Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

翻譯文字

如要執行翻譯工作，Gemini Enterprise Agent Platform 的生成式 AI 提供兩種 Cloud Translation API 專用翻譯模型：

翻譯 LLM：Google 最新、品質最高的 LLM 翻譯服務。可提供最高品質的翻譯，且延遲時間合理 (比 Gemini 2.0 Flash 快約 3 倍)。
Cloud Translation 神經機器翻譯 (NMT) 模型：Google 的頂尖即時翻譯服務，翻譯延遲時間約為 100 毫秒。在所有模型基準化測試中，NMT 的翻譯品質最高，延遲時間也相當。此外，NMT 的翻譯品質還在不斷提升。NMT 的延遲時間比 Gemini 2.0 Flash 快 20 倍。

Translation LLM 的主要優勢和差異化特點

無與倫比的翻譯品質：Translation LLM 的翻譯品質最高，在基準測試中的表現明顯優於其他受測模型。相較於其他翻譯模型常見的「逐字」翻譯，Translation LLM 更可能大幅改寫句子，讓譯文聽起來更自然。
優異的品質/延遲時間取捨：翻譯 LLM 提供的 LLM 輔助翻譯，延遲時間比 Gemini 2.0 Flash 顯著縮短。雖然 Translation LLM 的延遲時間比 NMT 模型長，但通常能為各種應用程式提供品質更高的回覆。

模型功能比較

功能	翻譯專用大型語言模型 (採用 Gemini 技術)	神經機器翻譯模型
說明	這類大型語言模型以 Gemini 為基礎，並經過微調，專門用於翻譯。適用於 Gemini Enterprise Agent Platform 的生成式 AI 和 Cloud Translation - Advanced API。	Google 的神經機器翻譯模型，可透過 Cloud Translation - Advanced 和 Cloud Translation - Basic API 使用。這個模型經過最佳化，可簡化作業及進行調整。
品質	最高品質的翻譯。在翻譯品質方面，優於神經機器翻譯 (NMT)、Gemini 2.0 Flash 和 Gemini 2.5 Pro。更可能重寫句子，讓內容自然流暢。可大幅減少錯誤。	視語言配對而定，品質中等至高等。在許多語言/領域組合中，這是效能最佳的即時 NMT 模型。
延遲時間	延遲時間明顯優於 Gemini 2.0 Flash，但仍慢於 NMT。	最快速的即時翻譯。延遲時間短，適合用於聊天和即時應用程式。延遲時間比 Gemini 2.0 Flash 快 20 倍
語言支援	支援的語言包括阿拉伯文、中文、捷克文、荷蘭文、英文、法文、德文、北印度文、印尼文、義大利文、日文、韓文、波蘭文、葡萄牙文、俄文、西班牙文、泰文、土耳其文、烏克蘭文和越南文。如需完整清單，請參閱支援的語言。	支援的語言包括粵語、斐濟語和巴里語。系統支援從任何語言翻譯成支援清單中的任何語言。如需完整清單，請參閱支援的語言。
自訂	支援 - 進階詞彙表、在 Gemini Enterprise Agent Platform 上進行監督式微調，以適應特定領域/客戶需求、適應性翻譯，可根據幾個範例即時自訂風格。	支援 - 詞彙表，可控管術語，並在 Cloud Translation - Advanced API 中使用 AutoML Translation 訓練自訂模型。
翻譯功能	HTML 翻譯	HTML、批次和格式化文件翻譯
API 整合	Cloud Translation - Advanced API、 Gemini Enterprise API	Cloud Translation - Basic API、 Cloud Translation - Advanced API、 Gemini Enterprise API

用量

本節說明如何使用 Vertex AI Studio，快速將文字翻譯成其他語言。您可以透過 Google Cloud 控制台或 API，使用 Translation LLM 或 NMT 模型翻譯文字。請注意，各模型支援的語言可能有所不同。要求翻譯前，請先確認您使用的模型支援來源和目標語言。

控制台

在 Google Cloud 控制台的「Agent Platform」部分，前往 Vertex AI Studio 的「Translate text」(翻譯文字) 頁面。

