Cette page vous explique comment utiliser Vertex AI Studio pour traduire rapidement du texte d'une langue à une autre. Traduction dans Vertex AI Studio offre le choix entre Gemini et deux modèles de traduction spécialisés, qui incluent le modèle de traduction automatique neuronale (NMT, Neural Machine Translation) de Cloud Translation et un LLM affiné pour les traductions. Lorsque vous utilisez le LLM de traduction, vous pouvez adapter les réponses en fournissant des exemples de traductions qui correspondent mieux à votre style, votre ton et votre domaine d'activité. Le modèle utilise vos exemples en tant que contexte few-shot avant de traduire votre texte.
Vous ne pouvez pas transmettre d'exemples lorsque vous traduisez du texte avec Gemini ou le modèle NMT. Toutefois, pour les traductions directes sans exemples, vous pouvez utiliser Gemini ou un modèle de traduction spécialisé.
Langues disponibles
Les langues compatibles avec chaque modèle peuvent varier. Avant de demander des traductions, vérifiez que le modèle que vous utilisez est compatible avec vos langues source et cible.
LLM de traduction
Pour le LLM de traduction, vous pouvez traduire vers et depuis l'une des combinaisons linguistiques suivantes:
- Chinois (simplifié) <-> Anglais
- Français <-> Anglais
- Allemand <-> Anglais
- Italien <-> Anglais
- Japonais <-> Anglais
- Coréen <-> Anglais
- Portugais <-> Anglais
- Espagnol <-> Anglais
Gemini et NMT
Pour en savoir plus sur les langues compatibles avec Gemini et le modèle NMT, consultez la documentation suivante:
- Langues acceptées pour les modèles de fondation Google
- Compatibilité avec les langages de modèle NMT de traduction
Traduire du texte
Utilisez le modèle LLM, Gemini ou NMT pour traduire du texte à l'aide de la console Google Cloud ou de l'API.
Console
Dans la section Cloud Translation de la console Google Cloud, accédez à la page Traduction de Vertex AI Studio.
Dans le volet Exécuter les paramètres, sélectionnez un modèle de traduction dans le champ Modèle.
Pour modifier les paramètres du modèle, tels que la température, développez Avancé.
Définissez les langues source et cible.
Dans le champ de saisie, saisissez le texte à traduire.
Cliquez sur Envoyer.
Pour obtenir le code ou la commande curl qui montre comment demander des traductions, cliquez sur
Obtenir le code.
API
Sélectionnez le modèle à utiliser pour vos traductions.
LLM de traduction
REST
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- PROJECT_NUMBER_OR_ID : ID numérique ou alphanumérique de votre projet Google Cloud
- LOCATION : région dans laquelle vous souhaitez exécuter cette opération. Exemple :
us-central1
. - SOURCE_LANGUAGE : code de langue du texte d'entrée. Définissez l'un des codes de langue répertoriés dans la traduction adaptative.
- TARGET_LANGUAGE : langue cible vers laquelle traduire le texte d'entrée. Définissez l'un des codes de langue répertoriés dans la traduction adaptative.
- SOURCE_TEXT : texte dans la langue source à traduire.
