翻译文本

本页面介绍如何使用 Vertex AI Studio 快速将文本从一种语言翻译成另一种语言。Vertex AI Studio 中的 Translation 提供了 Gemini 和两种专用翻译模型供您选择，包括 Cloud Translation 神经机器翻译 (NMT) 模型和经过微调的翻译 LLM。使用翻译 LLM 时，您可以通过提供示例翻译来定制回答，使其更符合您的风格、语气和行业领域。在翻译文本之前，模型会使用您的示例作为少样本上下文。

使用 Gemini 或 NMT 模型翻译文本时，您无法传递示例。但是，对于没有示例的直接翻译，您可以使用 Gemini 或任一专用翻译模型。

支持的语言

各个模型支持的语言可能有所不同。在请求翻译之前，请检查您使用的模型是否支持您的源语言和目标语言。

翻译 LLM

对于翻译 LLM，您可以在以下语言对之间进行翻译：

  • 中文（简体）<-> 英语
  • 法语 <-> 英语
  • 德语 <-> 英语
  • 意大利语 <-> 英语
  • 日语 <-> 英语
  • 韩语 <-> 英语
  • 葡萄牙语 <-> 英语
  • 西班牙语 <-> 英语

Gemini 和 NMT

如需了解 Gemini 和 NMT 模型支持的语言，请参阅以下文档：

翻译文本

您可以在 Google Cloud 控制台或 API 中，使用翻译 LLM、Gemini 或 NMT 模型来翻译文本。

控制台

  1. 在 Google Cloud 控制台的 Cloud Translation 部分中，进入 Vertex AI Studio 中的翻译页面。

    进入 Vertex AI Studio

  2. 在运行设置窗格的模型字段中，选择一个翻译模型。

  3. 如需更改模型设置（例如温度），请展开高级。

  4. 设置源语言和目标语言。

  5. 在输入字段中，输入要翻译的文本。

  6. 点击提交。

  7. 如需获取演示如何请求翻译的代码或 curl 命令，请点击 获取代码。

API

选择要用于翻译的模型。

翻译 LLM

REST

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_NUMBER_OR_ID：您的 Google Cloud 项目的数字或字母数字 ID
  • LOCATION：您要执行此操作的区域。例如 us-central1。
  • SOURCE_LANGUAGE：输入文本的语言代码。设置为自适应翻译中列出的某个语言代码。
  • TARGET_LANGUAGE：要将输入文字翻译成的目标语言。设置为自适应翻译中列出的某个语言代码。
  • SOURCE_TEXT：要翻译的源语言文本。

HTTP 方法和网址：

POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION:adaptiveMtTranslate

请求 JSON 正文：

{
  "sourceLanguageCode": "SOURCE_LANGUAGE_CODE",
  "targetLanguageCode": "TARGET_LANGUAGE_CODE",
  "content": ["INPUT_TEXT"],
  "model": "projects/PROJECT_ID/locations/LOCATION/model/general/translation-llm",
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "translations": [
    {
      "translatedText": "TRANSLATED_TEXT"
    }
  ],
  "languageCode": "TARGET_LANGUAGE"
}

Node.js

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Node.js 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Node.js API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

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

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Python 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Python API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

# 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

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_NUMBER_OR_ID：您的 Google Cloud 项目的数字或字母数字 ID。
  • LOCATION：处理请求的区域。可用的选项包括：

    点击即可展开可用的区域

    • us-central1
    • us-west4
    • northamerica-northeast1
    • us-east4
    • us-west1
    • asia-northeast3
    • asia-southeast1
    • asia-northeast1
  • MODEL_ID：模型的 ID，例如 gemini-1.0-pro-002
  • SOURCE_LANGUAGE_CODE：输入文本的语言。
  • TARGET_LANGUAGE_CODE：要将输入文本翻译成的目标语言。
  • SOURCE_TEXT：要翻译的文本。
  • TEMPERATURE：温度 (temperature) 在生成回复期间用于采样，在应用 topP 和 topK 时会生成回复。温度可以控制词元选择的随机性。 较低的温度有利于需要更少开放性或创造性回复的提示，而较高的温度可以带来更具多样性或创造性的结果。温度为 0 表示始终选择概率最高的词元。在这种情况下，给定提示的回复大多是确定的，但可能仍然有少量变化。

    如果模型返回的回答过于笼统、过于简短，或者模型给出后备回答，请尝试提高温度。

  • TOP_P：Top-P 可更改模型选择输出词元的方式。系统会按照概率从最高（见 top-K）到最低的顺序选择词元，直到所选词元的概率总和等于 top-P 的值。例如，如果词元 A、B 和 C 的概率分别为 0.3、0.2 和 0.1，并且 top-P 值为 0.5，则模型将选择 A 或 B 作为下一个词元（通过温度确定），并会排除 C，将其作为候选词元。

