新闻详情

新闻详情

首页 / 资讯中心 / 详情

本地大模型翻译:如何用CopyTranslator+Ollama搭建私有免费的离线翻译环境

发布时间:2026/11/4 19:04:03来源:尧图网络
本地大模型翻译:如何用CopyTranslator+Ollama搭建私有免费的离线翻译环境
本地大模型翻译如何用CopyTranslatorOllama搭建私有免费的离线翻译环境【免费下载链接】CopyTranslatorForeign language reading and translation assistant based on copy and translate.项目地址: https://gitcode.com/gh_mirrors/co/CopyTranslatorCopyTranslator 是一款免费开源的复制翻译桌面工具你只需复制外文文字译文就会立刻显示在悬浮窗口中。从 v12 起它支持接入符合 OpenAI 格式 API 的大语言模型LLM进行 AI 翻译。而Ollama可以在你的电脑上运行开源大模型并自动提供一个 OpenAI 兼容的本地服务。两者结合就能搭建一套私有、免费、完全离线的本地大模型翻译环境——无需申请 API Key不消耗流量敏感内容不出内网。本文带你用不到 10 分钟完成搭建。为什么选择本地大模型翻译在线翻译和云端 AI 翻译都依赖外部服务存在三个痛点隐私顾虑论文、代码、商务文档等内容会经过第三方服务器成本问题按 Token 计费的 API重度使用费用不低网络依赖断网环境出差、内网、飞机上寸步难行。而本地大模型翻译可以一次性解决这些问题模型下载后永久免费翻译请求只在你本机回环地址localhost之间流转断网也能正常工作。CopyTranslator 已内置Ollama本地供应商模板配置过程非常友好。CopyTranslator 的核心体验是复制即翻译监听剪贴板复制外文后自动弹出译文并支持智能互译、对照模式、多源对比等能力详见 docs/guide/12.1.0.md。准备工作先装好这两个工具工具作用版本要求CopyTranslator复制翻译主程序负责触发与展示译文v12.1.0 及以上AI 翻译从 v12 引入Ollama在本机运行与管理开源大模型最新稳定版即可Ollama 支持 Windows / macOS / Linux安装方式为传统的安装包或一键脚本安装后会在本地11434端口启动服务。硬件参考7B 参数模型大约需要 8GB 内存CPU 即可运行速度一般16GB 显存的显卡可以流畅运行 7B~14B 模型。翻译任务对模型要求不高7B 级别就足够实用。一键部署拉取合适的本地翻译模型Ollama 把下载模型做成了类似 Docker Pull 的一条命令。打开终端根据你的硬件选择一条执行通用推荐ollama pull qwen2.5—— 中文能力出色中英互译表现好英文场景ollama pull llama3.2—— 轻量快速英文翻译稳定资源有限ollama pull gemma2或ollama pull mistral—— 4B~8B 级别小内存设备可用。CopyTranslator 的 Ollama 模板中预置了这些推荐模型见 provider-templates.tsollama list # 查看本地已下载的模型 ollama run qwen2.5 你好请用英文自我介绍 # 命令行简单验证只要命令行能正常对话说明本地模型已经就绪。如果目标机器无法联网下载模型可以先在有网机器上拉取再把 Ollama 的模型存储目录整体拷贝过去即可实现离线机器离线部署。CopyTranslator 接入本地 Ollama三步搞定第一步选择 Ollama本地供应商打开 CopyTranslator 的设置 → API 设置进入AI 翻译供应商选项卡点击添加 AI 供应商在类型下拉菜单中选择Ollama本地。此时界面会自动填充默认配置API Base URLhttp://localhost:11434/v1Ollama 的 OpenAI 兼容端点无需修改供应商名称可自定义如我的本地模型对应的表单实现位于 CustomTranslatorManager.vue。第二步填写 API Key任意值即可本地服务并不校验密钥但 CopyTranslator 要求该字段非空见 openai.ts 的密钥检查因此随便填一个值例如ollama。第三步刷新模型并勾选启用点击刷新按钮CopyTranslator 会向localhost:11434/v1请求本机已安装的全部模型列表在返回的列表中勾选你想启用的模型可多选点击确定保存。保存后custom-translators.ts 中的CustomTranslatorManager会把每个供应商 模型组合自动展开为一个独立翻译器形如Ollama (本地) - qwen2.5。验证离线翻译断网也能用回到主界面点击标题栏的引擎按钮在下拉列表中选择刚添加的模型如Ollama (本地) - qwen2.5在系统设置中关闭网络复制一段外文文字——译文照常弹出说明本地翻译链路完全打通。之所以断网也能稳定工作是因为 CopyTranslator 会对localhost等本机地址自动绕过系统代理、关闭代理干扰并放宽超时到 60 秒以适配本地模型的推理速度相关逻辑在 openai.ts。翻译请求会以内置的提示词模板发送给模型模板支持{from}、{to}、{text}三个占位符你可以在供应商的高级配置中自定义提示词以优化特定领域的翻译风格默认模板见 openai.ts。搭配智能互译与多源对比功能你还可以把本地 Ollama 模型与云端引擎放在同一屏对照查看——日常用免费的本地模型重要文档用云端大模型交叉验证架构细节参考 docs/TRANSLATION_IMPLEMENTATION.md。常见问题与实用技巧翻译很慢优先换更小的模型4B~7B或确保 Ollama 跑在 GPU 上首次请求需加载模型到内存之后会明显变快。Ollama 端口不是 11434修改 API Base URL 为http://地址:端口/v1即可模板机制允许覆盖默认值。刷新不到模型确认ollama list能列出模型、Ollama 服务正在运行再检查 API Base 是否带上了/v1后缀。想彻底离线按前文模型拷贝步骤迁移模型文件之后整台设备无需任何外网连接即可长期使用。总结CopyTranslator 负责复制即译的丝滑体验Ollama 提供免费的本地大脑两者组合就是一条完整的私有离线翻译流水线安装 Ollama 并ollama pull一个 7B 级模型在 CopyTranslator 的 API 设置中添加Ollama本地供应商勾选模型切换引擎、复制文本断网验证即可。从此你的翻译数据永远留在自己的机器里。更多功能配置快照、多源对比、OCR 离线识别等欢迎继续阅读 docs/guide/ 中的完整使用指南。【免费下载链接】CopyTranslatorForeign language reading and translation assistant based on copy and translate.项目地址: https://gitcode.com/gh_mirrors/co/CopyTranslator创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