Méthode HTTP et URL :
POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION:adaptiveMtTranslate
Corps JSON de la requête :
{ "sourceLanguageCode": "SOURCE_LANGUAGE_CODE", "targetLanguageCode": "TARGET_LANGUAGE_CODE", "content": ["INPUT_TEXT"], "model": "projects/PROJECT_ID/locations/LOCATION/model/general/translation-llm", }
Pour envoyer votre requête, développez l'une des options suivantes :
Vous devriez recevoir une réponse JSON de ce type :
{ "translations": [ { "translatedText": "TRANSLATED_TEXT" } ], "languageCode": "TARGET_LANGUAGE" }
Node.js
Avant d'essayer cet exemple, suivez les instructions de configuration pour Node.js du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Node.js.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
const projectId = '<PROJECT_ID>'; const location = 'global'; const text = '<INPUT_TEXT>'; // Imports the Google Cloud Translation library const {TranslationServiceClient} = require('@google-cloud/translate'); // Instantiates a client const translationClient = new TranslationServiceClient(); async function translateText() { // Construct request const request = { parent: `projects/${projectId}/locations/${location}`, contents: [text], mimeType: 'text/plain', // mime types: text/plain, text/html sourceLanguageCode: '<SOURCE_LANGUAGE_CODE>', targetLanguageCode: '<TARGET_LANGUAGE_CODE>', model: `projects/${projectId}/locations/${location}/model/general/translation-llm` }; // Run request const [response] = await translationClient.translateText(request); for (const translation of response.translations) { console.log(`Translation: ${translation.translatedText}`); } } translateText();
Python
Avant d'essayer cet exemple, suivez les instructions de configuration pour Python du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Python.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
# Imports the Google Cloud Translation library from google.cloud import translate # Initialize Translation client def translate_text( text: str = "YOUR_TEXT_TO_TRANSLATE", project_id: str = "YOUR_PROJECT_ID" ) -> translate.TranslationServiceClient: """Translating Text.""" client = translate.TranslationServiceClient() location = "global" parent = f"projects/{project_id}/locations/{location}" model = f"{parent}/models/general/translation-llm" # Translate text from English to French # Detail on supported types can be found here: # https://cloud.google.com/translate/docs/supported-formats response = client.translate_text( request={ "parent": parent, "contents": [text], "model": model "mime_type": "text/plain", # mime types: text/plain, text/html "source_language_code": "<SOURCE_LANGUAGE_CODE>", "target_language_code": "<TARGET_LANGUAGE_CODE>", } ) # Display the translation for each input text provided for translation in response.translations: print(f"Translated text: {translation.translated_text}") return response translate_text(<INPUT_TEXT>, <PROJECT_ID>)
Gemini
REST
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- PROJECT_NUMBER_OR_ID : ID numérique ou alphanumérique de votre projet Google Cloud.
- LOCATION : région dans laquelle traiter la requête. Les options disponibles sont les suivantes :
Cliquer pour développer les régions disponibles
us-central1
us-west4
northamerica-northeast1
us-east4
us-west1
asia-northeast3
asia-southeast1
asia-northeast1
- MODEL_ID : ID du modèle, tel que
gemini-1.0-pro-002
- SOURCE_LANGUAGE_CODE : langue du texte d'entrée.
- TARGET_LANGUAGE_CODE : langue cible vers laquelle traduire le texte d'entrée.
- SOURCE_TEXT : texte à traduire
- TEMPERATURE : La température est utilisée pour l'échantillonnage pendant la génération des réponses, qui se produit lorsque
topP
ettopK
sont appliqués. La température permet de contrôler le degré de hasard dans la sélection des jetons. Les températures inférieures sont idéales pour les requêtes qui nécessitent une réponse moins ouverte ou créative, tandis que des températures plus élevées peuvent conduire à des résultats plus diversifiés ou créatifs. Une température de0
signifie que les jetons de probabilité les plus élevés sont toujours sélectionnés. Dans ce cas, les réponses pour une requête donnée sont principalement déterministes, mais une petite quantité de variation est toujours possible.Si le modèle renvoie une réponse trop générique ou trop courte, ou s'il renvoie une réponse de remplacement, essayez d'augmenter la température.
- TOP_P : Top-P modifie la façon dont le modèle sélectionne les jetons pour la sortie. Les jetons sont sélectionnés de la valeur la plus élevée (voir top-K) à la moins probable jusqu'à ce que la somme de leurs probabilités soit égale à la valeur top-P. Par exemple, si les jetons A, B et C ont une probabilité de 0,3, 0,2 et 0,1 et que la valeur de top-P est supérieure à
0.5
, le modèle sélectionne A ou B comme jeton suivant en utilisant la température et exclut C comme candidat.Spécifiez une valeur inférieure pour les réponses moins aléatoires et une valeur plus élevée pour les réponses plus aléatoires.
