llm-translate/doc/ru/options.md

Настройки сервиса и модулей (плагинов)

После старта сервиса в папке options будут автоматически созданы файлы конфигураций для сервиса и для всех имеющихся плагинов. Все параметры будут выставлены в предустановленные значения. При создании название параметров записываются по алфавиту.

Чтобы сбросить параметры какого-либо плагина или все настройки сразу, необходимо удалить соответсвующий файл (файлы) из папки options и перезапустить сервис, удаленные файлы будут созданы со значениями по умолчанию.

Формат файлов - JSON.

Все изменения применяются только после перезапуска сервиса.

В папке options могут находиться следующие настройки:

• core.json - базовые настройки сервиса. Эти настройки будут рассмотрены ниже.
• plugin_file_xxx.json - настройки перевода опредленного типа файлов или группы файлов. Например, plugin_file_txt.json - настройки перевода текстовых файлов с расширением txt. Более подробно про поддерживаемые плагины для перевода файлов и их настройки можно посмотреть здесь.
• plugin_xxx - все оставшиеся файлы, которые не начинаются с plugin_file_ - настройки инструментов перевода. Более подробно про поддерживаемые инструменты для перевода и их настройки можно посмотреть здесь.

Настройки core

Настройки находятся в файле core.json

Ниже приведены настройки с их описанием, рекомендуемым значениям и сценариями использования.

• Группа cache_params - параметры кэширования. Для кэширования используется база данных SQLite.

• • disable_for_plugins - список плагинов перевода, для которых не нужно использовать кэширование. Значение по умолчанию - плагин "no_translate", так как это специализированный плагин для тестирования и разработки функциональности сервиса.
• • enabled - включен или выключен кэш. Позволяет ускорить обработку уже переведенного ранее текста.
• • expire_days - количество дней, в течение которых хранятся записи в кэше.
• • file - место расположения файла кэша.

• default_translate_plugin - плагин для перевода по умолчанию, будет загружен при старте сервиса и будет использован, если в запросе перевода явно не указан другой инструмент плагин.

• Группа file_processing_params - обработка файлов, документация.

• • directory_in - папка, где будет производиться поиск файлов для перевода.
• • directory_out - папка, в которую будут сохраняться результаты перевода.
• • overwrite_processed_files - если true, позволяет перезаписывать файлы в папке directory_out, если они уже существуют. Если false - файл не будет обработан и будет возвращен соответсвующий статус в результате.
• • preserve_original_text - если true, то при обработке файла сначала будет идти абзац исходного текста, затем - переведенного. Если false - то исходный текст будет удален и останется только перевод.

• init_on_start_plugins - список с дополнительными плагинами перевода, которые нужно загрузить при старте сервиса. Нужно учесть, что использование каждого плагина для перевода требует загрузки моделей в память, поэтому лучше загружать минимально необходимые плагины.

• sleep_after_translate - время в секундах (может быть дробным, например, 0.1), которое севрис будет ожидать после завершения перевода. Если карта сильно греется, например, при переводе файлов, некоторая задержка позволит снизить нагрузку.

• Группа text_processing_params - настройки для обработки текста запросов и ответов. Группу этих параметров можно добавить в настройки любого плагина перевода и в этом случае настройки группы будут применены вместо настроек из core-плагина. Подробнее - ниже в этом документе.

• • allowed_chars_ignoring_replace - если включен параметр replace_not_text_chars, все параметры, кроме букв, цифр и содержимого этого поля будут заменены на строку replace_not_text_target_char.
• • apply_for_request - применять обработку текста согласно указанным параметрам к тексту для перевода, запросу.
• • apply_for_response - применять обработку текста согласно указанным параметрам к переведенному тексту, ответу.
• • remove_identical_characters - удаляет в слове подряд идущие символы, если их число более, чем указано в параметре remove_identical_characters_max_repeats. Например, слово "Приииивввееееет" при значении remove_identical_characters_max_repeats = 3, будет заменено на "Прииивввееет". Как правило, более 3 букв в словах не встречается, и такие повторения букв используется для изобразительных оттенков речи, например, что слово было протяжно произнесено. Такая замена позволяет улучшить результат, так как модель видит более близкое слово, которое может обработать.
• • remove_identical_characters_max_repeats - количество букв, идущих подряд, которое будет оставлено при включенном параметре remove_identical_characters.
• • remove_multiple_spaces - удаление нескольких пробелов подряд, например "Привет, мир 1 и мир 2!" - оставит "Привет, мир 1 и мир 2!".
• • remove_repeated_words - удаление в предложении несколько слов, которые идут подряд, если их число более, чем указано в параметре remove_repeated_words_max_repeats. Например, фраза "Привет, привет, привет, привет мир." при значении remove_repeated_words_max_repeats = 3 будет заменено на "Привет Привет Привет, мир.". В этом преобразовании есть проблемы с регистром повторяющихся слов, знаками препинания, поэтому использование не рекомендуется.
• • replace_non_standard_new_lines_chars - заменяет комбинации символов новой строки, таких как \r\n, \n\r, \r на \n.
• • replace_not_text_chars - заменяет все символы, которые не являются буквами или цифрами, или не входят в строку-параметр allowed_chars_ignoring_replace на значение параметра replace_not_text_target_char. Некоторые модели перевода плохо работают со специальными символами, поэтому для таких случаев этот параметр может улучшить перевод.
• • replace_not_text_target_char - строка, на которую будет заменен найденный символ при включенном параметре replace_not_text_chars.
• • Список значений replace_text_from_to - здесь можно указать значения "текст-для-замены": "заменяемый текст". Например, при таком значении параметра: replace_text_from_to: { "Alice": "Mallory", "123": "456" } текст "Alice sends a message 123 to Bob." будет заменено на "Mallory sends a message 456 to Bob."