前往 Vertex AI Studio
在「執行作業設定」窗格中，選取「模型」欄位中的翻譯模型。
如要變更模型設定 (例如溫度)，請展開「進階」。
設定原文語言和譯文語言。
在輸入欄位中輸入要翻譯的文字。
按一下「提交」。
如要取得程式碼或 curl 指令，瞭解如何要求翻譯，請按一下「取得程式碼」。

請注意，在 Vertex AI Studio 中，您可以透過 Translation LLM 提供範例翻譯，讓模型回覆更貼近個人風格、語調和產業用語。模型會先將範例做為少樣本情境，再翻譯您的文字。

API

選取要用於翻譯的模型。

Translation LLM

使用 Agent Platform API 和 Translation LLM 翻譯文字。

REST

使用任何要求資料之前，請先修改下列項目的值：

PROJECT_NUMBER_OR_ID： Google Cloud 專案的數值或英數字元 ID
LOCATION：要執行這項作業的位置。例如：us-central1。
SOURCE_LANGUAGE_CODE：輸入文字的語言代碼。請設為自適應翻譯中列出的其中一個語言代碼。
TARGET_LANGUAGE_CODE：輸入文字的譯文語言。請設為「Adaptive Translation」中列出的其中一個語言代碼。
SOURCE_TEXT：要翻譯的原文語言文字。
MIME_TYPE (選用)：原文文字的格式，例如 text/html 或 text/plain。根據預設，MIME 類型會設為 text/plain。

HTTP 方法和網址：

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/cloud-translate-text:predict

JSON 要求主體：

{
  "instances": [
    {
      "source_language_code": "SOURCE_LANGUAGE_CODE",
      "target_language_code": "TARGET_LANGUAGE_CODE",
      "contents": [
        "SOURCE_TEXT"
      ],
      "mimeType": "MIME_TYPE",
      "model": "projects/PROJECT_ID/locations/LOCATION/models/general/translation-llm"
    }
  ]
}

請展開以下其中一個選項，以傳送要求：

curl (Linux、macOS 或 Cloud Shell)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI，或已使用 Cloud Shell 自動登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_NUMBER_OR_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/cloud-translate-text:predict"

PowerShell (Windows)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_NUMBER_OR_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/cloud-translate-text:predict" | Select-Object -Expand Content

您應該會收到如下的 JSON 回覆：

{
  "predictions": [
    {
      "translations": [
        {
          "translatedText": "TRANSLATED_TEXT",
          "model": "projects/PROJECT_ID/locations/LOCATION/models/general/translation-llm"
        }
      ]
    }
  ]
}

Node.js

在試用這個範例之前，請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Node.js 設定說明操作。

如要向 Agent Platform 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

async function translate() {
  const request = {
    instances: [{
      source_language_code: SOURCE_LANGUAGE_CODE,
      target_language_code: TARGET_LANGUAGE_CODE,
      contents: [SOURCE_TEXT],
      model: "projects/PROJECT_ID/locations/LOCATION/models/general/translation-llm"
    }]
  };
  const {google} = require('googleapis');
  const aiplatform = google.cloud('aiplatform');
  const endpoint = aiplatform.predictionEndpoint('projects/PROJECT_ID/locations/LOCATION/publishers/google/models/cloud-translate-text');

  const [response] = await endpoint.predict(request)
  console.log('Translating')
  console.log(response)
}

Python

在試用這個範例之前，請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Python 設定說明操作。

如要向 Agent Platform 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

from google.cloud import aiplatform

def translate():
  # Create a client
  client_options = {"api_endpoint": "LOCATION-aiplatform.googleapis.com"}
  client = aiplatform.gapic.PredictionServiceClient(client_options=client_options)
  
  # Initialize the request
  endpoint_id = f"projects/PROJECT_ID/locations/LOCATION/publishers/google/models/cloud-translate-text"
  instances=[{
    "model": "projects/PROJECT_ID/locations/LOCATION/models/general/translation-llm",
    "source_language_code": 'SOURCE_LANGUAGE_CODE',
    "target_language_code": 'TARGET_LANGUAGE_CODE',
    "contents": ["SOURCE_TEXT"],
  }]

  # Make the request
  response = client.predict(instances=instances, endpoint=endpoint_id)
  # Handle the response
  print(response)