- TOP_K : Top-K modifie la façon dont le modèle sélectionne les jetons pour la sortie. Un top-K de
1
signifie que le prochain jeton sélectionné est le plus probable parmi tous les jetons du vocabulaire du modèle (également appelé décodage gourmand), tandis que le top-K de3
signifie que le jeton suivant est sélectionné parmi les trois jetons les plus probables en utilisant la température.Pour chaque étape de sélection du jeton, les jetons top-K avec les probabilités les plus élevées sont échantillonnés. Les jetons sont ensuite filtrés en fonction du top-P avec le jeton final sélectionné à l'aide de l'échantillonnage de température.
Spécifiez une valeur inférieure pour les réponses moins aléatoires et une valeur plus élevée pour les réponses plus aléatoires.
- MAX_OUTPUT_TOKENS : nombre maximal de jetons pouvant être générés dans la réponse. Un jeton correspond environ à quatre caractères. 100 jetons correspondent à environ 60-80 mots.
Spécifiez une valeur inférieure pour obtenir des réponses plus courtes et une valeur supérieure pour des réponses potentiellement plus longues.
- SAFETY_CATEGORY : catégorie de sécurité pour laquelle configurer un seuil. Les valeurs acceptées incluent les suivantes :
Cliquer pour développer les catégories de sécurité
HARM_CATEGORY_SEXUALLY_EXPLICIT
HARM_CATEGORY_HATE_SPEECH
HARM_CATEGORY_HARASSMENT
HARM_CATEGORY_DANGEROUS_CONTENT
- THRESHOLD : seuil de blocage des réponses susceptibles d'appartenir à la catégorie de sécurité spécifiée en fonction de la probabilité. Les valeurs acceptées incluent les suivantes :
Cliquer pour développer les seuils de blocage
BLOCK_NONE
BLOCK_ONLY_HIGH
BLOCK_MEDIUM_AND_ABOVE
(par défaut)BLOCK_LOW_AND_ABOVE
BLOCK_LOW_AND_ABOVE
bloque le plus, tandis queBLOCK_ONLY_HIGH
bloque le moins.
Méthode HTTP et URL :
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:streamGenerateContent
Corps JSON de la requête :
{ "contents": [ { "role": "user", "parts": [ { "text": "SOURCE_LANGUAGE_CODE: SOURCE_TEXT\nTARGET_LANGUAGE_CODE:" } ] } ], "generation_config": { "temperature": TEMPERATURE, "topP": TOP_P, "topK": TOP_K, "candidateCount": 1, "maxOutputTokens": MAX_OUTPUT_TOKENS } "safetySettings": [ { "category": "SAFETY_CATEGORY", "threshold": "THRESHOLD" } ] }
Pour envoyer votre requête, développez l'une des options suivantes :
Vous devriez recevoir un code d'état indiquant le succès de l'opération (2xx), ainsi qu'une réponse vide.
Node.js
Avant d'essayer cet exemple, suivez les instructions de configuration pour Node.js du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Node.js.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
const {VertexAI} = require('@google-cloud/vertexai'); // Initialize Vertex with your Cloud project and location const vertex_ai = new VertexAI({project: '<PROJECT_ID>', location: '<LOCATION>'}); const model = 'gemini-1.0-pro'; // Instantiate the models const generativeModel = vertex_ai.preview.getGenerativeModel({ model: model, generationConfig: { 'candidate_count': 1, 'max_output_tokens': <MAX_OUTPUT_TOKENS>, 'temperature': <TEMPERATURE>, 'top_p': <TOP_P>, 'top_k': <TOP_K>, }, safetySettings: [ { 'category': 'HARM_CATEGORY_HATE_SPEECH', 'threshold': 'BLOCK_MEDIUM_AND_ABOVE' }, { 'category': 'HARM_CATEGORY_DANGEROUS_CONTENT', 'threshold': 'BLOCK_MEDIUM_AND_ABOVE' }, { 'category': 'HARM_CATEGORY_SEXUALLY_EXPLICIT', 'threshold': 'BLOCK_MEDIUM_AND_ABOVE' }, { 'category': 'HARM_CATEGORY_HARASSMENT', 'threshold': 'BLOCK_MEDIUM_AND_ABOVE' } ], }); async function generateContent() { const req = { contents: [ {role: 'user', parts: [{text: `<SOURCE_LANGUAGE_CODE>: <TEXT> <TARGET_LANGUAGE_CODE>:`}]} ], }; const streamingResp = await generativeModel.generateContentStream(req); for await (const item of streamingResp.stream) { process.stdout.write('stream chunk: ' + JSON.stringify(item) + '\n'); } process.stdout.write('aggregated response: ' + JSON.stringify(await streamingResp.response)); } generateContent();
