-formal-v1/
├── method.json          # Manifest with config + benchmarks
└── coaching/
    └── fr.json          # Your coaching data

Paso 6: Instalar el plugin en Rosetta​

npx i18n-rosetta plugin install ./french-formal-v1/

Esto copia el plugin a .rosetta/methods/french-formal-v1/.

Actualice su configuración para usarlo:

i18n-rosetta.config.json
{
  "pairs": {
    "en:fr": {
      "methodPlugin": "french-formal-v1"
    }
  }
}

Paso 7: Verificar​

# Check plugin is installed and shows benchmark scores
npx i18n-rosetta status

# Run a sync with the plugin
npx i18n-rosetta sync

# Audit licensing status
npx i18n-rosetta provenance

La salida de status mostrará:

en → fr
  Method:    french-formal-v1 (llm-coached)
  Model:     google/gemini-3.5-flash
  Quality:   high
  chrF++:    74.2
  BLEU:      46.8
  Exact:     42%

Qué ha construido​

Ahora usted tiene:

  1. Datos de guía — Reglas gramaticales y terminología que garantizan la consistencia
  2. Puntuaciones de benchmark — Calidad cuantificada que se incluye con el plugin
  3. Un plugin portátil — method.json + datos de guía, instalable en cualquier máquina
  4. Despliegue en producción — Integrado en su pipeline de sincronización

Próximos pasos​