本地化工程平台。
Lingo.dev 处理的词数： ,,
工作的归属方式，正在发生变化。
过去，本地化总是游离在产品之外——要协调数周，译者不熟悉业务领域，每次请求都要重新补充上下文。把本地化放回产品内部的团队发现，它会带来复利效应。
之前
把翻译当作供应商协作关系。
请求会离开产品。供应商在不了解领域背景的情况下完成翻译。每次交付都像重新开始，因此术语在一次次发布中持续漂移。质量则依赖于审核者无法审计的主观判断。
之后
将翻译作为可配置的基础设施。
本地化引擎承载你的词汇表、品牌语调和按语言环境配置的模型链。每个请求进入产品时，这些上下文都已自动附带。术语被锁定，质量按维度评分并持续追踪。
“Lingo.dev 的方式让我想起 Stripe 当年如何革新支付——把复杂流程对开发者彻底隐藏起来。”
Pete Koomen
Y Combinator 团队合伙人
本地化引擎里有什么。
一个有状态的翻译 API。创建、配置、调用，一气呵成。
本地化引擎会在每次请求中持续保留领域上下文。术语表负责锁定产品术语，品牌语调定义各语言区域的语体风格，模型链则按优先级选择提供方并回退。团队添加的每一条规则都会持续生效，从而避免术语漂移。
localization engine 里有什么
- 词汇表
- 按语言环境对基于语义相似度匹配
- 品牌语气
- 按 locale 设置语气和正式程度
- 指令
- Locale 专属规则（格式、惯例）
- 模型链
- 支持自动回退的排序提供方
- AI 审核员
- 按质量维度独立评分
1curl -X POST https://api.lingo.dev/process/localize \
2 -H "X-API-Key: $LINGO_API_KEY" \
3 -H "Content-Type: application/json" \
4 -d '{
5 "engineId": "eng_abc123",
6 "sourceLocale": "en",
7 "targetLocale": "de",
8 "data": {
9 "greeting": "Hello, world!",
10 "cta": "Get started"
11 }
12 }'1{
2 "data": {
3 "greeting": "Hallo, Welt!",
4 "cta": "Jetzt starten"
5 }
6}
“对于开发者工具来说，开发者体验就是一切。Lingo.dev 把这件事做到了极致——他们把复杂的本地化，简化成了几行代码。”
Paul Copplestone
CEO 兼联合创始人，Supabase
重新本地化变更内容，检索未变更内容。
每次发布都重新本地化整个产品，不仅浪费资源，还会覆盖已批准的内容。只重新本地化变更部分才是正确方式——但每次变更都是单独送到模型面前的，缺少产品其余部分的上下文，术语也会逐渐漂移。检索增强本地化提供了第三种路径：只重新本地化变更内容，并为每次请求检索匹配的上下文。
仅显示变更内容，不带上下文
每一次更改，都是一次重新猜测。
- 输入
- "Users can switch providers at any time."
- 上下文
- (none)
- 输出（pt）
- "fornecedores"
没有上下文时，模型并不知道 “provider” 指的是厂商、服务提供方，还是供应商。它只会选一个日常最常见的词。到了下一个版本，甚至可能换成另一个。
648 个术语错误——这是顶级模型在最难的术语场景（监管类文案）中的表现。
借助 RAL，只处理变更内容
只保留对这次变更真正重要的术语。
- 输入
- "Users can switch providers at any time."
