现在文件夹中有很多docx英文文档，想用AI大模型批量翻译成中文，可以用硅基流动SiliconCloud来实现，不花一分钱，效果还很好。
翻译可以选择Qwen/Qwen2.5-7B-Instruct，上下文长度32K，可以处理的中文汉字数量大约在2.5万到4万之间，大约3.2万个英文单词或短语。
首先生成API密钥：在“API 密钥”页签 点击“创建新 API 密钥”，并点击复制，以在您的 API 场景中进行使用。
安装 Python 3.7.1 或更高版本并设置虚拟环境后，即可安装 OpenAI Python 库。从终端/命令行运行：pip install --upgrade openai
注意：模型有限速，RPM=1K TPM=50K
在deepseek中输入提示词：
你现在是一个Python编程专家，要调用siliconflow平台的Qwen2.5-7B-Instruct模型来翻译文档，具体步骤如下：
打开文件夹：F:\AI英语学习\openai
读取里面所有的docx文档，里面是英文；
用Qwen2.5-7B-Instruct模型将docx文档翻译成中文；
翻译完后保存为一个新的docx文档，文件名在原docx文件名后面加上“_中文翻译版”
siliconflow平台的基础URL: https://api.siliconflow.cn/v1
API密钥为：XXX
模型为：Qwen/Qwen2.5-7B-Instruct，上下文长度32K；
提示词为：将下面的英文内容翻译成中文
代码示例：
from openai import OpenAI
client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.siliconflow.cn/v1")
response = client.chat.completions.create(
model='alibaba/Qwen1.5-110B-Chat',
messages=[
{'role': 'user', 'content': "抛砖引玉是什么意思呀"}
],
stream=True
)
for chunk in response:
print(chunk.choices[0].delta.content, end='')
注意：模型有限速，RPM=1K TPM=50K
如果 .docx 文档的内容超过模型的上下文长度（32K 字符），模型将无法处理整个文档。为了解决这个问题，我们可以将文档分块处理，确保每个块的长度不超过模型的上下文长度限制。
每一步都要输出信息到屏幕上
Deepseek生成的Python代码：
import os
from openai import OpenAI
from docx import Document
api_key = "XXX"
base_url = "https://api.siliconflow.cn/v1"
client = OpenAI(api_key=api_key, base_url=base_url)
folder_path = r"F:\AI英语学习\openai"
MAX_CONTEXT_LENGTH = 32000 # 32K characters
for filename in os.listdir(folder_path):
if filename.endswith(".docx"):
doc_path = os.path.join(folder_path, filename)
print(f"正在读取文档: {doc_path}")
doc = Document(doc_path)
paragraphs = [p.text for p in doc.paragraphs]
content = "\n".join(paragraphs)
chunks = []
current_chunk = ""
current_length = 0
for paragraph in paragraphs:
if current_length + len(paragraph) + 1 > MAX_CONTEXT_LENGTH:
chunks.append(current_chunk.strip())
current_chunk = paragraph
current_length = len(paragraph)
else:
if current_chunk:
current_chunk += "\n" + paragraph
else:
current_chunk = paragraph
current_length += len(paragraph) + 1
if current_chunk:
chunks.append(current_chunk.strip())
translated_chunks = []
for i, chunk in enumerate(chunks):
print(f"正在翻译文档: {filename} 的第 {i+1}/{len(chunks)} 块")
response = client.chat.completions.create(
model='Qwen/Qwen2.5-7B-Instruct',
messages=[
{'role': 'user', 'content': f"将下面的英文内容翻译成中文\n{chunk}"}
],
stream=False
)
translated_chunks.append(response.choices[0].message.content)
translated_content = "\n".join(translated_chunks)
new_doc = Document()
for line in translated_content.split("\n"):
new_doc.add_paragraph(line)
new_filename = filename.replace(".docx", "_中文版.docx")
new_doc_path = os.path.join(folder_path, new_filename)
new_doc.save(new_doc_path)
print(f"翻译完成，保存为: {new_doc_path}")
print("所有文档翻译完成！")
代码解释
分块处理: 我们将文档内容分成多个块，每个块的长度不超过 32K 字符。我们通过遍历文档的每个段落，将段落内容逐步添加到当前块中，直到当前块的长度接近 32K 字符，然后将当前块保存为一个块，并开始一个新的块。
翻译每个块: 对每个块分别进行翻译，并将翻译后的内容保存到一个列表中。
拼接翻译后的内容: 将所有翻译后的块拼接成一个完整的字符串，并写入新的 .docx 文档。
程序运行成功：
硅基流动SiliconCloud上现在有很多很好的免费大模型，真正实现大模型自由。现在在硅基流动SiliconCloud网站注册，不仅可以免费使用各种大模型，还可以通过以下地址注册获得免费的2000万Tokens：
https://cloud.siliconflow.cn/i/Do9fPK0j
也可以点击左下角阅读原文链接来注册
Do9fPK0j