Skip to content
GalTransl
GalTransl
Public

About

支持GPT/Claude/Deepseek/Sakura等大语言模型的Galgame自动化翻译解决方案 Automated translation solution for visual novels supporting GPT/Claude/Deepseek/Sakura

Topics

aigalgametranslater

Resources

Readme
GPL-3.0 license
Activity
Custom properties

Stars

2.3k stars

Watchers

10 watching

Forks

161 forks
Report repository
BranchesTags

Latest commit

 

History

1,273 Commits

Folders and files

Repository files navigation

GalTransl

支持GPT/Claude/Deepseek/Sakura等大语言模型的Galgame自动化翻译解决方案

English

GalTransl是一套将数个基础功能上的改进与对GPT提示工程（Prompt Engineering）的深度利用相结合的Galgame自动化翻译工具，用于制作内嵌式翻译补丁。现在提供桌面端图形界面，无需命令行操作即可完成翻译全流程。

Tip

想翻译 Galgame，却不知道怎么提取台词、把译文放回游戏？

试试配套的 GalTransl-GalGameReverse-Skill：把工具包和游戏目录交给能操作本地文件的 AI 助手，让它帮你识别引擎、提取台词，再将 GalTransl 的翻译结果回写为游戏补丁。项目内附新手教程，建议先测试几句中文，再翻译整部游戏；具体支持范围以引擎和游戏版本为准。

🤖 现已支持 Agent 模式

Important

现在 GalTransl 支持 Agent 模式，可以自主完成整个翻译流程。

在桌面端进入 Agent 模式，用自然语言告诉它你的翻译需求，即可让 Agent 自主推进翻译任务。

GalTransl Agent 模式：自主进行翻译前准备并启动试译

译后校对子 Agent 默认可以直接修复分配范围内的译文；拿不准、修改后仍需确认的句子会留下 proofread_comment，交主 Agent 二次审查。主 Agent 默认接收修改统计和待审查摘要，完整修改记录与待审查清单可分页查询，修改也可按记录撤销。句子已被后续编辑时会拒绝覆盖；校对完成后仍需重建输出文件。

前言

    GalTransl的核心是一组自动化翻译流水线，解决了使用ChatGPT自动化翻译Gal过程中已知的大部分问题，并提高了整体的翻译质量。同时，通过与其他项目的组合，打通了制作补丁的完整流程，一定程度降低了上手门槛。对此感兴趣的朋友可以通过本项目更容易的构建具有一定质量的机翻补丁，并(或许)可以尝试在此框架的基础上高效的构建更高质量的汉化补丁。

  • 特性：
  1. 🖥️ 桌面端图形界面——基于Tauri + React构建的现代桌面应用，无需命令行操作，支持深色模式、自定义背景、多项目管理等
QQ20261003-110410
  1. 支持GPT/Claude/Deepseek/Sakura等大语言模型，并通过提示工程提高了GPT的翻译质量
  2. 支持GPT字典，让GPT了解人设，准确翻译人名、人称代词与生词
  3. 通过译前、译后字典与条件字典实现灵活的自动化字典系统
  4. 实时保存缓存、自动断点续翻
  5. 结合其他项目支持多引擎脚本一键解包与注入，提供完整教程降低上手难度
  6. 支持直接翻译srt、lrc、vtt字幕文件，mtool json文件，t++ excel文件，epub文件
  7. 🤗 Galtransl-7B-v3.5是为视觉小说翻译任务专项优化的本地模型，可在6G VRAM以上显卡部署，由sakuraumi和xd2333共同构建
  8. 🤗 GalTransl-14B-v3是GalTransl-v3模型的14b版本，得益于更大的底模及改进的对齐训练，GalTransl-14B-v3整体质量好于GalTransl-7B-v3

❗❗使用本工具翻译并在未做全文校对/润色的前提下发布时，请在显眼的位置标注"xx模型AI翻译补丁"，而不应是"个人汉化"补丁。

近期更新

  • 2026.8: 更新v8，新增Agent模式，由AI自主完成翻译流程
  • 2026.4: 更新v7，新增桌面端图形界面（Tauri + React），支持深色模式、自定义背景、多项目管理、可视化翻译流程等
  • 2025.5: 更新v6，新增翻译模板ForGal、新增GalTransl-14B-v3模型
  • 2024.5：更新v5，新增GalTransl-7B模型，新增多种文件类型支持
  • 2024.2：更新v4版，主要支持了插件系统
  • 2023.12：更新v3版，支持基于文件的多线程 by @ryank231231
  • 2023.7：更新v2版，主要重构了代码 by @ryank231231
  • 2023.6：v1初版发布