NMT

使用 Cloud Translation API 和 NMT 模型翻譯文字。

REST

使用任何要求資料之前，請先修改下列項目的值：

PROJECT_NUMBER_OR_ID： Google Cloud 專案的數值或英數字元 ID
SOURCE_LANGUAGE：(選用) 輸入內容文字的語言代碼。如要查看支援的語言代碼，請參閱「語言支援」。
TARGET_LANGUAGE：輸入文字的譯文語言。請設為支援的語言代碼。
SOURCE_TEXT：要翻譯的文字。

HTTP 方法和網址：

POST https://translation.googleapis.com/v3/projects/PROJECT_ID:translateText

JSON 要求主體：

{
  "sourceLanguageCode": "SOURCE_LANGUAGE",
  "targetLanguageCode": "TARGET_LANGUAGE",
  "contents": ["SOURCE_TEXT1", "SOURCE_TEXT2"]
}

請展開以下其中一個選項，以傳送要求：

curl (Linux、macOS 或 Cloud Shell)

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_NUMBER_OR_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://translation.googleapis.com/v3/projects/PROJECT_ID:translateText"

PowerShell (Windows)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_NUMBER_OR_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://translation.googleapis.com/v3/projects/PROJECT_ID:translateText" | Select-Object -Expand Content

您應該會收到如下的 JSON 回覆：

{
  "translations": [
    {
      "translatedText": "TRANSLATED_TEXT1"
    },
    {
      "translatedText": "TRANSLATED_TEXT2"
    }
  ]
}

Node.js

在試用這個範例之前，請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Node.js 設定說明操作。

如要向 Agent Platform 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

/**
 * TODO(developer): Uncomment these variables before running the sample
 */
// const projectId = 'YOUR_PROJECT_ID';
// const location = 'global';
// const text = 'text to translate';

// Imports the Google Cloud Translation library
const {TranslationServiceClient} = require('@google-cloud/translate');

// Instantiates a client
const translationClient = new TranslationServiceClient();

async function translateText() {
  // MIME type of the content to translate
  // Supported MIME types:
  // https://cloud.google.com/translate/docs/supported-formats
  const mimeType = 'text/plain';

  // Construct request
  const request = {
    parent: `projects/${projectId}/locations/${location}`,
    contents: [text],
    mimeType: mimeType,
    sourceLanguageCode: 'en',
    targetLanguageCode: 'sr-Latn',
  };

  // Run request
  const [response] = await translationClient.translateText(request);

  for (const translation of response.translations) {
    console.log(`Translation: ${translation.translatedText}`);
  }
}

translateText();

Python

在試用這個範例之前，請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Python 設定說明操作。

如要向 Agent Platform 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

import os

# Import the Google Cloud Translation library.
from google.cloud import translate_v3

PROJECT_ID = os.environ.get("GOOGLE_CLOUD_PROJECT")


def translate_text(
    text: str = "YOUR_TEXT_TO_TRANSLATE",
    source_language_code: str = "en-US",
    target_language_code: str = "fr",
) -> translate_v3.TranslationServiceClient:
    """Translate Text from a Source language to a Target language.
    Args:
        text: The content to translate.
        source_language_code: The code of the source language.
        target_language_code: The code of the target language.
            For example: "fr" for French, "es" for Spanish, etc.
            Find available languages and codes here:
            https://cloud.google.com/translate/docs/languages#neural_machine_translation_model
    """

    # Initialize Translation client.
    client = translate_v3.TranslationServiceClient()
    parent = f"projects/{PROJECT_ID}/locations/global"

    # MIME type of the content to translate.
    # Supported MIME types:
    # https://cloud.google.com/translate/docs/supported-formats
    mime_type = "text/plain"

    # Translate text from the source to the target language.
    response = client.translate_text(
        contents=[text],
        parent=parent,
        mime_type=mime_type,
        source_language_code=source_language_code,
        target_language_code=target_language_code,
    )

    # Display the translation for the text.
    # For example, for "Hello! How are you doing today?":
    # Translated text: Bonjour comment vas-tu aujourd'hui?
    for translation in response.translations:
        print(f"Translated text: {translation.translated_text}")

    return response

自訂翻譯

提供自己的翻譯範例，自訂 Translation LLM 的回覆內容。自訂翻譯功能僅適用於 Translation LLM。

您可以透過 Vertex AI Studio 控制台或 API 要求自訂翻譯，但有一點不同。只有在 TMX 或 TSV 檔案中提供範例時，控制台才會支援自訂翻譯。只有在您提供內嵌範例 (最多 5 組句子) 做為翻譯要求的一部分時，API 才會支援自訂翻譯。