- 上下文
- provider → prestador
- 输出（pt）
- "prestadores"
本地化引擎会拆解输入内容，对您的术语表执行相似度搜索，并只在推理时注入匹配的术语。上下文窗口保持精简，翻译始终一致。
使用 RAL 后出现 266 个错误——同一模型、同样的文章。在最困难的案例中，错误数减少了 59%。更简单的案例差距还会进一步缩小。
专业本地化基础设施，步步到位。
每次异步本地化都会经过这条流水线，支持按步骤配置，并可按语言环境隔离故障。在模型生成 token 之前，会先检索并注入你的术语表、品牌语气和指令。
检索增强本地化。
在多个 LLM 提供商和多种语言之间，对术语密集型内容进行受控评估。基于 GEMBA-MQM，将各段落中的术语错误与官方人工参考译文进行对比，并使用配对 Wilcoxon 符号秩检验，结合 Holm-Bonferroni 校正；所有提供商的 p < 0.001。
- 17–45%
- 术语错误减少率
- 42,000+
- 成对质量评估
即使你不懂这门语言，质量也能被量化。
跨模型质量评分、术语表强制执行，以及在关键时刻引入人工审核。按维度输出评分，方便团队向上汇报——即使面对团队里没人看得懂的语言区域，也照样可衡量。
自动化质量评分
跨模型评估：一个模型负责翻译，另一个模型负责打分。按 MQM 维度评估流畅性、准确性、术语和风格，并在仪表板中查看各 locale 的趋势与回归预警。
术语表与品牌语调
你的术语表会在不同语言区域中锁定产品术语。品牌语调则为每种语言设定语气和正式程度。每次发布都沿用团队已批准的术语——不再漂移，也无需临场猜测。
在关键时刻引入人工审校
当评分低于你设定的阈值时，翻译会通过 API 自动流转到我们认证译员网络——无需管理供应商，也无需手动协调交接。
“有了 Lingo.dev，荷兰语自然流畅，俄语也能完美适配我们的 UI，同时品牌语气始终保持一致。”
Sebastiaan van Leeuwen
Truely 产品经理
接入 localization engine 的四种方式。
你的本地化负责人会配置质量规则。你只需调用 API、运行 CLI，或添加 GitHub Action。
“就像 Dependabot 用自动化让依赖更新变得轻而易举一样，Lingo.dev 正在为本地化带来同样的改变。”
Grey Baker
Dependabot 的创始人
每个租户一个本地化引擎。每个产品一个。每个团队一个。
Lingo.dev 托管本地化引擎。你可以按架构需要创建任意数量的引擎——每个引擎都可独立配置、通过 API 预配，并单独观测。
按租户
每位客户一个本地化引擎。
只需一次 API 调用，即可为每个工作区或账户配置一个本地化引擎。每个租户都拥有各自的术语表、品牌语调和模型链路。使用量也会按租户分别统计。
按界面层
每个内容类型对应一个本地化引擎。
营销文案、产品 UI、法律模板、帮助文档——各自术语体系不同。可针对不同内容类型分别运行独立的本地化引擎，术语表和质量评分互不干扰。
规模化
按需创建任意数量的本地化引擎。
本地化引擎是 Lingo.dev 上的一等基础设施原语。可通过 API 配置，像调用任何服务一样调用。无论运行一个还是上千个，平台都会处理模型路由、存储和评分。使用量按本地化引擎统计。
以基础设施的方式交付专业本地化。
完整的专业本地化工作流——源文预编辑、检索增强翻译、人工后编辑、AI 质量门控——全部封装在一个 API 背后。已通过 SOC 2 Type II 审计。
专业级本地化流程
源文预编辑、上下文增强、LLM 翻译、人工后编辑、AI 质量把关与交付——只需一次 API 调用，即可在后台完成全流程编排，并支持按语言区域隔离失败。
检索增强翻译
通过向量检索，按语义相似度匹配术语表条目，并自动从你的本地化引擎状态中提取品牌语气和产品上下文。
有状态本地化引擎
你的本地化引擎会在多次请求中持续积累术语表、品牌语调、翻译记忆和模型配置——上下文会被保留，并随着每次任务不断优化。
集中治理
本地化团队可按本地化引擎定义术语表、品牌语调、质量阈值和审核检查点——产品团队则可通过 CI/CD 自助使用。
质量与成本报告
按本地化引擎划分的仪表板，展示质量评分、令牌消耗、术语表覆盖率、来自 GitHub 提交的变更率，以及各模型的 LLM 成本明细。
团队自主性
翻译会通过拉取请求交付——本地化团队负责治理与质量标准，同时本地化规模扩大也无需团队按比例扩编。
SOC 2 Type II
经过审计的安全控制，支持静态加密和传输加密，并可按需提供 DPA。
数据加密
静态数据采用 AES-256 加密，传输中使用 TLS，API 密钥在应用层进行哈希处理，并提供欧盟和美国区域的数据驻留选项。
99.9% Uptime SLA
多区域基础设施，配合按优先级排序的模型故障切换链，可防止单个服务商宕机带来的影响。