导航

环境准备

  • 桌面版（推荐）
    从 Release 下载对应平台的桌面包。Windows 使用 GalTransl_*_win.zip，解压后双击 GalTransl Desktop.exe，无需安装 Python。Linux x86_64 使用便携 .tar.gz，解压后运行 ./galtransl-desktop；系统仍需具备 WebKitGTK 4.1 等运行库。macOS 提供 Intel 和 Apple Silicon 两种 DMG，同时附带便携 .tar.gz。桌面端会为每个实例自动启动独立后端并分配空闲端口，关闭一个窗口只会停止它自己的后端，其他窗口继续运行。

实用工具

名称 说明
GARbro 引擎工具：神一样的解包工具。下载
KirikiriTools 引擎工具：Krkr、krkrz 提取、注入工具
UniversalInjectorFramework 引擎工具：sjis隧道、sjis替换模式通用注入框架
VNTextProxy 引擎工具：sjis隧道模式通用注入框架
GalTransl_DumpInjector 脚本工具：VNTextPatch的图形化界面，综合脚本文本提取导入工具
SExtractor 脚本工具：综合脚本文本提取导入工具
msg-tool 脚本工具：综合脚本文本提取导入工具
DBTXT2Json_jp 脚本工具：双行文本与json_jp互转脚本
EmEditor 文本工具：神一样的文本编辑器，主语用于修缓存文件。
VSCode 文本工具：神一样的文本编辑器，主语用于修缓存文件。
KeywordGacha 文本工具：使用 OpenAI 兼容接口自动生词语表

上手教程

做一个gal内嵌翻译补丁的大致流程是：

  1. 识别引擎 -> 解包资源包拿到脚本 -> 接2.
  2. 解包脚本为日文文本 -> 翻译为中文文本 -> 构建中文脚本 -> 接3.
  3. 封包为资源包/免封包 -> 接4.
  4. 引擎支持unicode的话，直接玩 -> 引擎是shift jis的，尝试2种路线使其支持显示中文

我会分成以上4个模块分步讲解，这个段落为了让没做过的朋友也能有机会上手，会写的更照顾小白一些。

  • 建议先只跑开头一个文件的翻译，或先随便添加一些中文，导回游戏确认可以正常显示再全部翻译

（点击展开详细说明）

第一章 识别与解包

 识别引擎其实很简单，通常来说，使用GARbro打开游戏目录内的任意资源包，在左下方的状态栏中就会显示引擎名称：

或者，参考资源包后缀表，比较资源包的后缀。

剧情脚本一般在一些有明显关键字的资源包，或在资源包中明显关键字的目录内，例如：scene、scenario、message、script等字样。并且脚本通常是由许多明显分章节、分人物，有的还分出了剧情和hs(例如带_h)，通常多翻找几个资源包就能找到。

或者，参考Dir-A佬的教程

特别的，针对新的krkrz引擎，GARbro已经无法打开资源包，可以用KrkrzExtract项目，将游戏拖到exe上启动。然后下一个全cg存档，直接把所有剧情ctrl一遍，也可以获取到脚本文件。

第二章 提取与翻译
  • 【2.1. 提取脚本文本】
        通常情况下，本项目是结合VNTextPatch工具来解包脚本的。 VNTextPatch是由外国大佬arcusmaximus开发的支持许多引擎脚本的提取与注入的通用工具。（但并不是这些引擎都能搞定了，实测有的游戏是会提取失败的）

    VNTextPatch是使用cmd操作的，为了降低上手难度，我搓了一个图形化的界面，你可以在项目的useful_tools/GalTransl_DumpInjector内找到，点击GalTransl_DumpInjector.exe运行。
    现在，你只需要选择日文脚本目录，然后选择保存提取的日文json的目录，这里一般将日文脚本放到叫script_jp的文件夹，再新建一个gt_input目录，用于存储提取出的脚本：
图1     需要注意GalTransl全程是使用name-message格式的JSON输入、处理和输出的。JSON是什么
提取出来的json文件可以用emeditor打开，一般是这个样子的：

[
  {
    "name": "咲來",
    "message": "「ってか、白鷺学園だったらあたしと一緒じゃん。\r\nセンパイだったんですねー」"
  }
]

    其中，每个{object(对象)}是一句话，message是消息内容，如果object还带了name，说明是对话。不过可能并不是所有类型的脚本都可以带name提取，当可以正确提取name时，GalTransl的翻译质量会更好。
    PS. GalTransl只支持指定格式的json文件输入，但并不是说GalTransl就与VNTextPatch工具绑定了，也可以使用SExtractor工具，现在也支持导出GalTransl需要的name-message格式JSON

