企业官网建设流程全解析

做游戏汉化时，最耗时的往往不是文本导出或程序联调，而是从原文到高质量中文译文的翻译过程。尤其是《女神异闻录Q（Persona Q）》这类剧情量极大的角色扮演游戏，仅主线剧情就可能包含上千条对话，如果靠人工一句句翻译，项目周期会被拉得很长。最近项目的主线剧情已经完成 AI 初翻，并开始进入校对阶段，其中《女神异闻录4》相关剧情线（P4线）的译文已经可以正常展示。这篇文章会把整个“AI 辅助游戏文本汉化”的流程拆开讲清楚：从文本格式设计、术语表维护，到调用大模型 API 批量翻译、断点续传和人工校对，尽量做到可以照着落地。

无论你是游戏汉化爱好者、本地化从业者，还是只是手里有大量文本需要做翻译处理的开发者，这套工作流都可以复用。需要说明的是，本文只讨论“已获得授权处理的文本翻译”环节，不涉及任何数据提取、解密、破解或盗版相关内容。

1. 背景与核心概念

1.1 什么是游戏文本汉化

游戏文本汉化，简单说就是把游戏里的剧情对话、物品说明、界面文案、系统消息等文本从原语言翻译成目标语言，并最终替换回游戏文件中，让玩家可以直接用中文阅读和游玩。

听起来很简单，但真正做起来会牵扯很多环节：

• 文本提取：从游戏资源文件中导出可翻译的文本，这一步通常涉及资源格式解析。
• 文本清洗：去除控制符、变量占位符、换行符、颜色代码等。
• 术语统一：角色名、地名、技能名、专有名词要保持全游戏一致。
• 翻译与润色：在准确表达原意的基础上，还要符合角色性格和剧情氛围。
• 文本回写：把翻译后的文本按照原格式写回游戏文件。
• 测试验证：实际游玩时检查文本是否溢出、是否缺字、是否出现乱码。

在传统汉化项目中，翻译和润色往往占用最多的人力。而 AI 大模型的出现，让“机器初翻 + 人工校对”成为一条可行的道路，尤其适合《女神异闻录Q》这种文本量大的 RPG 游戏。

1.2 AI 在汉化流程中的定位

AI 翻译并不能完全替代人工，但可以把人工从“从零开始翻译”变成“审校和润色”。以《女神异闻录Q》的主线剧情为例，AI 初翻完成后，译者看到的是完整的中文草稿，而不是一行行英文或日文原文。校对者只需要关注：

• 译文是否准确；
• 角色语气是否符合原版人设；
• 专有名词是否和术语表一致；
• 长句是否通顺；
• 有没有明显错译或漏译。

这种模式特别适合初翻阶段。主线剧情文本量大，AI 可以在较短时间内产出可读的初稿，人工再把质量从 70 分推到 95 分以上。

1.3 本文案例背景：PQ1 主线剧情与 P4 线

《女神异闻录Q》是 ATLUS 在 3DS 平台上推出的一款迷宫 RPG，核心玩法结合了《女神异闻录3》和《女神异闻录4》的角色阵容。游戏分为两个故事线，分别以 P3 和 P4 的角色视角展开。玩家选择的路线不同，对话内容、事件顺序甚至迷宫体验都会不同。

PQ1 的主线剧情文本量非常大，因此非常适合用 AI 辅助翻译来压缩工期。目前的进度是：主线剧情文本已经全部完成 AI 初翻，P4 线文本已经进入人工校对阶段，并可以在脚本输出中直接查看双语对照结果。P4 线的角色包括番长、理世、阳介、千枝、小熊等，每个人物的说话风格差异明显，这也是校对阶段重点把关的地方。

2. 汉化翻译工作流总览

一个可落地的 AI 辅助汉化流程，可以从整体上拆成 6 个阶段：

原始文本JSON ↓ 1. 文本清洗与结构标准化 ↓ 2. 生成双语工作表（TSV/Excel） ↓ 3. 维护术语表 ↓ 4. 调用AI批量翻译 ↓ 5. 人工校对与润色 ↓ 6. 导出最终文本

其中 1、2、4 步都可以用 Python 脚本自动化，第 3 步看似简单，却往往决定最终译文的统一性。第 5 步不建议完全自动化，至少要让有语言能力的人过一遍。

