计算机英文教材太难啃？Higress 和通义千问帮你！

作者：张添翼（澄潭）

计算机相关英文教材的中译本质量堪忧，对于计算机专业的学生来说，应该深有体会。因为大部分教材的译者本人可能未必完全吃透书中技术内容，又或者是领域技术大拿，但并不擅长英文翻译。

本文将介绍基于 AI 大语言模型进行英文技术内容翻译，并基于又免费又好用的翻译软件进行内容呈现，帮助大家轻松学习计算机英文原版教材。

先介绍两个 Chrome 插件

沉浸式翻译：

https://immersivetranslate.com

openai translator：

https://github.com/openai-translator/openai-translator

这两个工具支持对接 OpenAI ChatGPT 来进行内容翻译，其中沉浸式翻译还支持 PDF、EPUB，以及视频字幕的实时翻译。其翻译效果远超 Google 翻译，甚至人工翻译。其原因是推理模型本身基于内容的理解之后的翻译，而即使是英语专八水平，如果缺少特定领域知识（如：计算机、医学、物理学），也很难翻译出信达雅的水平。

虽然国内用户无法使用 OpenAI ChatGPT 的功能，但我们有自己的通义千问，结合 Higress [ 1] 的多模型协议转换能力（在这篇《通义千问 2.5 “客串” ChatGPT4，你分的清吗？》中有介绍），就可以用极低的 API 调用成本用上这两个插件了。

通义千问前不久刚进行了一轮大降价：《击穿全网底价，通义千问 GPT-4 级大模型直降 97%！1 块钱能买 200 万 tokens》 [ 2]

本文下面演示的效果就是基于 1 块钱 200 万 tokens 额度（相当于 5 本新华字典的文字量）的 qwen-long 模型。

在演示之前，先要感谢沉浸式翻译的作者 Owen 和 openai translator 的作者 Yetone 设计并开发出如此优秀的工具，帮助知识的传递跨域语言的边界，让跨语言学习变得更容易，用母语去沉浸式学习，👩再也不用担心我的学习了～

Higress × 通义千问效果演示

Part.1 沉浸式学习 Rust（使用沉浸式翻译）

这里选取了 Rust 官方的《The Rust Programming Language》 [ 3] 的 Understanding Ownership 一节的部分内容进行演示。因为是浏览器在线阅读，直接开启沉浸式翻译就可以看到双语显示：

通义千问翻译

人工翻译

我在 GitHub 上找到一个项目 star 数有 4.3k 的中文版：《Rust 程序设计语言》 [ 4] ，对比上面截取内容的翻译如下：

对比上面通义千问的翻译，阅读这个人工翻译内容，我的阅读速度明显下降了；推测人工翻译作者应该是在机器翻译的基础上，做了一些简单调整，所以有一些翻译并不是中文语境下的常见句式，例如：

英文原文： Think of being seated at a restaurant. When you enter, you state the number of people in your group, and the host finds an empty table that fits everyone and leads you there.

中文版翻译： 想象一下去餐馆就座吃饭。当进入时，你说明有几个人，餐馆员工会找到一个够大的空桌子并领你们过去。

而这一段通义千问的翻译是：

想象一下在餐厅就座的情景。进入时，你告诉服务员你们一行的人数，然后服务员会找到一张足以容纳所有人的空桌子并带你们过去。

通义千问在翻译时，举例来说，做了这样的改进：

语句格式更完整（想象一下去餐馆就座吃饭->想象一下在餐厅就座的情景）
去掉了中文语境下冗余的介词“When”（当进入时）
补充了英文原文中省略的宾语（你告诉服务员）

通义千问的翻译显然更容易阅读和理解。另外值得一题的是《The Rust Programming Language》一书还在跟随 Rust 语言自身的演进不断迭代。但中文版《Rust 程序设计语言》仍停留在 2021 年的版本。

Part.2 沉浸式学习编译原理（使用沉浸式翻译）

这里选取了 Bob Nystrom 编写的《Crafting Interpreters》 [ 5] 的 Garbage Collection 一节的部分内容进行演示。用的作者免费发布的开源 PDF，用沉浸式翻译工具打开 PDF 即可。

效果炸裂！

Part.3 主动和英文世界交流（使用 openai translator）

“学而不思则罔”。在学习的过程中，我们难免会有疑问需要交流，对于这些英文技术内容，国内的讨论地方不多，我们可以去 Reddit 上和外国友人进行交流。例如这里就有对于 Crafting Interpreters [ 6] 的一些讨论。

如果你的英文能力不佳，可以考虑使用 openai translator 来翻译你的问题，然后发布到 Reddit 上：

我这里手滑把“误”识别打成了“勿”识别，不过通义千问显然结合语境知道了我真正的意图，翻译成了“misidentification”。

Bravo!