  • 【2.2. 使用桌面端翻译（推荐）】     从 Release 下载最新版，解压后双击 GalTransl Desktop.exe 启动桌面端。桌面端会自动启动后端服务，无需手动操作。

    启动后的基本流程：

  1. 新建项目：在首页点击"新建项目"，选择项目存放位置，导入待翻译文件
  2. 配置翻译后端：在新建项目向导中选择翻译后端（如Deepseek、OpenAI等），填入API Key和Endpoint。也可以在左侧"后端配置"页面预先配置多个后端方案
  3. 设置字典：在项目的"项目字典"页面配置GPT字典和常规字典（建议至少配置人名字典）
  4. 开始翻译：在"开始翻译"页启动翻译，实时查看翻译进度和结果
  5. 浏览文本：翻译完成后在"浏览文本"页查看自动找错结果，修正缓存后重新生成

    桌面端支持同时打开多个项目、深色模式、自定义背景等功能，具体可在"设置"页面调整。

  • 【2.2b. 使用命令行翻译（高级用户）】     如需使用命令行版本，在项目示例文件夹sampleProject中，将config.inc.yaml重命名为config.yaml，将日文json文件放入gt_input文件夹，编辑config.yaml配置翻译后端：
# 翻译后端相关设置
backendSpecific:
  OpenAI-Compatible: # (ForGal/ForNovel/GenDic)OpenAI API兼容接口通用
    tokens:
      - token: sk-example-key1
        endpoint: https://api.deepseek.com # 请求地址，加不加v1都可以
        modelName: deepseek-chat
      - token: sk-example-key2
        endpoint: https://openrouter.ai/api/v1/chat/completions # /chat/completions结尾则不自动补v1
        modelName: deepseek/deepseek-chat-v3-0324:free
        stream: true # 支持为单个token设置流式请求
  • 一些收费api转发项目，例如：硅基流动（modelName: "deepseek-ai/DeepSeek-V3.1-Terminus"）、oaipro等等，以上只是举例，更多中转可以谷歌，本项目不担保它们的稳定性及可用性。

    但要注意这里获取的key填入的同时要修改endpoint地址，一般在对应平台的说明里能找到：

      - token: sk-example-key1
        endpoint: https://api.siliconflow.cn # 请求地址，加不加v1都可以

    修改好项目设置后，确保你已经安装了需要的依赖（见环境准备），然后双击run_GalTransl_terminal.bat，输入项目路径即可开始翻译。

    但是，不建议就这样开始翻译了，请至少要先学会GPT字典的使用，或者选择GenDic来生成一个人名字典，为你要翻译的gal设定好各角色的人名字典，这样才能保证基本的翻译质量。

    翻译完成后，记得修修缓存，因为大模型经常会犯错。GalTransl会自动查找一些常见问题并记录于缓存中。可以对缓存进行修正，并重新运行程序来基于缓存重新生成结果json，见自动化找错章节和翻译缓存章节

  • 【2.3. 构建中文脚本】
        如果你是使用GalTransl提取注入工具提取的脚本，构建同理，选择日文脚本目录、中文json目录、中文脚本保存目录，然后点'注入'，即可将文本注入回脚本。但这里面有一些坑，第四章会提到。

注：

  1. 这里一般把中文脚本保存目录叫script_cn，因为日文脚本目录叫script_jp
  2. 一般使用什么工具导出，就用什么工具导入。所以要先尝试导入导出是否都正常再开始翻译。

第三章 封包或免封

    构建好中文脚本后，下一步就是想办法让游戏读取。首先目前主流引擎基本都是支持免封包读取的，可以继续参考Dir-A佬的教程，看看你要搞的引擎支不支持免封包读取。
    特别的，针对krkr/krkrz引擎，可以使用arcusmaximus大佬的KirikiriTools工具，下载里面的version.dll，丢到游戏目录里，然后在游戏目录里新建一个"unencrypted"文件夹，将脚本直接丢进去（不用新建二级目录），就可以让krkr读取

第四章 引擎与编码

    在这一章首先需要了解一下unicode、sjis(shift jis)、gbk编码的基础知识，为了偷懒在这里我还是放Dir-A佬的文章，如果你对这块不了解的话，先去读一下。

如果你在做的引擎支持unicode编码，例如krkr、Artemis引擎等，一般就可以直接玩了。但如果引擎是使用sjis编码的话，直接打开会是乱码，这时候需要通过2种路线尝试使其可以正常显示中文：

