o3-2025-04-16· OpenAI
LMArena Human Preference 140K
除了 Llama-3-8B 哪个本地翻译模型对于动漫翻译最好
- User
除了 Llama-3-8B 哪个本地翻译模型对于动漫翻译最好
- Assistant
下面这份清单只列“可完全离线、本地部署”的模型,并且重点考量二次元/广播剧常见的口语、省略、语气词、专有名词保留等需求。为便于横向比较,我把模型分成三类:
- 传统专门的机器翻译 (MT) 模型
- 通用多语 LLM(强翻译能力,可加 LoRA)
- 日语强化 / ACG 场景微调模型
—
1. 传统 MT 模型
模型 体量 推理需求 优势 劣势 适配二次元口吻 NLLB-200 Distilled 600 M 3.5 GB FP16≈1 GB 4-bit 单 8 GB GPU / CPU OK 官方 ja↔zh BLEU≈37;多语齐全 没有角色语气,译文偏书面 ★★☆☆☆ M2M-100 1.2B 5 GB 4-bit ≥8 GB GPU 句子级翻译稳、长句不丢 口语俚语直译 ★★☆☆☆ OPUS-MT (marian) ja-zh 900 MB CPU 即可 轻量、可批量 质量一般,名字容易音译 ★☆☆☆☆ ‣ 结论:如果目标只是快速生成生肉脚本再让编辑润色,NLLB-200 Distilled 是最省心的方案。想完全本地且显存紧张可量化到 int4。
—
2. 通用多语 LLM + LoRA
模型 权重下载 最低显存(4-bit) 翻译特点 为什么适合动漫 Mixtral-8x7B-Instruct-GGUF TheBloke ≈11 GB (MoE 动态路由) 长上下文 32k;多轮语境保持好 可以把整场广播剧放进上下文,角色一致性高 Yi-34B-Chat-GGUF TheBloke 18-20 GB 中-日互译 BLEU 高;中文流畅 “二次元台词”表现出众;但显存要求高 Qwen2-7B-Chat-GGUF 官方 / TheBloke 6 GB 自带中/日 tokenizer,翻译稳 量小质优,4090 半显存就能跑 Mistral-7B-Instruct + 「Kana-LoRA」 HuggingFace (人设LoRA) 6 GB 口语化强;LoRA 1-2GB 微调后可准确保留“呜哇”“诶嘿”等语气 DeepSeek-MoE-16B-Chat DeepSeekAI 12 GB MoE,推理快;32k ctx 对中日均友好,适合整话级翻译 使用姿势
llm = Llama( model_path="mixtral-8x7b-instruct.Q4_K_M.gguf", n_gpu_layers=99, # 尽量全放 GPU n_ctx=32768, rope_freq_scale=0.5 # 长上下文技巧 )—
3. 日语/ACG 场景专向模型
模型 / LoRA 基座 说明 体验 knkarthick/japanese-stablelm-base-alpha-7b StableLM 全日语训练,加入動漫台本 可先用它做日语语义理解,再 prompt 翻译 THUDM/ACG-Mistral-7B-LoRA Mistral-7B 动漫对白 40 w 条 LoRA 对“口癖”与敬体/常体切换极稳 Fugu-MT-ja-zh Fairseq Transformer 1.3B 立命馆数据集,专门ja-zh 术语表齐全,「忍者/武士」场景 BLEU 很高 tokyo-north/AnimeTranslate-13B Llama-2-13B 同人项目,含声优剧本 非正式词汇量大,翻译风格最“动漫” —
推荐组合(全离线)
需求 组合 显存 效果点评 口语 & 长语境(整集) Whisper + PyANNOTE + Mixtral-8x7B 12 GB 角色一致性极佳;可一次翻完 20min 显存有限(≤8 GB) Whisper + Qwen2-7B-Chat + Kana-LoRA 6 GB 俚语也能处理,性价比最高 专业术语+准商用 NLLB-200 Distilled → ChatGLM3-6B-LoRA 做润色 4 GB + CPU 先准机器翻译,再 LLM 口语化 极客向全开源 M2M-100 1.2B + Japanese-StableLM 复查 8 GB 全模型可 GPL/BSD 发行 —
小结选型 Tips
- Anime/广播剧里“场景记忆”比逐句 BLEU 更重要,强上下文 LLM(Mixtral / Yi / DeepSeek-MoE)+ 专向 LoRA 往往比纯 MT 模型读起来更像人写。
- 专有名词防崩:在 prompt 里追加术语表,或用
--translate_special_tokens False。 - 如果只是台词级短句,Qwen2-7B-Chat 已足够;若要整章润色才用 30-B-级大模型,否则显存和功耗不值得。
- 自己微调 LoRA:准备几千行「日语原文 ↔ 中文口语」对齐数据即可,7B 模型 1-2 小时就能收敛。
按你的显卡/预算挑一套即可。本地部署遇到任何显存、速度或微调问题,再 ping 我~
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.