資料條件

如果您在 Google Cloud 控制台的檔案中提供範例譯文，範例必須以 TMX 或 TSV 檔案中的語句組合形式撰寫。每對組合都包含原文語言片段和翻譯後的對應片段。詳情請參閱 Cloud Translation 說明文件中的「準備翻譯範例」一節。

為獲得最準確的結果，請提供各種情境的具體示例。你必須加入至少五組語句組合，但不得超過 10,000 組。此外，一個區隔組合最多可包含總共 512 個字元。

控制台

在 Google Cloud 控制台的「Agent Platform」部分，前往 Vertex AI Studio 的「Translate text」(翻譯文字) 頁面。

前往 Vertex AI Studio
在「執行設定」窗格中，設定翻譯設定。
1. 在「模型」欄位中，選取「翻譯專用大型語言模型」。
2. 如要調整溫度，請展開「進階」。
按一下「新增樣本」。
1. 選取本機檔案或 Cloud Storage 檔案。Vertex AI Studio 會根據檔案判斷原文和譯文語言。
2. 選取模型在生成回覆前使用的範例數量。
您選取的範例數量會計入每個要求的輸入字元限制 (3,000 個)。
在輸入欄位中輸入要翻譯的文字。
按一下「提交」。

Agent Platform 會自動選取與輸入內容最相似的指定數量參考語句。翻譯模型會從範例中找出模式，然後在生成回覆時套用這些模式。

每項要求的輸出內容上限為 3,000 個字元，超過此限制的文字會遭到捨棄。
如要取得程式碼或 curl 指令，瞭解如何要求翻譯，請按一下「取得程式碼」。

API

如要要求自訂翻譯，請在翻譯要求中加入最多五組參考語句。翻譯模型會使用這些語句從範例中找出模式，並在產生回應時套用這些模式。

REST

使用任何要求資料之前，請先修改下列項目的值：

PROJECT_NUMBER_OR_ID： Google Cloud 專案的數值或英數字元 ID
LOCATION：要執行這項作業的位置。例如：us-central1。
REFERENCE_SOURCE：參考語句組合中的原文語言句子。
REFERENCE_TARGET：參考語句組合中的譯文語言句子。
SOURCE_LANGUAGE：輸入文字的語言代碼。
TARGET_LANGUAGE：輸入文字的譯文語言。
SOURCE_TEXT：要翻譯的原文語言文字。
MIME_TYPE (選用)：原文文字的格式，例如 text/html 或 text/plain。根據預設，MIME 類型會設為 text/plain。

HTTP 方法和網址：

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/translate-llm:predict

JSON 要求主體：

{
  "instances": [
    {
      "reference_sentence_config": {
        "reference_sentence_pair_lists": [
          {
            "reference_sentence_pairs": [
              {
                "source_sentence": "REFERENCE_SOURCE_1_1",
                "target_sentence": "REFERENCE_TARGET_1_1"
              },
              {
                "source_sentence": "REFERENCE_SOURCE_1_2",
                "target_sentence": "REFERENCE_SOURCE_1_2"
              }
            ]
          }
        ],
        "source_language_code": "SOURCE_LANGUAGE_CODE",
        "target_language_code": "TARGET_LANGUAGE_CODE"
      },
      "content": [
        "SOURCE_TEXT"
      ],
      "mimeType": "MIME_TYPE"
    }
  ]
}

請展開以下其中一個選項，以傳送要求：

curl (Linux、macOS 或 Cloud Shell)

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_NUMBER_OR_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/translate-llm:predict"

PowerShell (Windows)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_NUMBER_OR_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/translate-llm:predict" | Select-Object -Expand Content

您應該會收到如下的 JSON 回覆：

{
  "predictions": [
    {
      "languageCode": "TARGET_LANGUAGE",
      "translations": [
        {
          "translatedText": "TRANSLATED_TEXT"
        }
      ]
    }
  ]
}