这套流程的好处是每一阶段都有中间产物，方便备份和回滚。比如 AI 初翻结果和人工校对结果可以存成不同文件，方便后期对比。

3. 环境准备与工具选型

3.1 运行环境

本文示例代码以 Python 3.10+ 为基础，只要你的机器能跑 Python 3.8 以上都可以。如果你使用的是 Windows，建议在命令行中确认 Python 已配置到 PATH；如果你使用的是 macOS 或 Linux，直接使用终端即可。

对于大模型 API，本文使用 OpenAI 兼容接口的方式编写，方便替换成其他支持相同接口规范的服务商。你只需要准备好一个 API Key 和对应的接口地址。

3.2 核心依赖

需要安装的 Python 库很少，最核心的是requests。安装命令如下：

pip install requests

如果你希望把中间结果保存为 Excel，可以额外安装pandas和openpyxl：

pip install pandas openpyxl

不过为了方便演示，本文统一使用 TSV（Tab 分隔值）格式，避免引入过多依赖。TSV 文件可以直接用 Excel 或 Notepad++ 打开，兼容性很好。

3.3 项目目录规划

建议把你的汉化工程目录整理成下面的结构：

pq1_translation/ ├── main_en.json # 原始文本JSON ├── main_en.tsv # 生成的双语工作表 ├── glossary.txt # 术语表 ├── prompt_template.txt # 提示词模板 ├── pq1_translate.py # 核心脚本 └── output/ └── main_zh.tsv # 翻译输出

目录规划的意义在于：原始文件、中间文件、输出文件分离，避免脚本误操作直接影响原始数据。尤其是当你需要反复调整提示词时，一个清晰的目录结构能让你少踩很多坑。

4. 核心模块设计与代码实现

这一部分是整篇文章的重点。我会从一个 JSON 原文文件出发，依次完成三件事：生成 TSV 工作表、批量调用 AI 翻译、支持断点续传。所有代码都整合在一个脚本里，方便复制和改造。

4.1 文本格式设计

假设项目组已经将游戏文本提取并整理成如下 JSON 结构：

[ { "id": "q0001", "speaker": "主角", "text": "Let's follow the doctor's advice." }, { "id": "q0002", "speaker": "番长", "text": "Everyone, stay close to me." } ]