• Группа text_split_params - параметры разбиения большого текста на части, чтобы модель могла корректно их обработать. Группу этих параметров можно добавить в настройки любого плагина перевода и в этом случае настройки группы будут применены вместо настроек из core-плагина. Подробнее - ниже в этом документе.

• • sentence_splitter - если включен параметр split_by_sentences_only, определяет, какой инструмент будет использоваться для того, чтобы разбить текст на предложения. если указан blingfire - будет использоваться этот инструмент, во всех остальных случаях - pysbd. Нужны специальные инструменты, потому что просто разбить текст по знакам препинания нельзя, например одно это предложение будет разбито на несколько частей: "Mr. John Johnson Jr. was born in the U.S.A but earned his Ph.D. in Israel before joining Nike Inc. as an engineer.".
• • split_by_paragraphs_and_length - разбивать частями на несколько параграфов, но так, чтобы длина одной части была не более значения параметра, указанного в split_expected_length, за исключением первого параграфа. Ниже приведен пример расчет разбиения.
• • split_by_paragraphs_only - разбивать текст только по параграфам. Число частей будет равно числу параграфов.
• • split_by_sentences_and_length - разбивать частями на несколько предложений, но так, чтобы длина одной части была не более значения параметра, указанного в split_expected_length, за исключением первого предложения. Ниже приведен пример расчет разбиения.
• • split_by_sentences_only - разбивать текст только по предложениям. Число частей будет равно числу предложений.
• • split_expected_length - при включенном параметре split_by_paragraphs_and_length или split_by_sentences_and_length размер части

• будет не более этого значения, за исключением первого параграфа или предложения. Ниже приведен пример расчет разбиения.

• Группа translation_params - параметры перевода. Группу этих параметров можно добавить в настройки любого плагина перевода и в этом случае настройки группы будут применены вместо настроек из core-плагина. Подробнее - ниже в этом документе.

• • default_from_lang - код языка, будет использован, как язык оригинала, если он не был явно указан.
• • default_to_lang - код языка, будет использован, как язык, на который необходимо перевести, если он не был явно указан.

• v - служебное значение, версия плагина. При повышении версии плагин дополнит файл конфигурации новыми параметрами.

Как текст разбивается на части при использовании параметра split_expected_length

Пример: включен параметр split_by_paragraphs_and_length и split_expected_length = 500, есть текст параграфов следующей длины: 100, 700, 250, 50, 50, 400, 150, 200.

Текст будет разбит на части и включать следующие параграфы:

1. 100 (100 + следующий параграф 700 больше, чем ограничение 500)
2. 700 (700 больше, чем ограничение в 500, первый параграф в части должен быть обязательно)
3. 250, 50, 50 (200 + 50 + 50 = 300, меньше, чем ограничение в 500, но следующий параграф - 400, уже больше ограничения)
4. 400 (меньше чем ограничение в 500, но следующий параграф - 200, превысит ограничение)
5. 150, 200 - (меньше чем ограничение в 500)

Аналогичное разбиение будет выполнено и при включенном параметре split_by_sentences_and_length и split_expected_length = 500, и предложениях следующей длины: 100, 700, 250, 50, 50, 400, 150, 200.

Как видно, при малом значении лимита, размер полученных частей может быть как сильно меньше, так и сильно больше лимита. Но при установке лимита в 1500 - 2000 или более, этот эффект будет снижен.

Переопределение групп параметров в настройках плагинов переводов.

Некоторые группы параметров - такие, как text_processing_params, text_split_params, translation_params - можно добавить в файлы настроек конкретного плагина и тогда эти настройки заменят настройки в core-плагине.

Необходимо переопределить полностью всю группу, если будет указан только один параметр - то и прочитан будет только он.

Это нужно для более удобной работы с плагинами, например языки для перевода по умолчанию чаще всего англо-русский, но для плагина madlad всегда используются языки японско-русский.