背景
游戏厂商或者游戏平台在游戏出海时，经常有这样的场景：
1、游戏多地区同服，每个地区的玩家语言不同，各自都在公共频道上发言，游戏需要有一个通用的翻译工具，供玩家使用，以便知晓其它地区的玩家发言内容。
2、游戏/平台客服，每天需要处理各个地区的各种咨询和建议，而客服并不能精通每个地区的语言，也需要一个通用的翻译工具。
而在ChatGPT和一众大模型出现之前，我们通常的做法是引入一款翻译工具，比如百度翻译、谷歌翻译、AWS翻译等等。但它们都有以下缺点：
- 费用昂贵；
- 在游戏行业中，翻译效果一般；术语的定义有语种限制；
而ChatGPT的出现，以上的场景和缺点都可以轻松解决。
选型
基于上述所说的场景，我们需要一款价格便宜，翻译效果尚可，获取难度低的大模型。
| GPT3.5 | GPT4 | PaLM2 | 文心一言 | Gemini | Claude2 | |
|---|---|---|---|---|---|---|
| 费用（千token） | $0.0010 | $0.0300 | $0.0005 | $0.0011 | 公测免费，后续费用未知 | $0.01102 |
| 翻译准确度 | 中 | 高 | 中 | 中 | 高 | 高 |
| 获取难度 | 低 | 中 | 低 | 低 | 低 | 高 |
上表的大模型都支持多语言翻译，通过对比大模型的价格、翻译准确度、获取难度可知，GPT3.5与PaLM2有较大优势。
通用模式
一般而言，通用翻译工具，更多只需要翻译能达意，能让看的人懂得要表达的意思即可。所以使用大模型进行翻译，prompt不需要太多的提示，更多是告知模型需要翻译的目标语种，和按预期格式返回。而以上大模型，除了文心一言外，其余都更适用使用英文来写prompt。以下是我让大模型将文本翻译成中文的例子：
sql
Please translate the text into Chinese according to the following requirements
1、Output only the translation result without interpretation.
2、Translate to the best of your ability.热度（temperature）使用0。至于为什么，可以看看我之前的精准翻译篇，里面有详细解释。
大模型带来的问题&解决方案
如果只按照上述的通用模式来实现翻译，在生产环境下是远远不够的，你将可能遇到以下问题
一、稳定性
翻译，作为一个C端的接口/能力，对稳定性还是有一定要求。而在实际生产环境的使用中，无论是GPT还是Google的PaLM2，服务都会偶尔不可用。针对这种情况，我们采取的是多模型互备降级，传统翻译工具兜底来达到高可用的目的。于是，整个翻译流程大致如下：
二、实时性
在实际使用的过程中，一般的待翻译文本在30字左右（均值）的长度，各大模型的响应时间都在500ms左右，基本符合C端接口要求。但建议做好超时控制，一般在3~5s内无法响应则应主动取消，进行降级翻译。
三、准确性
如果你有使用大模型的经历，那么必然经历过大模型不按预期返回的场景。举个例子，在我们这次的场景中，是翻译，现在有一个中译英场景，待翻译内容为[生成序列号]。有些大模型就可能没有按照预定的提示词进行翻译，而是真的给你生成了许多随机的序列号。而类似的情况还有许多许多，你不能控制翻译的时候，待翻译内容的输入。那么针对这种情况，我采用的是翻译后纠错。
什么意思？使用开源工具（github.com/pemistahl/lingua-go），对翻译结果进行语种判定，然后与预期语种比对，如果不一致，则进行降级翻译处理。于是，整个翻译流程又变成：
四、调用频率
几乎所有的大模型都有调用频率限制，在上生产环境前，都需要对业务量进行评估，与模型供应商协商好。
五、安全限制
所有的大模型都有自己的一套安全限制，即当输入的内容不符合规定时，强制终止。一般都有参数配置，详情需要与模型供应商协商好。同时，程序上需要正确的捕获安全限制终止，并进行降级。
细心的人可能已经发现，以上五个问题，不仅仅适用于翻译场景，其实也适用所有使用大模型的场景。
效果
以上的通用翻译方案，在37手游内部使用良好。在某个游戏项目中，实现翻译成本降本80%的惊人效果。