字段说明：

• id：文本唯一标识，用于排序和追溯。
• speaker：说话角色，可以用于提示词中保持角色语气。
• text：原始文本。

如果你的项目有日文原文，也可以把text换成日文文本，流程完全一样。

4.2 编写核心脚本 pq1_translate.py

下面这个脚本实现了 prepare 和 translate 两个子命令：

• prepare：读取 JSON，生成 TSV。
• translate：读取 TSV，逐条调用 AI 翻译，并保存进度。

#!/usr/bin/env python3 # pq1_translate.py import argparse import csv import json import os import time import requests def load_json(path): with open(path, "r", encoding="utf-8") as f: return json.load(f) def save_tsv(path, rows, fieldnames): with open(path, "w", encoding="utf-8", newline="") as f: writer = csv.DictWriter(f, fieldnames=fieldnames, delimiter="\t") writer.writeheader() writer.writerows(rows) def load_tsv(path): with open(path, "r", encoding="utf-8", newline="") as f: reader = csv.DictReader(f, delimiter="\t") rows = list(reader) fieldnames = reader.fieldnames return rows, fieldnames def load_glossary(path): with open(path, "r", encoding="utf-8") as f: return f.read() def translate_with_ai(source_text, glossary, prompt_template): api_url = os.getenv("AI_API_URL", "https://api.openai.com/v1/chat/completions") api_key = os.getenv("AI_API_KEY", "") model = os.getenv("AI_MODEL", "gpt-4") if not api_key: raise ValueError("请设置 AI_API_KEY 环境变量") prompt = prompt_template.replace("{source}", source_text).replace("{glossary}", glossary) payload = { "model": model, "messages": [ { "role": "system", "content": "你是一名资深的游戏本地化翻译员，擅长角色扮演类游戏的对话翻译。", }, {"role": "user", "content": prompt}, ], "temperature": 0.3, } headers = {"Authorization": f"Bearer {api_key}"} for attempt in range(3): try: resp = requests.post(api_url, json=payload, headers=headers, timeout=30) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"].strip() except requests.exceptions.RequestException as e: print(f"[WARN] 第 {attempt + 1} 次请求失败: {e}") if attempt < 2: time.sleep(2 ** attempt) else: raise RuntimeError(f"翻译请求失败: {source_text[:20]}") def prepare_command(args): data = load_json(args.input) rows = [] for item in data: rows.append( { "id": item.get("id", ""), "speaker": item.get("speaker", ""), "source": item.get("text", ""), "translation": "", } ) save_tsv(args.output, rows, ["id", "speaker", "source", "translation"]) print(f"[DONE] 生成 {len(rows)} 条文本到 {args.output}") def translate_command(args): rows, fieldnames = load_tsv(args.input) glossary = load_glossary(args.glossary) prompt_template = load_glossary(args.prompt) start = args.start limit = args.limit if args.limit else len(rows) - start total = min(limit, len(rows) - start) for i in range(start, start + total): row = rows[i] if row.get("translation", "").strip(): continue try: row["translation"] = translate_with_ai(row["source"], glossary, prompt_template) except Exception as e: print(f"[ERROR] {row['id']} 翻译失败: {e}") save_tsv(args.output, rows[:i], fieldnames) raise print(f"[INFO] {i - start + 1}/{total} {row['id']} done") time.sleep(0.5) save_tsv(args.output, rows, fieldnames) print(f"[DONE] 输出文件已保存: {args.output}") def main(): parser = argparse.ArgumentParser(description="AI 辅助游戏文本汉化工具") sub = parser.add_subparsers(dest="command") p_prepare = sub.add_parser("prepare", help="JSON 转 TSV") p_prepare.add_argument("input", help="原始 JSON 文件路径") p_prepare.add_argument("output", help="输出 TSV 文件路径") p_prepare.set_defaults(func=prepare_command) p_translate = sub.add_parser("translate", help="批量 AI 翻译 TSV") p_translate.add_argument("--input", required=True, help="待翻译 TSV 文件") p_translate.add_argument("--output", required=True, help="翻译输出 TSV 文件") p_translate.add_argument("--glossary", required=True, help="术语表文件路径") p_translate.add_argument("--prompt", required=True, help="提示词模板文件路径") p_translate.add_argument("--start", type=int, default=0, help="开始行号") p_translate.add_argument("--limit", type=int, default=None, help="最多翻译条数") p_translate.set_defaults(func=translate_command) args = parser.parse_args() if args.command == "prepare": prepare_command(args) elif args.command == "translate": translate_command(args) else: parser.print_help() if __name__ == "__main__": main()

脚本中几个关键点：

• 通过环境变量AI_API_URL、AI_API_KEY、AI_MODEL控制接口地址、密钥和模型，避免把密钥写死在代码中。
• 翻译函数自带 3 次重试，并使用指数退避，能容忍一定程度的网络抖动。
• 批量翻译时会跳过已经翻译过的行，实现断点续传。
• 每翻译完一条会写入一次? 不是每次写入，而是在完成所有请求后一次性写入。如果中途失败，会保存到当前行之前的数据。

虽然示例中没有做到每翻译一行就保存，但已经通过失败时保存rows[:i]的方式降低丢数据的风险。如果你需要更强的断点保护，可以直接把save_tsv放进每翻译一行之后。

4.3 提示词模板

提示词模板是整个流程的灵魂。一个合格的汉化提示词应该包含背景说明、术语要求、输出格式限制。下面是一份可以直接使用的模板：

请把下面这段游戏对话翻译成简体中文。 翻译要求： - 语言自然，符合游戏角色说话习惯； - 不要改变原意，不要添加注释； - 专有名词和角色名按术语表翻译； - 只输出翻译结果，不要额外内容。 术语表： {glossary} 待翻译文本： {source}

把这个文件保存为prompt_template.txt，在运行脚本时传入即可。

这里特别强调的是“只输出翻译结果”这一句。如果不加这一句，AI 很可能会输出解释、备选译法或“以下是译文”之类的废话，不利于自动化流程。

4.4 术语表维护

术语表建议用纯文本维护，格式如下：

Persona=人格面具 S.O.S.=紧急求救 TV World=电视世界

术语表的内容来自项目早期人工整理的名单。项目越大，术语表越重要。因为 AI 模型并不知道你的项目中哪些角色名要沿用旧版翻译、哪些名词要保留英文。在提示词中加入术语表，可以明显降低专有名词混乱的概率。

5. 实战：PQ1 主线剧情 AI 初翻与 P4 线展示

5.1 准备阶段

假设你的原始文本文件是main_en.json，首先把它转为 TSV 工作表：

python pq1_translate.py prepare main_en.json main_en.tsv

运行后，会生成一个包含四列的 TSV 文件：

id speaker source translation q0001 主角 Let's follow the doctor's advice. q0002 番长 Everyone, stay close to me.