Node.js

在試用這個範例之前，請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Node.js 設定說明操作。

如要向 Agent Platform 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

async function translate() {
  const request = {
    instances: [{
        "reference_sentence_config": {
          "reference_sentence_pair_lists": [{
            "reference_sentence_pairs": [{
              "source_sentence": 'SAMPLE_REFERENCE_SOURCE_1',
              "target_sentence": 'SAMPLE_REFERENCE_TARGET_1'
            },
            "reference_sentence_pairs": {
              "source_sentence": 'SAMPLE_REFERENCE_SOURCE_2',
              "target_sentence": 'SAMPLE_REFERENCE_TARGET_2'
            }]
          }],
          "source_language_code": 'SOURCE_LANGUAGE_CODE',
          "target_language_code": 'TARGET_LANGUAGE_CODE'
        },
        "contents": ["SOURCE_TEXT"]
    }]
  };
  const {google} = require('googleapis');
  const aiplatform = google.cloud('aiplatform');
  const endpoint = aiplatform.predictionEndpoint('projects/PROJECT_ID/locations/LOCATION/publishers/google/models/translate-llm');

  const [response] = await endpoint.predict(request)
  console.log('Translating')
  console.log(response)
}

Python

在試用這個範例之前，請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Python 設定說明操作。

如要向 Agent Platform 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

from google.cloud import aiplatform
from google.protobuf.json_format import MessageToDict

def translate():
  # Create a client
  client_options = {"api_endpoint": "LOCATION-aiplatform.googleapis.com"}
  client = aiplatform.gapic.PredictionServiceClient(client_options=client_options)

  # Initialize the request
  endpoint_id = f"projects/PROJECT_ID/locations/LOCATION/publishers/google/models/translate-llm"
  instances=[{
      "reference_sentence_config": {
        "reference_sentence_pair_lists": [{
          "reference_sentence_pairs": [{
            "source_sentence": 'SAMPLE_REFERENCE_SOURCE_1',
            "target_sentence": 'SAMPLE_REFERENCE_TARGET_1'
          },
          {
            "source_sentence": 'SAMPLE_REFERENCE_SOURCE_2',
            "target_sentence": 'SAMPLE_REFERENCE_TARGET_2'
          }]
        }],
        "source_language_code": 'SOURCE_LANGUAGE_CODE',
        "target_language_code": 'TARGET_LANGUAGE_CODE'
      },
      "content": ["SOURCE_TEXT"]
  }]
  # Make the request
  response = client.predict(
      endpoint=endpoint_id, instances=instances,
  )
  # Handle the response
  print(response)

  # The predictions are a google.protobuf.Value representation of the model's predictions.
  predictions = MessageToDict(response._pb)['predictions']
  for prediction in predictions:
      print(prediction['translations'])

您也可以使用 Cloud Translation API 建立資料集，並匯入範例句子配對。使用 Cloud Translation API 要求翻譯時，可以加入資料集來自訂回應。資料集會保留下來，並可重複用於多項翻譯要求。詳情請參閱 Cloud Translation 說明文件中的「要求 Adaptive Translation」。