Python
Avant d'essayer cet exemple, suivez les instructions de configuration pour Python du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Python.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
import base64 import vertexai from vertexai.generative_models import GenerativeModel, Part, FinishReason import vertexai.preview.generative_models as generative_models def generate(): vertexai.init(project="<PROJECT_ID>", location="<LOCATION>") model = GenerativeModel("gemini-1.0-pro") responses = model.generate_content( ["""<SOURCE_LANGUAGE_CODE>: <TEXT> <TARGET_LANGUAGE_CODE>:"""], generation_config=generation_config, safety_settings=safety_settings, ) print(responses) generation_config = { "candidate_count": 1, "max_output_tokens": <MAX_OUTPUT_TOKENS>, "temperature": <TEMPERATURE>, "top_p": <TOP_P>, "top_k": <TOP_K>, } safety_settings = { generative_models.HarmCategory.HARM_CATEGORY_HATE_SPEECH: generative_models.HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE, generative_models.HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT: generative_models.HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE, generative_models.HarmCategory.HARM_CATEGORY_SEXUALLY_EXPLICIT: generative_models.HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE, generative_models.HarmCategory.HARM_CATEGORY_HARASSMENT: generative_models.HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE, } generate()
NMT
REST
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- PROJECT_NUMBER_OR_ID : ID numérique ou alphanumérique de votre projet Google Cloud.
- SOURCE_LANGUAGE (facultatif) : code de langue du texte d'entrée. Pour connaître les codes de langue compatibles, consultez la page Langues acceptées.
- TARGET_LANGUAGE : langue cible vers laquelle traduire le texte d'entrée. Définissez l'un des codes de langue acceptés.
- SOURCE_TEXT : texte à traduire
Méthode HTTP et URL :
POST https://translation.googleapis.com/v3/projects/PROJECT_ID:translateText
Corps JSON de la requête :
{ "sourceLanguageCode": "SOURCE_LANGUAGE", "targetLanguageCode": "TARGET_LANGUAGE", "contents": ["SOURCE_TEXT1", "SOURCE_TEXT2"] }
Pour envoyer votre requête, développez l'une des options suivantes :
Vous devriez recevoir une réponse JSON de ce type :
{ "translations": [ { "translatedText": "TRANSLATED_TEXT1" }, { "translatedText": "TRANSLATED_TEXT2" } ] }
Node.js
Avant d'essayer cet exemple, suivez les instructions de configuration pour Node.js du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Node.js.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
Python
Avant d'essayer cet exemple, suivez les instructions de configuration pour Python du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Python.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
Traductions personnalisées
Personnalisez les réponses du LLM de traduction en fournissant vos propres exemples de traductions. Les traductions personnalisées ne fonctionnent qu'avec le LLM de traduction.
Exigences en matière de données
Les exemples de traductions doivent être écrits sous forme de paires de segments dans un fichier TMX ou TSV. Chaque paire comprend un segment de langue source et son équivalent traduit. Pour en savoir plus, consultez la page Préparer des exemples de traductions dans la documentation Cloud Translation.
Pour obtenir des résultats plus précis, incluez des exemples spécifiques issus d'une grande variété de scénarios. Vous devez inclure au moins cinq paires de phrases, mais pas plus de 10 000 paires. Une paire de segments ne peut pas dépasser 512 caractères.
Personnaliser les traductions
Console
Dans la section Cloud Translation de la console Google Cloud, accédez à la page Traduction de Vertex AI Studio.
Dans la fiche Traduire du texte, cliquez sur Traduire.
Dans le volet Paramètre, configurez vos paramètres de traduction.
