1、立项原因:多语区玩家在同一局里用中文、日文、英文混杂沟通,人工翻译跟不上节奏,
且市面上的"翻译插件"普遍要注入游戏进程、模拟点击,既有封号风险也有安全风险。
本项目要解决的是:在不触碰游戏进程的前提下,把屏幕上的聊天内容实时翻译成使用者母语,
并以悬浮层呈现。也可用于其他非游戏界面
2、行业场景与业务背景:面向跨国服/多语区在线游戏的玩家社群运营与陪玩/代练从业者。
实际使用场景是"边打边看":玩家无法切出游戏窗口,只能靠置顶覆盖层读取译文。
业务背景上,跨语区工会招募、团长指挥、交易砍价都强依赖即时理解,
而人工翻译成本高、延迟大 —— 这是本工具成立的前提。
1、功能模块:
①只读截屏采集:按配置区域(聊天面板/消息区)定时截屏,不注入游戏进程、不读写内存;
②多模态识别与翻译:把消息区图像交给多模态大模型,识别"谁说了什么"并翻译成目标语言;
③术语与语境注入:内置中日英术语表、直译禁区规则包、语境场景包,专有名词按社区口径映射;
④悬浮覆盖层:置顶半透明窗体,列表/详情两种视图,可收起可呼出,不抢游戏焦点;
⑤全局热键:一键呼出/收起,一键触发识别;
⑥配置与安全:图形化配置向导;密钥用系统加密存储(不写进配置文件);每日调用额度上限;
⑦自检工具:内置联调脚本,可对真实截图跑"识别→翻译"对比测试并输出对照基准。
2、主要功能描述:
使用者按下热键后,工具截取当前屏幕的聊天区域,识别出多条消息,按"原文 / 中文翻译 / 回复候选"三栏呈现,
候选回复还标注语气(随意/标准/活泼/超简短/谦逊务实)与"将发 / 仅供理解";
可在覆盖层内逐条查看上下文,确认后再自行决定是否引用。全流程只有"读屏 + 本地渲染",
不模拟任何按键或鼠标点击。
1、我负责的具体任务:单人完成全部工程 —— 需求拆解与验收口径、整体架构、截屏采集与区域标定、
多模态调用与提示词/术语注入、覆盖层渲染与交互、配置向导与密钥安全存储、
打包发版与门禁(产物哈希清单、独立复跑校验)、以及测试用例与真机验证。
2、技术栈与架构:Python + Pillow(截屏与 ROI 裁剪)+ 多模态大模型(火山方舟 Ark,读图+翻译)
+ Tk(置顶覆盖层)+ Windows DPAPI(密钥加密存储)+ 打包为 Windows 可执行文件。
分四层:采集层(截屏/区域)→ 识别翻译层(提示词组装 + 术语/规则注入)→
状态层(消息队列、去重、上下文)→ 表现层(覆盖层/热键/托盘)。
3、实现亮点与难点:
①"边打边看"不能抢焦点、不能被窗口盖住:覆盖层置顶且不激活目标窗口;渲染全部收在 UI 线程,
避免跨线程更新导致界面卡死(踩过并修复);
②模型输出不稳定:固定分隔格式 + 解析失败重试 + 队列派发,单条消息异常不会让整条链路断掉;
③术语一致性:术语表与"直译禁区"做成可热更新规则包,按社区口径映射,而不是硬编码提示词;
④安全:密钥不进配置文件、不进日志;日额度上限防误刷;工具全程只读、可一键暂停;
⑤可验证:625 次迭代提交;发布包附证据目录;打包机独立复跑门禁 13/13 通过。
评论