Pular para o conteúdo principal

Tutorial: Crie um Plugin de Tradução

Crie um método de tradução personalizado do zero, execute um benchmark e faça o deploy como um plugin do rosetta. Este é o fluxo de trabalho completo para adicionar um novo par de idiomas que nenhuma API pronta para uso suporta.

O que você vai criar: Um plugin de tradução guiada para o francês formal com aplicação de terminologia, regras gramaticais e pontuações de benchmark.

Tempo: 30–45 minutos

Pré-requisitos:

  • i18n-rosetta instalado (npm install --save-dev i18n-rosetta)
  • Uma chave de API do OpenRouter (OPENROUTER_API_KEY)
  • Python 3.10+ (para o eval harness)

Passo 1: Identifique o Problema​

Você está traduzindo um dashboard SaaS para o francês. O método llm padrão produz traduções corretas, mas inconsistentes:

  • Às vezes, "dashboard" vira "tableau de bord", outras vezes "panneau de contrôle"
  • O tom alterna entre as formas tu e vous
  • Termos técnicos são anglicizados de forma inconsistente

Você precisa de aplicação de terminologia e controle de registro que o prompt genérico de LLM não fornece.

Passo 2: Crie os Dados de Orientação​

Crie um arquivo de orientação que codifique seus requisitos linguísticos:

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."
}

O que cada campo faz:

  • grammar_rules — Injetado no prompt de sistema do LLM como restrições explícitas
  • dictionary — Comparado com as chaves de origem; quando um termo do dicionário aparece, ele é injetado como "terminologia obrigatória" no prompt
  • style_notes — Anexado ao prompt de sistema como orientação geral de estilo

Passo 3: Configure o Par​

Diga ao rosetta para usar llm-coached para o francês:

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"
    }
  }
}

Passo 4: Teste​

npx i18n-rosetta sync --dry

Revise a saída do dry-run. Verifique se:

  • ✅ Os termos do dicionário são usados de forma consistente ("tableau de bord", não "panneau de contrôle")
  • ✅ A forma vous é usada em todo o texto
  • ✅ Os termos técnicos correspondem ao seu dicionário

Em seguida, execute a sincronização real:

npx i18n-rosetta sync

Passo 5: Execute o Benchmark com o Eval Harness (Opcional)​

Se você quiser pontuações de qualidade — e você quer, porque os plugins vêm com dados de benchmark — use o eval harness complementar.

Instale o Harness​

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

Crie um Corpus de Referência​

Crie um arquivo com as strings de origem e traduções sabidamente boas:

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"
  }
]

Execute o Benchmark​

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

O harness gera as seguintes saídas:

  • chrF++ — F-score em nível de caractere (0–100). Acima de 70 é um resultado forte.
  • BLEU — Sobreposição de N-gramas (0–100). Acima de 40 é sólido para tradução guiada.
  • Taxa de correspondência exata — Proporção de traduções que correspondem exatamente à referência.

Exporte o Plugin​

Quando estiver satisfeito com as pontuações:

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

Isso cria:

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

Passo 6: Instale o Plugin no Rosetta​

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

Isso copia o plugin para .rosetta/methods/french-formal-v1/.

Atualize sua configuração para usá-lo:

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

Passo 7: Verifique​

# 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

A saída do 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%

O Que Você Criou​

Agora você tem:

  1. Dados de orientação — Regras gramaticais e terminologia que garantem a consistência
  2. Pontuações de benchmark — Qualidade quantificada incluída no plugin
  3. Um plugin portátil — method.json + dados de orientação, instalável em qualquer máquina
  4. Deploy em produção — Integrado ao seu pipeline de sincronização

Próximos Passos​