- Dans le champ Modèle, sélectionnez Traduction LLM.
- Pour modifier la température, développez Avancé.
Cliquez sur Ajouter des exemples.
- Sélectionnez un fichier local ou un fichier dans Cloud Storage. Vertex AI Studio détermine les langues source et cible à partir de votre fichier.
- Sélectionnez le nombre d'exemples que le modèle doit utiliser avant de générer une réponse.
Le nombre d'exemples que vous sélectionnez est comptabilisé dans le nombre maximal de caractères d'entrée par requête de 3 000.
Dans le champ de saisie, saisissez le texte à traduire.
Cliquez sur Envoyer.
Le modèle tente d'identifier des schémas à partir de vos exemples et les applique lors de la génération d'une réponse. La limite de sortie par requête est de 3 000 caractères. Tout texte au-delà de cette limite est supprimé.
Pour obtenir le code ou la commande curl montrant comment demander des traductions, cliquez sur
Obtenir le code.
REST
Créer un ensemble de données
Créez un ensemble de données dans lequel vous importerez vos exemples de traductions. Les langues source et cible doivent correspondre aux langues que vous souhaitez utiliser dans les traductions.
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- PROJECT_NUMBER_OR_ID : ID numérique ou alphanumérique de votre projet Google Cloud
- LOCATION : région où se trouve votre ensemble de données source, par exemple
us-central1
- DATASET_ID : identifiant unique de votre ensemble de données
- DISPLAY_NAME : nom descriptif de l'ensemble de données
- SOURCE_LANGUAGE : code de langue du texte d'entrée. Pour connaître les codes de langue acceptés, consultez la page Langues acceptées.
- TARGET_LANGUAGE : langue cible vers laquelle traduire le texte d'entrée. Pour connaître les codes de langue acceptés, consultez la page Langues acceptées.
Méthode HTTP et URL :
POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets
Corps JSON de la requête :
{ "name": "projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID, "display_name": "DISPLAY_NAME", "source_language_code": "SOURCE_LANGUAGE", "target_language_code": "TARGET_LANGUAGE" }
Pour envoyer votre requête, développez l'une des options suivantes :
Vous devriez recevoir une réponse JSON de ce type :
{ "name": "projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID", "displayName": "DISPLAY_NAME", "sourceLanguageCode": "SOURCE_LANGUAGE", "targetLanguageCode": "TARGET_LANGUAGE" }
Importer des données
Complétez votre ensemble de données avec des exemples de traductions provenant d'un fichier TSV ou TMX.
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- PROJECT_NUMBER_OR_ID : ID numérique ou alphanumérique de votre projet Google Cloud
- LOCATION : région où se trouve votre ensemble de données, par exemple
us-central1
- DATASET_ID : identifiant unique de l'ensemble de données dans lequel les données doivent être importées
- GCS_FILE_PATH : chemin d'accès au fichier de données source dans Cloud Storage, tel que
gs://example/data.tsv
Méthode HTTP et URL :
POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID:importAdaptiveMtFile
Corps JSON de la requête :
{ "gcs_input_source": { "input_uri": "GCS_FILE_PATH" } }
Pour envoyer votre requête, développez l'une des options suivantes :
Vous devriez recevoir une réponse JSON de ce type :
{ "adaptiveMtFile": { "name": "DATASET_NAME", "displayName": "FILE_NAME", "entryCount": TOTAL_ENTRIES } }
Traduire du texte
Fournissez le texte à traduire et l'ensemble de données à utiliser pour la traduction.