    指定较低的值可获得随机程度较低的回答，指定较高的值可获得随机程度较高的回答。

  • TOP_K：Top-K 可更改模型选择输出词元的方式。如果 top-K 设为 1，表示所选词元是模型词汇表的所有词元中概率最高的词元（也称为贪心解码）。如果 top-K 设为 3，则表示系统将从 3 个概率最高的词元（通过温度确定）中选择下一个词元。

    在每个词元选择步骤中，系统都会对概率最高的 top-K 词元进行采样。然后，系统会根据 top-P 进一步过滤词元，并使用温度采样选择最终的词元。

    指定较低的值可获得随机程度较低的回答，指定较高的值可获得随机程度较高的回答。

  • MAX_OUTPUT_TOKENS：响应中可生成的词元数量上限。词元约为 4 个字符。100 个词元对应大约 60-80 个单词。

    指定较低的值可获得较短的回答，指定较高的值可获得可能较长的回答。

  • SAFETY_CATEGORY：要为其配置阈值的安全类别。可接受的值包括：

    点击即可展开安全类别

    • HARM_CATEGORY_SEXUALLY_EXPLICIT
    • HARM_CATEGORY_HATE_SPEECH
    • HARM_CATEGORY_HARASSMENT
    • HARM_CATEGORY_DANGEROUS_CONTENT
  • THRESHOLD：基于概率阻止属于指定安全类别的响应的阈值。可接受的值包括：

    点击即可展开屏蔽阈值

    • BLOCK_NONE
    • BLOCK_ONLY_HIGH
    • BLOCK_MEDIUM_AND_ABOVE（默认）
    • BLOCK_LOW_AND_ABOVE
     BLOCK_LOW_AND_ABOVE 屏蔽得最多，而 BLOCK_ONLY_HIGH 屏蔽得最少。

HTTP 方法和网址：

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:streamGenerateContent

请求 JSON 正文：

{
  "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"
    }
  ]
}

如需发送您的请求，请展开以下选项之一：

您应该会收到一个成功的状态代码 (2xx) 和一个空响应。

Node.js

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Node.js 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Node.js API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

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

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Python 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Python API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

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

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_NUMBER_OR_ID：您的 Google Cloud 项目的数字或字母数字 ID。
  • SOURCE_LANGUAGE：（可选）输入文字的语言代码。如需查看支持的语言代码，请参阅语言支持。
  • TARGET_LANGUAGE：要将输入文字翻译成的目标语言。设置为某个受支持的语言代码。
  • SOURCE_TEXT：要翻译的文本。

HTTP 方法和网址： 

POST https://translation.googleapis.com/v3/projects/PROJECT_ID:translateText

请求 JSON 正文：

{
  "sourceLanguageCode": "SOURCE_LANGUAGE",
  "targetLanguageCode": "TARGET_LANGUAGE",
  "contents": ["SOURCE_TEXT1", "SOURCE_TEXT2"]
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "translations": [
    {
      "translatedText": "TRANSLATED_TEXT1"
    },
    {
      "translatedText": "TRANSLATED_TEXT2"
    }
  ]
}

Node.js

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Node.js 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Node.js API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

/**
 * TODO(developer): Uncomment these variables before running the sample.
 */
// const projectId = 'YOUR_PROJECT_ID';
// const location = 'global';
// const text = 'text to translate';

// 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: 'en',
    targetLanguageCode: 'sr-Latn',
  };

  // Run request
  const [response] = await translationClient.translateText(request);

  for (const translation of response.translations) {
    console.log(`Translation: ${translation.translatedText}`);
  }
}

translateText();

Python

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Python 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Python API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

# 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}"

    # 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],
            "mime_type": "text/plain",  # mime types: text/plain, text/html
            "source_language_code": "en-US",
            "target_language_code": "fr",
        }
    )

    # Display the translation for each input text provided
    for translation in response.translations:
        print(f"Translated text: {translation.translated_text}")

    return response

自定义翻译

通过提供您自己的示例翻译来自定义翻译 LLM 的回答。自定义翻译仅适用于翻译 LLM。

数据要求

示例翻译必须编写为句对形式，并保存为 TMX 或 TSV 文件。每个句对都包括一个源语言句段及其对应的译文句段。如需了解详情，请参阅 Cloud Translation 文档中的准备示例翻译。