路线1：使用GBK编码注入脚本，然后修改引擎程序使其支持GBK编码
路线2：仍然使用jis编码注入脚本，但通过jis隧道或jis替换（推荐）2种方式，结合通用注入dll在运行过程中通过动态替换来显示中文

GalTransl提取注入工具的VNTextPatch模式注入脚本时默认是以sjis或unicode(utf8)编码注入的，这取决于引擎类型。

  • 使用路线1
    （注：这个模式现在有bug，有的引擎会卡死）在注入前勾选"GBK编码注入"，在这个模式下所有GBK编码不支持的字符将被替换成空白，例如音符♪
    然后需要ollydbg或windbg工具，在这里下载，用于修改引擎。
    最后还是去看Dir-A佬的教程，里面有教如何下断点、修改，完全没接触过逆向的话这可能很难，但没办法，照着视频多试试。

  • 使用路线2
    在注入脚本时先什么都不勾选，如果有提示"sjis_ext.bin包含文字：xxx"的话，说明程序是以sjis编码注入的，并把这些不支持显示的字符放到script_cn目录内的sjis_ext.bin里供sjis隧道模式调用了。

jis隧道：仍然来自arcusmaximus大佬的VNTranslationTools项目中的VNTextProxy组件。VNTextPatch在将文本注入回脚本时，会将sjis编码不支持的字符临时替换为sjis编码中未定义的字符，VNTextProxy通过DLL劫持技术HOOK游戏，并在遇到这些字符时再把它还原回去。

当使用sjis隧道模式时，将script_cn内的sjis_ext.bin文件移动到游戏目录内，然后将useful_tools\VNTextProxy内的所有dll逐个丢到游戏目录内(一般推荐先试version.dll，或使用PEID/DIE等工具查输入表)，运行游戏，看有没有哪个dll可以正确的hook游戏并让不显示的文本可以正常显示（不正常的话那些地方会是空的）。不正常的话，删掉这个DLL，换下一个。详细设置见此

jis替换：来自AtomCrafty大佬的UniversalInjectorFramework(通用注入框架)项目，也是通过DLL劫持技术HOOK游戏，并可以将某个字符根据设置替换成指定的另一个字符，不限编码。我建立了一套替换字典，按一些规则梳理了jis编码内不支持的简中汉字与jis支持的日文汉字的映射关系，可以满足99.99%常用简体中文汉字的正常显示(见hanzi2kanji_table.txt)，并将替换功能写在了GalTransl提取注入工具内(新：现在SExtractor也支持替换，并且更好用)。在替换后结合UniversalInjectorFramework的动态Hook替换功能在游戏中将这些日文汉字替换回简中文字，实现游戏的正常显示。

当使用sjis替换模式时，可以先运行一遍GalTransl提取注入工具的注入文本，获取游戏不支持的文字列表（注入后会提示"sjis_ext.bin包含文字：xxx"），然后，勾选"sjis替换模式注入"，把这些文字复制到右边的文本框内，再点击注入。注入后会获得一个sjis替换模式配置。

打开useful_tools/UniversalInjectorFramework文件夹，里面也是很多dll，也是逐个尝试，一般推荐先试winmm.dll，把目录内的uif_config.json一并复制到游戏目录，然后编辑这个json，按GalTransl提取注入工具提供的配置填写source_characters和target_characters。
然后运行游戏，如果游戏可以正常运行，并且弹出了一个像这样的控制台：
img_terminal 那多半就搞定了。如果不正常的话，删掉这个DLL，尝试换下一个。
注：UniversalInjectorFramework也支持sjis隧道模式，可以设置tunnel_decoder为True然后在mapping里填入sjis_ext.bin包含文字。
注：UniversalInjectorFramework的控制台窗口可以隐藏，详细配置文件设置见此

GalTransl核心功能介绍

介绍GPT字典、缓存、普通字典、找问题等功能。
（点击展开详细说明）

GPT字典

    GPT字典系统是使用GalTransl翻译时想提高质量的关键功能，通过补充设定的方式大幅提高翻译质量，是GPT翻译区别于传统机翻的核心。适用于gpt35、gpt4、newbing。
在程序目录中，Dict文件夹内有"通用GPT字典.txt"，在项目文件夹内可以新建"项目GPT字典.txt"，一般人名定义写进项目字典，通用提高翻译质量的词汇写进通用字典。
  • 举例来说，你可以提前在这里对每个角色名的中文翻译进行定义，并说明这个角色的设定，例如性别、大致年龄、职业等。通过自动给GPT喂这些设定，可以自动调整合适的人称代词他/她、称谓等，并固定人名为假名时的中文翻译。
  • 再比如，可以在这里为GPT补充一些它总是翻不对的词语，如果提供一定的解释，它会理解的更好。
  • 通过下面这个例子认识GPT字典喂人物设定的用法，每行的格式为日文[Tab]中文[Tab]解释(可不写)，注意中间的连接符为TAB
フラン	芙兰	name, lady, teacher
笠間	笠间	笠間 陽菜乃’s lastname, girl
陽菜乃	阳菜乃	笠間 陽菜乃's firstname, girl
张三	张三	player's name, boy
$str20	$str20	player's codename, boy