这一步的意义在于：TSV 可以直接用 Excel 打开，方便人工快速浏览、筛选和修改。即使你不是程序员，也能通过表格软件参与校对。

5.2 执行 AI 翻译

接下来，用翻译子命令对 TSV 进行批量初翻。

在运行之前，先设置环境变量：

export AI_API_KEY="你的密钥" export AI_API_URL="https://api.openai.com/v1/chat/completions" export AI_MODEL="gpt-4"

然后运行：

python pq1_translate.py translate \ --input main_en.tsv \ --output output/main_zh.tsv \ --glossary glossary.txt \ --prompt prompt_template.txt \ --limit 200

--limit 200表示本次只翻译前 200 条，方便先观察翻译质量，再决定是否继续全量跑。

如果需要从某一行继续翻译，可以加--start：

python pq1_translate.py translate \ --input main_en.tsv \ --output output/main_zh.tsv \ --glossary glossary.txt \ --prompt prompt_template.txt \ --start 200

5.3 输出与进度验证

脚本运行过程中，会打印类似下面的日志：

[INFO] 1/200 q0001 done [INFO] 2/200 q0002 done

如果某条翻译失败，脚本会保存已经完成的前 N 条，并抛出异常。此时检查错误原因后，重新运行相同命令即可继续。

输出文件output/main_zh.tsv中，translation列会被填上中文译文。

5.4 P4 线翻译片段展示

为了展示 P4 线的初翻效果，下面列出几条示例文本。这里使用的是演示文本，不代表游戏最终翻译结果：

从这几条可以看出，AI 初翻已经能做到“意思基本正确、语句通顺”，但距离“在游戏里直接使用”还有一定距离。比如角色口癖、语气词、称呼方式，都需要人工校对进一步调整。

6. 常见问题与排查思路

AI 辅助汉化的流程并不复杂，但在实际操作中会遇到各种问题。下面列出高频问题和对应的解决思路：

除了表格中的问题，还有一个值得注意的“逻辑坑”：如果你在翻译过程中修改了术语表，之前已经翻译完的文本不会自动更新术语。处理办法是，在术语表变更后，重置相关文本的translation列再重新翻译。

7. 人工校对与质量保障

7.1 为什么要人工校对

AI 初翻可以解决“有没有译文”的问题，但解决不了“译文是否适合游戏”的问题。RPG 游戏中的角色对话往往带着强烈的性格色彩，比如 P4 线中番长冷静、阳介话痨、小熊元气满满，这些差异不是靠一句 prompt 就能完全稳定复现的。

人工校对至少要覆盖以下内容：

• 准确性：原文意思有没有被 AI 曲解。
• 连续性：上一句和下一句的衔接是否自然。
• 风格一致性：同一个角色在所有场景中的语气是否稳定。
• 长度检查：译文不要过长或过短，避免游戏文本框无法显示。
• 语气和称呼：角色之间的称呼是否符合剧情关系。

7.2 校对流程建议

校对阶段推荐按下面的顺序操作：

1. 先按角色筛选。把同一个说话者的所有台词放在一起校对，这样更容易统一语气。
2. 再按剧情章节筛选。把同一段剧情中的连续对话放在一起检查，保证上下文连贯。
3. 最后做全文抽查。随机抽取不同章节，检查是否存在漏译或错译。

如果你使用 Excel 打开 TSV 文件，可以直接用筛选功能，按speaker列筛选角色，按id前缀筛选章节。

7.3 术语一致性检查

人工校对不可能一条条地去回忆“某个专有名词之前翻译成什么”。建议写一个简单脚本来自动检查：

import csv import sys def check_glossary(tsv_path, glossary_path): with open(glossary_path, encoding="utf-8") as f: glossary_terms = [line.strip().split("=") for line in f if "=" in line] with open(tsv_path, encoding="utf-8", newline="") as f: reader = csv.DictReader(f, delimiter="\t") for row in reader: translated = row.get("translation", "") for term in glossary_terms: expected = term[1].strip() variants = set(expected) # 这里只做最简单的检查，实际可补充更多规则 if expected not in translated: pass if __name__ == "__main__": check_glossary(sys.argv[1], sys.argv[2])