为了获得最准确的结果，请提供各种各样场景的具体示例。您必须至少提供五个句对，但不得超过 10,000 个句对。此外，一个句对最多可以包含 512 个字符。

自定义翻译

控制台

  1. 在 Google Cloud 控制台的 Cloud Translation 部分中，进入 Vertex AI Studio 中的翻译页面。

    进入 Vertex AI Studio

  2. 在翻译文本卡片中，点击翻译。

  3. 在参数窗格中，配置翻译设置。

    1. 在模型字段中，选择翻译 LLM。
    2. 如需更改温度，请展开高级。

  4. 点击添加示例。

    1. 选择本地文件或 Cloud Storage 中的文件。Vertex AI Studio 会根据文件确定源语言和目标语言。
    2. 选择模型在生成回答之前要使用的示例数量。

    您选择的示例数量会计入每个请求 3,000 个输入字符数的限制。

  5. 在输入字段中，输入要翻译的文本。

  6. 点击提交。

    模型会尝试识别示例中的模式，并在生成回答时应用这些模式。每个请求的输出字符数限制为 3,000。超出此限制的所有文本都会被丢弃。

  7. 如需获取演示如何请求翻译的代码或 curl 命令，请点击 获取代码。

REST

创建数据集

创建用于导入示例翻译的数据集。源语言和目标语言必须与您要在翻译中使用的语言相匹配。

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_NUMBER_OR_ID：您的 Google Cloud 项目的数字或字母数字 ID
  • LOCATION：源数据集所在的区域，例如 us-central1。
  • DATASET_ID：数据集的唯一标识符。
  • DISPLAY_NAME：数据集的描述性名称。
  • SOURCE_LANGUAGE：输入文本的语言代码。如需了解支持的语言代码，请参阅支持的语言。
  • TARGET_LANGUAGE：要将输入文字翻译成的目标语言。如需了解支持的语言代码，请参阅支持的语言。

HTTP 方法和网址： 

POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets

请求 JSON 正文：

{
  "name": "projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID,
  "display_name": "DISPLAY_NAME",
  "source_language_code": "SOURCE_LANGUAGE",
  "target_language_code": "TARGET_LANGUAGE"
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "name": "projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID",
  "displayName": "DISPLAY_NAME",
  "sourceLanguageCode": "SOURCE_LANGUAGE",
  "targetLanguageCode": "TARGET_LANGUAGE"
}

导入数据

使用 TSV 或 TMX 文件中的示例翻译来填充您的数据集。

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_NUMBER_OR_ID：您的 Google Cloud 项目的数字或字母数字 ID
  • LOCATION：数据集所在的区域，例如 us-central1。
  • DATASET_ID：要在其中导入数据的数据集的唯一标识符。
  • GCS_FILE_PATH：Cloud Storage 中源数据文件的路径，例如 gs://example/data.tsv。

HTTP 方法和网址： 

POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID:importAdaptiveMtFile

请求 JSON 正文：

{
  "gcs_input_source": {
    "input_uri": "GCS_FILE_PATH"
  }
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "adaptiveMtFile": {
    "name": "DATASET_NAME",
    "displayName": "FILE_NAME",
    "entryCount": TOTAL_ENTRIES
  }
}

翻译文本

提供要翻译的文本以及要用于翻译的数据集。

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_NUMBER_OR_ID：您的 Google Cloud 项目的数字或字母数字 ID
  • LOCATION：源数据集所在的区域，例如 us-central1。
  • DATASET_NAME：Cloud Translation 用于自定义翻译的数据集的名称，格式为 projects/PROJECT_ID/locations/LOCATION/adaptiveMtDatasets/DATASET_ID。您可以通过列出项目中的所有数据集来获取数据集名称。
  • SOURCE_TEXT：要翻译的文本。

HTTP 方法和网址： 

POST https://translation.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION:adaptiveMtTranslate

请求 JSON 正文：

{
  "dataset": "DATASET_NAME",
  "content": ["SOURCE_TEXT"]
}

如需发送您的请求，请展开以下选项之一：

您应该收到类似以下内容的 JSON 响应：

{
  "translations": [
    {
      "translatedText": "TRANSLATED_TEXT"
    }
  ],
  "languageCode": "TARGET_LANGUAGE"
}

Node.js

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Node.js 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Node.js API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

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

试用此示例之前，请按照 Cloud Translation 快速入门：使用客户端库中的 Python 设置说明进行操作。如需了解详情，请参阅 Cloud Translation Python API 参考文档。

如需向 Cloud Translation 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。 

# 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)