MCP Local Translate

Official

by damoqiongqiu · TypeScript

Local NLLB translation for 200+ languages. Zero cloud, zero cost, runs entirely on your machine.

MCP Local Translate — 跨越语言，无需云。

MCP Local Translate

🍴 Inspired by shinpr/mcp-local-rag — original architecture patterns by Shinsuke Kagawa

AI 编程助手的本地翻译引擎。基于 NLLB-200 模型，支持 200+ 语言互译——完全离线，数据不离开你的机器。为多语言开发、文档阅读、代码注释翻译而生。

📖 English

特性

200+ 语言互译 基于 Meta NLLB-200 蒸馏模型（600M 参数），覆盖全球绝大多数语言——从主流语言到低资源语言。
完全本地运行 无需 API Key，无需云服务。NLLB-200 模型在本地 CPU 上通过 Transformers.js 推理。数据从不离开你的机器。
智能语言解析 支持 FLORES-200 精确码（zho_Hans）、ISO 639-1 简码（zh）、语言名称（Chinese）、中文别名（中文）——自动映射到正确的模型输入。
长文本分块翻译 长文本在句子边界处自动分块（450 字符/块），每块独立翻译后拼接——突破 NLLB 的 512 token 限制。
零摩擦上手 一条 npx 命令搞定。无需 Docker、Python、GPU。可通过 MCP 或 CLI 使用。
三级镜像回退 自动探测 HF → hf-mirror.com → ModelScope 三级镜像链，国内网络环境下自动找到可用的模型下载源。

快速开始

配置 AI 编程工具

Cursor — 添加到 ~/.cursor/mcp.json：

json

{
  "mcpServers": {
    "local-translate": {
      "command": "npx",
      "args": ["-y", "@damoqiongqiu/mcp-local-translate"],
      "env": {
        "CACHE_DIR": "/path/to/models"
      }
    }
  }
}

Codex — 添加到 ~/.codex/config.toml：

toml

[mcp_servers.local-translate]
command = "npx"
args = ["-y", "@damoqiongqiu/mcp-local-translate"]

[mcp_servers.local-translate.env]
CACHE_DIR = "/path/to/models"

Claude Code — 运行以下命令：

bash

claude mcp add local-translate --scope user --env CACHE_DIR=/path/to/models -- npx -y @damoqiongqiu/mcp-local-translate

WorkBuddy — 打开「设置 → 自定义连接器 → 添加自定义连接器」：

json

{
  "mcpServers": {
    "local-translate": {
      "command": "npx",
      "args": ["-y", "@damoqiongqiu/mcp-local-translate"],
      "env": {
        "CACHE_DIR": "/path/to/models"
      }
    }
  }
}

⚠️ 首次添加后，必须在「自定义连接器」列表中点击「信任」按钮，否则 MCP 服务器不会启动。这是 WorkBuddy 的安全机制——未经信任的自定义连接器会被静默阻止。

重启工具后即可使用：

code

你: "把这段文档翻译成中文"
助手: [返回翻译结果]

你: "This error message is in Japanese — what does it say?"
助手: 那是「データベース接続に失敗しました」——
      数据库连接失败。

你: "列出所有支持的翻译语言"
助手: 共 204 种语言，包括 中文、英语、日语、法语...

也可直接作为 CLI 使用——无需启动 MCP 服务器：

bash

npx @damoqiongqiu/mcp-local-translate translate "Hello, world!" --source en --target zh
npx @damoqiongqiu/mcp-local-translate list-languages --query "chinese"

就这些。无需 Docker，无需 Python，无需配置服务器。

为什么会有这个项目

你的 AI 编程助手可以帮你写代码，但当你面对非母语的文档、注释、错误日志时，仍然需要跳出编程环境去复制粘贴到在线翻译工具。

隐私。 把代码片段或内部文档粘贴到 Google Translate 本质上是数据泄露。这个工具完全在本地运行——没有人能看到你的文本。

离线可用。 配置完成后无需联网即可使用——飞机上、咖啡店无 WiFi、空气间隙环境。

低资源语言。 NLLB-200 覆盖了 Google Translate 和 DeepL 不支持的小语言（如藏语、维吾尔语、高棉语等）。

成本。 无需为翻译 API 付费。只需一次模型下载（~600MB），然后无限使用。

使用方式

mcp-local-translate 提供两种接口：MCP 服务器（供 AI 编程工具使用）和 CLI（供终端直接使用）。

通过 MCP 使用

MCP 服务器提供 2 个工具：translate 和 list_languages。

翻译文本

code

"把这段 React hooks 文档翻译成中文"
"Translate the error message to English"
"这段日语注释是什么意思？"

translate 工具接受：

参数	类型	说明
`text`	`string`	待翻译文本
`source_lang`	`string`	源语言代码（`auto` 自动检测）
`target_lang`	`string`	目标语言代码

语言代码支持三种格式：

FLORES-200 精确码：zho_Hans（简体中文）、eng_Latn（英语）、jpn_Jpan（日语）
ISO 639-1 简码：zh、en、ja、fr、de
中文别名：中文、英语、日语、韩语

查看支持的语言

code

"这个翻译引擎支持多少种语言？"
"看看有没有藏语"