这几条字典都是定义角色用的：

  • 第一条可以理解为我想告诉GPT：“假名フラン的翻译是芙兰，这是人名，是位女士，是老师”。这样GPT在翻译フラン先生的时候就会翻译成芙兰老师而不会是芙兰医生。
  • 二三条是同一个人的日本姓和名，经测试姓名必须拆成两行写，不然GPT3.5会不认识。
  • 第四条是设定主角的推荐写法。注意即使日文和中文相同，也要再重复一遍
  • 第五条是主角在脚本中使用占位符而不是名字时的推荐写法。
  • 设定不要太复杂，否则会让GPT多很多奇怪脑补。
  • 通过下面这个例子认识GPT字典喂生词的用法，每行的格式亦为日文[Tab]中文[Tab]解释(可不写)，注意中间的连接符为TAB
大家さん  房东
あたし	我/人家	use '人家' when being cute
  • 当你发现GPT不太认识这个词，例如“大家さん”，并且这个词含义比较唯一，那么就可以像这样加进通用GPT字典里，解释不是必要的。
  • 第二行的中文写了一个多义词“我/人家”，并且在解释中写了“当扮可爱时用人家”。GPT3.5没那么聪明，但GPT4基本可以灵活运用。
  • 想让GPT更瑟？自己加字典（

在程序目录中，Dict文件夹内有"通用GPT字典.txt"，在sampleProject文件夹内会有"项目GPT字典.txt"，一般人名定义写进项目字典，通用提高翻译质量的词汇写进通用字典。
只有当本次发送给GPT的人名和句子中有这个词，这个词的解释才会被送进本轮的对话中。
但不要什么词都往里加，什么都往里加只会害了你，推荐只写各角色的设定和总是会翻错的词。

运行时字典会动态的展示在每一次请求里：

img_start

常规字典

在GalTransl中，常规字典是分为"译前字典"与"译后字典"的。译前字典是在翻译前对日文的a to b替换处理，译后字典是对译后中文的a to b替换处理。

译前字典多用于一些口齿不清的矫正情况，以及多个词代表同个意思的话，可以用译前字典先统一，减少GPT字典的输入。

译后字典就是比较常见的字典，在译后将某个词替换成另一个词，但是此处我改进了一个叫"条件字典"的东西。条件字典实际上就是在替换前增加了一步判断，用于避免误替换、过度替换等情况。
每行格式为pre_jp/post_jp[tab]判断词[tab]查找词[tab]替换词

  • pre_jp/post_jp代表判断词查找的位置，定义在"翻译缓存"章节讲
  • 判断词：如果在查找位置(pre_jp/post_jp)中找到判断词，才会激活后面的替换。
  • 判断词可以在开头加"!"代表"不存在则替换"，否则一般是代表"存在则替换"。
  • 判断词可以使用[or]或[and]关键字连接，多个[or]连接代表"有一个条件满足就进入替换"，多个[and]连接代表"条件都满足才进入替换"。
  • 查找词、替换词，同普通字典，将a替换成b。

翻译缓存

开始翻译后，可以在transl_cache目录内找到翻译缓存。

翻译缓存与json_jp是一一对应的，在翻译过程中，翻译结果会优先写进缓存里，当一个文件被翻译完成后，才会出现在json_cn里。

首先，总结一些要点：

  1. 当你想重翻某句时，打开对应的翻译缓存文件，删掉该句的pre_zh整行(不要留空行)
  2. 当你想整段重翻时，直接删对应的数个object块，重翻某文件时，直接删对应的翻译缓存文件。
  3. 当GalTransl正在翻译时，不要修改正在翻译的文件的缓存，改了也会被覆写回去。
  4. json_cn结果文件 = 翻译缓存内的pre_zh/proofread_zh + 译后字典替换 + 恢复对话框
  5. 当新的post_jp与缓存内的post_jp不一致时，会触发重翻，一般发生在添加了新的译前字典时