支援的語言

Translation LLM

使用翻譯 LLM，即可在下列語言間互譯。

語言名稱	語言代碼
布爾文	`af`
阿爾巴尼亞文	`sq`
阿姆哈拉文	`am`
阿拉伯文 (沙烏地阿拉伯)	`ar-SA`
阿拉伯文	`ar`
亞美尼亞文	`hy`
亞塞拜然文	`az`
巴斯克文	`eu`
白俄羅斯文	`be`
孟加拉文 (印度)	`bn-IN`
孟加拉文	`bn`
波士尼亞文 (西里爾字母)	`bs-Cyrl`
波士尼亞文	`bs`
保加利亞文	`bg`
緬甸文	`my`
加泰隆尼亞文	`ca`
中文 (中國)	`zh-CN`
中文 (香港)	`zh-HK`
中文 (簡體)	`zh-Hans`
中文 (台灣)	`zh-TW`
繁體中文 (台灣)	`zh-Hant`
中文	`zh`
克羅埃西亞文	`hr`
捷克文	`cs`
丹麥文	`da`
荷蘭文 (比利時)	`nl-BE`
荷蘭文	`nl`
英文 (澳洲)	`en-AU`
英文 (加拿大)	`en-CA`
英文 (紐西蘭)	`en-NZ`
English (Philippines)	`en-PH`
英文 (南非)	`en-ZA`
英文 (英國)	`en-GB`
英文 (美國)	`en-US`
英文	`en`
愛沙尼亞文	`et`
菲律賓文	`fil`
芬蘭文	`fi`
法文 (加拿大)	`fr-CA`
法文 (瑞士)	`fr-CH`
法文	`fr`
弗利然文	`fy`
加里西亞語	`gl`
喬治亞文	`ka`
德文	`de`
希臘文	`el`
瓜拉尼文	`gn`
古吉拉特文	`gu`
豪薩文	`ha`
希伯來文	`he`
希伯來文	`iw`
北印度文	`hi`
匈牙利文	`hu`
冰島文	`is`
伊布文	`ig`
印尼文	`id`
愛爾蘭文	`ga`
義大利文	`it`
日文	`ja`
卡納達文	`kn`
高棉文	`km`
韓文	`ko`
吉爾吉斯文	`ky`
寮文	`lo`
拉脫維亞文	`lv`
林格拉文	`ln`
立陶宛文	`lt`
盧森堡文	`lb`
馬其頓文	`mk`
馬來文	`ms`
馬拉雅拉姆文	`ml`
馬爾他文	`mt`
馬拉地文	`mr`
蒙古文	`mn`
尼泊爾文	`ne`
挪威文 (巴克摩)	`nb`
挪威文	`no`
歐利亞文	`or`
波斯文	`fa`
波蘭文	`pl`
葡萄牙文 (巴西)	`pt-BR`
葡萄牙語 (葡萄牙)	`pt-PT`
葡萄牙文	`pt`
旁遮普文 (巴基斯坦)	`pa-PK`
旁遮普文	`pa`
羅馬尼亞文	`ro`
俄文	`ru`
蘇格蘭蓋爾文	`gd`
塞爾維亞文	`sr`
斯洛伐克文	`sk`
斯洛維尼亞文	`sl`
索馬利文	`so`
西班牙文 (阿根廷)	`es-AR`
西班牙文 (智利)	`es-CL`
西班牙文 (哥倫比亞)	`es-CO`
西班牙文 (哥斯大黎加)	`es-CR`
西班牙文 (厄瓜多)	`es-EC`
西班牙文 (薩爾瓦多)	`es-SV`
西班牙文 (瓜地馬拉)	`es-GT`
西班牙文 (海地)	`es-HT`
西班牙文 (宏都拉斯)	`es-HN`
西班牙文 (拉丁美洲)	`es-419`
西班牙文 (墨西哥)	`es-MX`
西班牙文 (尼加拉瓜)	`es-NI`
西班牙文 (巴拿馬)	`es-PA`
西班牙文 (巴拉圭)	`es-PY`
西班牙文 (秘魯)	`es-PE`
西班牙文 (波多黎各)	`es-PR`
西班牙文 (西班牙)	`es-ES`
西班牙文 (美國)	`es-US`
西班牙文 (烏拉圭)	`es-UY`
西班牙文 (委內瑞拉)	`es-VE`
西班牙文	`es`
斯瓦希里文	`sw`
瑞典文	`sv`
塔加路文	`tl`
塔吉克文	`tg`
泰米爾文	`ta`
泰盧固文	`te`
泰文	`th`
土耳其文	`tr`
烏克蘭語	`uk`
烏都文	`ur`
烏茲別克文	`uz`
越南文	`vi`
威爾斯文	`cy`
祖魯文	`zu`

NMT

如要瞭解 Cloud Translation NMT 模型支援哪些語言，請參閱下列說明文件：

翻譯 NMT 模型支援的語言

翻譯文字 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

Translation LLM 的主要優勢和差異化特點

模型功能比較

用量

控制台

API

Translation LLM

REST

curl (Linux、macOS 或 Cloud Shell)

PowerShell (Windows)

Node.js

Python

NMT

REST

curl (Linux、macOS 或 Cloud Shell)

PowerShell (Windows)

Node.js

Python

自訂翻譯

資料條件

控制台

API

REST

curl (Linux、macOS 或 Cloud Shell)

PowerShell (Windows)

Node.js

Python

支援的語言

Translation LLM

NMT

翻譯文字