这个脚本只是一个检查思路，实际项目中还可以引入“禁译表”“优先级词”等规则。比如某些角色名在特定剧情中不允许直译，或者某个地名必须保留英文，都可以维护进术语表。

7.4 如何避免人工校对影响原格式

人工校对后，你可能希望把最终的translation列导出回原始 JSON，方便后续回写。这一步可以继续用 Python 完成，核心思路是读取校对后的 TSV，再把每行的translation按照原id填充到 JSON 对象中。注意不要在图里把原始 JSON 的text字段覆盖掉，最好保留一份原始文件作为备份。

8. 最佳实践与工程建议

8.1 一切文本都纳入版本管理

汉化过程中的原始文本、中间 TSV、术语表、提示词模板、校对结果都应该提交到 Git 仓库。这样做的好处是：

• 任何人改动术语表，都能看到历史记录；
• 提示词调整前后可以对比翻译效果；
• 某个文本文件被误覆盖时可以随时回滚；
• 多名成员协作时不会互相覆盖。

建议在仓库中建立一个prompts/目录，专门保存不同阶段的提示词版本。你可能会发现，同一个翻译任务，提示词从 v1 到 v5 的翻译质量差别很大。

8.2 控制请求频率与成本

调用大模型 API 是按 token 计费的。如果你的主线剧情文本有几万行，全量翻译的成本会相当可观。工程上建议：

• 先小批量试跑，确认质量和成本后再全量跑；
• 使用limit参数限制每次运行的文本条数；
• 设置合理的temperature，0.2 到 0.4 之间通常更适合翻译任务；
• 在脚本中加入time.sleep()控制请求频率，避免触发限流。

如果你使用的 API 支持流式输出，也可以考虑接入，但这会明显增加代码复杂度。对于批量翻译，非流式已经足够。

8.3 安全与合规

这部分很重要。汉化项目必须确保你处理的文本来自合法授权渠道，不得在文章中提供或传播破解工具、ROM、解密脚本等内容。API Key 是敏感信息，绝不能写死在代码里，更不能提交到公开仓库。最稳妥的做法是使用环境变量或本地配置文件，并把配置文件加入.gitignore。

在将文本发送到第三方 AI 服务时，也要评估文本内容是否涉及敏感信息。如果有未公开的商业文本或受保密协议约束的内容，不要直接上传到公有云 API。

8.4 把流程拆成可插拔模块

我强烈建议不要把所有逻辑都塞进一个脚本。你可以把“读文件”“调 API”“写文件”分别拆成独立的模块，甚至可以把“翻译”部分做成一个命令行工具插件。这样当你从 OpenAI 兼容接口切换到其他服务时，只需要替换翻译函数。

另外，如果你的汉化项目有日语原文，可以在提示词中加入“参考日语原文的敬语和语感”等描述，让 AI 在翻译时更贴近原意。

9. 总结与下一步

这篇文章围绕《女神异闻录Q》汉化项目中的主线剧情 AI 初翻展开，完整介绍了从 JSON 原文到 TSV 工作表、从术语表维护到批量调用 AI 翻译、从断点续传到人工校对的整体过程。核心代码只有一个 Python 脚本，即可复制运行，也可以按自己的项目情况改造。

当前项目的 P4 线文本已经可以通过脚本正常展示双语对照结果，接下来的工作主要集中在三个方向：一是对 AI 初翻结果进行逐条校对和润色；二是持续扩充术语表，特别是技能名、道具名、迷宫区域名；三是把最终译文导出为游戏可用的文本格式，并进入实际运行测试。

另外，如果你不熟悉 API 环境配置，建议先拿 20 条左右的测试文本跑通整个流程，确认输出格式无误后再全量翻译。汉化文本的质量没有捷径，AI 能帮你把“从零到一”的效率提升好几倍，但“从一到十”的部分，依然需要人工的耐心和判断力。

如果你也在做类似的汉化或本地化项目，希望这篇文章能帮你省一些时间。可以收藏备用，后续有新的翻译经验我也会再整理分享。