下面是翻译缓存的典型样例：

    {
        "index": 4,
        "name": "",
        "pre_jp": "欠品していたコーヒー豆を受け取ったまでは良かったが、\r\n帰り道を歩いていると汗が吹き出してくる。",
        "post_jp": "欠品していたコーヒー豆を受け取ったまでは良かったが、\r\n帰り道を歩いていると汗が吹き出してくる。",
        "pre_zh": "领取了缺货的咖啡豆还好，\r\n但是走在回去的路上就汗流浃背了。",
        "proofread_zh": "领了缺货的咖啡豆倒是没问题，\r\n可是走在回去的路上，汗水就冒了出来。",
        "trans_by": "NewBing",
        "proofread_by": "NewBing",
    },

解释一下每个字段的含义:

  • 基本参数：
    index 序号
    name 人名
    pre_jp 原始日文
    post_jp 处理后日文。一般来讲，post_jp = pre_jp 去除对话框 + 译前字典替换。你会代码的话也可以在此处加入自己的处理
    pre_zh 原始中文
    proofread_zh 校对的中文
    （没有post_zh，post_zh在结果文件夹里。）
    trans_by 翻译引擎/翻译者
    proofread_by 校对引擎/校对者
    problem 存储问题。见下方自动化找错。
    post_zh_preview 用于预览json_cn，但对它的修改并不会应用到json_cn，要修改pre_jp/proofread_zh

  • 简单讲下如何用Emeditor修缓存：选中一个文件，先右键-Emeditor打开，然后把transl_cache内所有文件全选拖进去。
    这时候标签可能会占很大位置，右键标签-自定义标签页，将"标签不合适时"改成"无"，这样标签就只会在一行了（需要使用Emeditor专业版）。
    接着ctrl+f搜索，搜索你感兴趣的关键字（如problem、proofread_comment），勾选"搜索组群中所有文档"，即可快速在所有文件中搜索，或点提取快速预览所有的问题。

  • VSCode也是非常好的修缓存工具，只要使用VsCode打开缓存文件夹，然后全局搜索如problem，就可以快速定位所有问题

  • 在确定需要修改的内容后，直接修改对应句子的pre_zh，或proofread_zh，然后重新跑一遍Galtransl，很快就会生成新的json_cn

自动化找错

GalTransl根据长期对翻译结果的观察建立了一套根据规则自动找问题的系统。

 找问题系统的开启是在各个项目的`config.yaml`里，默认配置是这样的 
# 自动问题分析配置，在-前面加#号可以禁用
problemAnalyze:
  problemList: # 要发现的问题清单
    - 词频过高 # 重复大于20次
    - 标点错漏 # 标点符号多加或漏加
    - 残留日文 # 日文平假名片假名残留
    - 丢失换行 # 缺少换行符，一般没事
    - 多加换行 # 换行符比原句多，可能导致溢出屏幕
    - 比日文长 # 比日文长1.3倍以上
    - 字典使用 # 没有按GPT字典要求翻译
    - 语言不通 # 疑似没有被翻译成目标语言，翻译为中文时检查是否包含非GBK字符
    #- 引入英文 # 本来没有英文，译文引入了英文
    #- 比日文长严格 # 严格查找，不能比日文长

目前支持找以上问题，有的项目被#号注释，可以取消来开启，或手动加上#号关闭对应问题的查找。

找到问题后会存在翻译缓存里，见翻译缓存章节，使用Emeditor批量提取problem关键字就可以看到目前所有的问题了，并通过修改缓存的pre_jp来修正问题。

（新） 现在还可以通过在config.yaml中配置retranslKey来批量重翻某个问题，例如 retranslKey: "残留日文"

配置文件与翻译引擎设置

ForGal-json、ForGal-markdown 和 ForNovel 默认使用多轮对话翻译。同一文件分块内的连续批次共享对话，首轮发送完整规则和翻译规范，后续轮次发送新文本与本轮词表。流式和非流式响应的思考内容会随历史消息回传。Sakura/GalTransl 本地模型保持原有流程。

桌面端「翻译设置」可开关多轮翻译，「高级设置」可调整会话限制；也可在项目配置的 common 中设置：

gpt.multiTurn: true
gpt.multiTurn.maxTurns: 8
gpt.multiTurn.maxChars: 24000
gpt.contextNum: 8

轮数或字符预算（含思考内容）达到限制后会新开会话，并补充最近 gpt.contextNum 句译文。字符预算用于限制历史，不会截断单批输入；模型上下文较小时也应减小单次翻译句数。缓存命中造成的跳段会从对应位置重新建立上下文。设置 gpt.multiTurn: false 可恢复单轮请求；gpt.contextNum: 0 仅关闭补充前文，不关闭多轮对话。接口每轮仍接收完整会话历史，费用取决于接口的上下文缓存策略。