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- PROJECT_NUMBER_OR_ID : ID numérique ou alphanumérique de votre projet Google Cloud
- LOCATION : région où se trouve votre ensemble de données source, par exemple
us-central1
- DATASET_NAME : nom de l'ensemble de données utilisé par Cloud Translation pour personnaliser vos traductions, au format
projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID
. Vous pouvez obtenir les noms des ensembles de données en répertoriant tous les ensembles de données de votre projet. - SOURCE_TEXT : texte à traduire
Méthode HTTP et URL :
POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION:adaptiveMtTranslate
Corps JSON de la requête :
{ "dataset": "DATASET_NAME", "content": ["SOURCE_TEXT"] }
Pour envoyer votre requête, développez l'une des options suivantes :
Vous devriez recevoir une réponse JSON de ce type :
{ "translations": [ { "translatedText": "TRANSLATED_TEXT" } ], "languageCode": "TARGET_LANGUAGE" }
Node.js
Avant d'essayer cet exemple, suivez les instructions de configuration pour Node.js du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Node.js.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
const projectId = '<PROJECT_ID>'; const location = 'us-central1'; const text = '<INPUT_TEXT>'; async function createAdaptiveMtDataset() { // Construct request const request = { parent: `projects/${projectId}/locations/${location}`, adaptiveMtDataset: { name: `projects/${projectId}/locations/${location}/adaptiveMtDatasets/${ adaptiveMtDatasetName}`, displayName: 'DATASET_DISPLAY_NAME', sourceLanguageCode: <SOURCE_LANGUAGE_CODE>, targetLanguageCode: <TARGET_LANGUAGE_CODE>, } }; // Run request const [response] = await translationClient.createAdaptiveMtDataset(request); console.log('Created') console.log(response) } async function importAdaptiveMtFile() { const request = { parent: `projects/${projectId}/locations/${location}/adaptiveMtDatasets/${ adaptiveMtDatasetName}`, gcsInputSource: {inputUri: gcs_file_uri} } const [response] = await translationClient.importAdaptiveMtFile(request) console.log('Importing file') console.log(response) } async function translate() { const request = { parent: `projects/${projectId}/locations/${location}`, dataset: `projects/${projectId}/locations/${location}/adaptiveMtDatasets/${ adaptiveMtDatasetName}`, content: [text] } const [response] = await translationClient.adaptiveMtTranslate(request) console.log('Translating') console.log(response) }
Python
Avant d'essayer cet exemple, suivez les instructions de configuration pour Python du guide de démarrage rapide de Cloud Translation : Utiliser les bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Cloud Translation en langage Python.
Pour vous authentifier auprès de Cloud Translation, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.
# Imports the Google Cloud Translation library from google.cloud import translate def create_adaptive_mt_dataset(): # Create a client client = translate.TranslationServiceClient() # Initialize request argument(s) adaptive_mt_dataset = translate.AdaptiveMtDataset() adaptive_mt_dataset.name = "projects/<PROJECT_ID>/locations/us-central1/adaptiveMtDatasets/DATASET_ID" adaptive_mt_dataset.display_name = "DATASET_DISPLAY_NAME" adaptive_mt_dataset.source_language_code = "<SOURCE_LANGUAGE_CODE>" adaptive_mt_dataset.target_language_code = "<TARGET_LANGUAGE_CODE>" request = translate.CreateAdaptiveMtDatasetRequest( parent="projects/<PROJECT_ID>/locations/us-central1", adaptive_mt_dataset=adaptive_mt_dataset, ) # Make the request response = client.create_adaptive_mt_dataset(request=request) # Handle the response print(response) def import_adaptive_mt_file(): # Create a client client = translate.TranslationServiceClient() gcs_input_source = translate.GcsInputSource() gcs_input_source.input_uri = "gs://SOURCE_LOCATION/FILE.tsv" # Initialize the request request = translate.ImportAdaptiveMtFileRequest( parent="projects/<PROJECT_ID>/locations/us-central1/adaptiveMtDatasets/DATASET_ID", gcs_input_source=gcs_input_source ) # Make the request response = client.import_adaptive_mt_file(request) # Handle the response print(response) def adaptive_mt_translate(): # Create a client client = translate.TranslationServiceClient() # Initialize the request request = translate.AdaptiveMtTranslateRequest( parent="projects/<PROJECT_ID>/locations/us-central1", dataset="projects/<PROJECT_ID>/locations/us-central1/adaptiveMtDatasets/DATASET_ID", content=["<INPUT_TEXT>"], ) # Make the request response = client.adaptive_mt_translate(request) # Handle the response print(response)