对了，我们还可以来跟通义千问对话一下，看看他的回答：

这里使用了 Higress+NextChat，把 gpt-4 模型映射为通义千问的 qwen-max 模型，所以截图显示为 gpt-4，具体方式可以参考这里：https://github.com/alibaba/higress/issues/938

手把手教你如何配置

Step.0 创建通义千问 API Key

使用支付宝注册 [ 7] 一个阿里云账号
进入灵积平台 [ 8] ，创建一个 API Key

Step.1 启动 Higress

Higress 支持用 Docker 启动：

# 创建一个工作目录
mkdir higress; cd higress
# 启动 higress，配置文件会写到工作目录下
docker run -d --rm --name higress-ai -v ${PWD}:/data \-p 8001:8001 -p 8080:8080 -e CONFIG_TEMPLATE=ai-proxy \-e DEFAULT_AI_SERVICE=qwen -e DASHSCOPE_API_KEY="这里填APIKey" \higress-registry.cn-hangzhou.cr.aliyuncs.com/higress/all-in-one:1.4.0-rc.1

默认模型映射方式：

gpt-4 映射到 qwen-max
其他都映射到 qwen-long

如有需求，你也可以在浏览器输入: http://localhost:8001 **登陆 Higress 控制台，在 qwen 这个路由的策略里找到 AI 代理插件，修改映射到其他模型：

Step.2.1 配置沉浸式翻译

找到沉浸式翻译的设置页，在翻译服务处选择 OpenAI，点开设置。

沉浸式翻译比较消耗 token，这里我们用最便宜的 qwen-long 模型。因为除了 gpt-4 都被 Higress 映射到了 qwen-long，这里可以直接选 “gpt-3.5-turbo”。

然后再填入自定义接口地址：http://127.0.0.1:8080/api/openai/v1/chat/completions

📢 注意： 这里不再需要填写 API Key，因为 Higress 代理后没有配置 API Key，当然你也可以设置一个自定义的 API Key，然后将 Higress 地址暴露到外部给其他人使用，并通过 API Key 来进行认证。

Higress 侧最简单的配置方式，就是为路由直接配置一个 Authorization Header 匹配，如下图配置后，API Key 就是 “my-custom-token”：

Step.2.2 配置 openai translator

找到 openai translator 的设置页，服务提供商选择 OpenAI，进行如下类似的配置，不过这里我们把模型改为 gpt-4，即 Higress 映射后的 qwen-max。因为使用 openai translator 的场景一般不会输入太多 token，我们使用 qwen-max 会比 qwen-long 有更好的翻译效果：

解锁 Higress AI 代理插件的更多玩法

更精确的翻译修订

Higress 支持使用 qwen-long 模型的文件上传对话能力，可以用如下命令上传一份自定义的词典用于翻译上下文：

curl --location --request POST 'https://dashscope.aliyuncs.com/compatible-mode/v1/files' \--header 'Authorization: Bearer 这里填APIKey' \--form 'file=@"./dict.txt"' \--form 'purpose="file-extract"'# 返回内容：
{"id":"file-fe-xxxxxxx","object":"file","bytes":596687,"created_at":1716635947,"filename":"doc.md","purpose":"file-extract","status":"processed"}

将返回 json 的 id 字段配置到 Higress AI 代理插件的配置中：

provider:apiTokens:- "sk-0e6c387446ff45d0924111475a82462e"modelMapping:'*': "qwen-long"gpt-4: "qwen-max"gpt-4-turbo: "qwen-max"gpt-4o: "qwen-max"qwenFileIds:- "file-fe-xxxxxxx"type: "qwen"

后续用 qwen-long 翻译就可以用上这些上下文信息了。当然这个玩法不仅局限于翻译，还可以用在基于文档的 FAQ 机器人搭建等场景。