桌面端通过图形界面管理翻译后端配置（左侧"后端配置"页面），无需手动编辑YAML。项目级配置可在"配置编辑"页面修改。

命令行版本的详细设置项可以直接阅读 config.yaml 配置文件注释，目前已经比较详细。

开发与构建

开发环境配置（开发者/高级用户）

  • 命令行版（开发者/高级用户） 如需使用命令行版本或参与开发：

    1. 下载本项目 或 clone 仓库，解压到任意位置
    2. 安装 Python 3.11.9。 下载 安装时勾选下方 add Python to path
    3. 安装Python依赖：双击 安装、更新依赖.bat，或手动执行 pip install -r requirements.txt

桌面端开发模式

以下步骤适用于 Windows。从源码运行桌面端时，请先 clone 或下载本仓库源码，并在仓库根目录（包含 run_desktop_dev.bat 的目录）打开终端。

首次准备环境

  1. 安装 Python 3.11.9 和 Node.js LTS，确保 python、node、npm 已加入 PATH。
  2. 若要启动原生桌面窗口，安装 Rust，使用默认的 Windows MSVC 工具链；安装Rust时会提示安装VC工具链和SDK，要一并安装。
  3. 安装完成后重新打开终端，在仓库根目录执行以下命令，建立项目独立的 Python 环境并安装依赖：
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
npm.cmd --prefix desktop ci

日常启动

双击仓库根目录的 run_desktop_dev.bat，或在终端执行：

.\run_desktop_dev.bat

启动脚本会自动激活仓库中的 .venv，并识别默认安装在 %USERPROFILE%\.cargo\bin 下的 Cargo。脚本会分别打开 Python 后端和前端开发控制台：

  • 后端地址为 http://127.0.0.1:12333，前端开发地址为 http://127.0.0.1:1420/。
  • 检测到 Cargo 时，会编译并打开 Tauri 桌面窗口。首次启动需要下载 Rust 依赖并编译，请等待控制台完成。
  • 未检测到 Cargo 时，会启动浏览器开发模式；手动打开前端地址即可。此模式无需安装 Rust、C++ 编译工具或 WebView2。
  • 前端代码修改后支持热更新，Rust 代码修改后会自动重新编译；修改 Python 后端代码后需要重启后端。

使用注意

  • .venv 和依赖只需首次创建、安装。更新源码后，如果依赖有变化，重新执行上面的 Python 依赖安装命令和 npm.cmd --prefix desktop ci。
  • 如果出现 ModuleNotFoundError，检查是否已将依赖安装到仓库的 .venv 中；启动脚本不会自动安装 Python 依赖。
  • 启动前确保 12333 和 1420 端口未被其他实例占用。退出时在后端、前端两个开发控制台分别按 Ctrl+C 停止服务，再关闭控制台；只关闭桌面窗口不会停止单独运行的 Python 后端。
  • 后端会独占监听端口；重复启动时，新后端会提示端口占用并退出，已有后端继续运行。应用此修复后，请先停止之前启动的所有旧后端，再重新运行启动脚本。

Linux x86_64 开发与构建

当前 Linux 支持范围为 x86_64，不包含 ARM。

Ubuntu 22.04+/Debian 12+ 可安装以下依赖：

sudo apt-get update
sudo apt-get install -y build-essential curl file libssl-dev patchelf rpm \
  libwebkit2gtk-4.1-dev libayatana-appindicator3-dev librsvg2-dev

Fedora 可使用：

sudo dnf install webkit2gtk4.1-devel openssl-devel curl wget file \
  libappindicator-gtk3-devel librsvg2-devel rpm-build dpkg

首次准备和日常启动：

python3.11 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
npm --prefix desktop ci
./run_desktop_dev.sh

脚本会先启动 Python 后端，再启动 Tauri 桌面端；未安装 Cargo 时会退回到浏览器开发模式。

构建 Linux 发布包：

python build_linux_x64.py --no-bundles

Linux CI 和正式发布只生成便携包；需要本地测试安装包时，可通过 --formats deb,appimage 选择 Tauri 安装包格式。

输出位于 release/：

  • GalTransl_*_linux_x86_64.tar.gz
  • GalTransl_*_linux_x86_64.tar.gz

正式发布包应在 Ubuntu 22.04 或同等 glibc 基线的环境中构建。应用设置写入 $XDG_CONFIG_HOME/GalTransl，用户通用字典写入 $XDG_DATA_HOME/GalTransl/Dict；通用翻译规范和 Agent 会话分别写入 $XDG_DATA_HOME/GalTransl/translation_guidelines 与 $XDG_DATA_HOME/GalTransl/agent_sessions。未设置 XDG 环境变量时使用 ~/.config 和 ~/.local/share；安装目录中的字典和规范只作为初始种子。Windows 继续使用程序目录中的配置与字典。

Linux 支持不代表所有外部工具均已移植：例如 msg-tool 插件自带的 res/msg_tool.exe 是 Windows 程序，相关脚本格式的提取/回填不能直接在 Linux 上使用。

macOS 开发与构建

当前 macOS 构建覆盖 Intel（x86_64）和 Apple Silicon（arm64）。需要安装 Xcode Command Line Tools、Python 3.11、Node.js、Rust，以及项目依赖：

npm --prefix desktop ci
python build_macos.py

构建结果位于 release/，包括对应架构的 .dmg 和便携 .tar.gz。未签名构建可能被 macOS Gatekeeper 拦截；正式分发时应配置 Apple Developer 签名与公证。

自动构建与发布（维护者）

自动构建与发布

Build and draft release 使用 Windows x64、Ubuntu 22.04 x86_64 和 macOS Intel/Apple Silicon 原生 runner 编译桌面包。

发布验收会从独立目录启动解压后的后端，使用临时配置和用户数据目录，并实际解析 TXT、JSON、EPUB 文件。macOS 还会挂载 DMG、复制其中的 .app，校验版本、前后端架构和资源，再启动应用包内的后端完成同样的检查。

触发方式 结果
更新 main、提交 PR 测试、构建 Windows、Linux 和 macOS，并上传本次 Actions artifacts
Actions → Build and draft release → Run workflow 手动试打包；只生成 artifacts，不创建或修改 Release
推送版本 tag（8.2.0 或 v8.2.0） Windows、Linux、macOS 全部测试、构建及打包后检查通过后，创建草稿 Release 并上传附件

下载试构建：打开工作流运行详情，在 Artifacts 中按需下载（均保留 14 天）。Linux 和 macOS 便携包直接以 GalTransl_<版本>_linux_x86_64.tar.gz、GalTransl_<版本>_macos_x86_64.tar.gz 或 GalTransl_<版本>_macos_arm64.tar.gz 为名提供，下载后解压一次即可使用，并保留可执行权限。Windows 的 GalTransl-windows-x64 和 macOS 对应架构的 dmg artifact 仍由 Actions 提供外层 ZIP。

发布新版本（维护者）：

  1. 更新 GalTransl/__init__.py 中的 GALTRANSL_VERSION，提交并推送包含此工作流的代码。
  2. 推送与源码版本一致的新 tag。下面以尚未发布的 8.2.0 为例，实际使用时替换为本次版本： 
    git tag 8.2.0
git push origin 8.2.0
  3. 等待工作流成功，在 Releases 检查自动生成的草稿，补充发布说明，然后手动点击 Publish release。上传过程中不要提前发布草稿。

tag 支持 X.Y.Z 和 vX.Y.Z，必须与源码版本一致；不要移动或重新使用已有 tag（例如 8.1.0）。正式附件包括 Windows .zip、Linux .tar.gz、macOS Intel/Apple Silicon 的 .dmg 和 .tar.gz，以及 SHA256SUMS.txt。下载全部附件后可用 sha256sum -c SHA256SUMS.txt 校验；Windows 可用 PowerShell Get-FileHash <文件> -Algorithm SHA256 对照清单。

流程只使用 GitHub 内置的 GITHUB_TOKEN，不需要额外 PAT 或翻译 API 密钥。只有发布 job 申请 contents: write；如果组织策略禁止写入，需要管理员允许该仓库的 Release 写入权限。失败后可以重跑：现有草稿会更新自动构建的附件，保留手工编辑的标题和说明；已经正式发布的 Release 则拒绝覆盖。手动选择 tag 运行也只会生成 artifacts。

构建后会解压最终便携包，在源码目录之外启动后端并检查版本和插件列表；这不替代完整桌面 GUI、各安装器及全部插件的功能测试。

About

支持GPT/Claude/Deepseek/Sakura等大语言模型的Galgame自动化翻译解决方案 Automated translation solution for visual novels supporting GPT/Claude/Deepseek/Sakura

Topics

aigalgametranslater

Resources

Readme
GPL-3.0 license
Activity
Custom properties

Stars

2.3k stars

Watchers

10 watching

Forks

161 forks
Report repository

Releases

Used by

Contributors

Languages