使用 list_languages 工具，可选 query 参数进行关键词过滤。

作为 CLI 使用

所有 MCP 工具也可以通过 CLI 命令使用——无需启动 MCP 服务器：

bash

# 翻译文本
npx @damoqiongqiu/mcp-local-translate translate "Hello, world!" --source en --target zh

# 自动检测源语言
npx @damoqiongqiu/mcp-local-translate translate "Bonjour le monde" --source auto --target en

# 查看支持的语言
npx @damoqiongqiu/mcp-local-translate list-languages

# 按关键词过滤
npx @damoqiongqiu/mcp-local-translate list-languages --query "chinese"

⚠️ CLI 不会读取你的 MCP 客户端配置（mcp.json、config.toml 等）。通过命令行标志或环境变量配置 CLI，如下所示。

工作原理

简要：

语言代码通过三级解析器（精确码 → 别名 → 模糊匹配）映射到 FLORES-200 格式
长文本在句子边界处分块（450 字符/块），每块独立翻译
翻译引擎使用 Transformers.js 加载 NLLB-200 蒸馏模型（600M 参数），在本地 ONNX Runtime 上以 CPU 推理
结果按原始顺序拼接，保持段落和换行结构

详细说明

当你调用 translate 时：

语言解析：输入的语言代码经过三级解析——先尝试精确 FLORES-200 匹配（zho_Hans），再查 ISO 639-1 别名表（zh → zho_Hans），最后查中文别名表（中文 → zho_Hans）。如果全部失败，进行模糊搜索并给出建议。
文本预处理：超长文本（>450 字符）在句子边界处拆分（正则 /(?<=[.!?。！？\n])\s+/），确保不截断到句子中间。每块加上源语言和目标语言标记。
模型推理：每块通过 NLLB-200 蒸馏模型（Xenova/nllb-200-distilled-600M）翻译。模型通过懒加载初始化——首次翻译时下载并加载到内存，后续调用复用同一管道。
结果拼接：翻译结果按原始块顺序拼接，标记之间的段落和换行得以保留。

配置

环境变量

MCP 服务器仅通过环境变量配置——通过 MCP 客户端的 env 块传入。

环境变量	默认值	描述
`CACHE_DIR`	系统默认	模型缓存目录。NLLB-200 模型（~600MB）自动下载到此。建议使用绝对路径。
`HF_ENDPOINT`	`https://huggingface.co`	HuggingFace 镜像端点。设置后跳过自动镜像检测。
`HF_AUTO_MIRROR`	`true`	自动镜像检测开关。设为 `false` 禁用。默认开启，首次下载前自动探测三级镜像链：`huggingface.co` → `hf-mirror.com` → `modelscope.cn`。
`HTTPS_PROXY`	（未设置）	HTTP 代理地址，用于下载模型（如 `http://127.0.0.1:7890`）。通过 `setGlobalDispatcher` 全局生效。
`TRANSLATE_DEVICE`	`cpu`	推理设备。直接传给 Transformers.js。目前仅推荐 `cpu`。

性能

在 MacBook Pro M1（16GB RAM）、Node.js 22 上测试：

首次启动：

模型下载：1-3 分钟（取决于网络，~600MB）
模型加载：~5s

翻译速度：

短文本（<100 字符）：<1s
中等文本（500 字符）：~3s
长文本（2000 字符）：~12s（4 个分块）

内存：空闲 ~300MB，翻译峰值 ~1.2GB

故障排查

模型下载失败

症状：启动日志中出现 fetch failed 或模型加载超时。

原因与排查：

网络无法直连 HuggingFace — 如果你在中国大陆或受限网络环境中，直连 huggingface.co 会超时。

首选方案：不用配置 — mcp-local-translate 默认自动探测三级镜像链：huggingface.co → hf-mirror.com → modelscope.cn，逐级回退直到找到可用镜像。

备选方案：配置代理：
json
```
"env": {
  "HTTPS_PROXY": "http://127.0.0.1:7890"
}
```
手动指定镜像：
json
```
"env": {
  "HF_ENDPOINT": "https://hf-mirror.com"
}
```
模型文件未写入 CACHE_DIR — 首次运行时会下载约 600MB 的 ONNX 模型。确认 CACHE_DIR 目录存在且包含 Xenova/nllb-200-distilled-600M/ 子目录。如果之前用不同的 CACHE_DIR 下载过模型，更新路径指向已有缓存即可避免重复下载。
npx 缓存了旧版本 — 清除缓存后重启：
bash
```
rm -rf ~/.npm/_npx/
```

"无效的语言代码"

运行 list_languages 查看所有支持的语言及其代码。语言代码是 FLORES-200 格式（如 zho_Hans、eng_Latn），也可以使用 ISO 639-1 简码（如 zh、en）或中文别名（如 中文、英语）。

翻译速度慢

NLLB-200 在 CPU 上运行，翻译速度取决于你的硬件。长文本会被自动分块处理，每块约 2-3 秒。

常见问题

这真的私密吗？ 是的。在模型下载之后，没有任何数据离开你的机器。可用网络监控验证。

可以离线使用吗？ 可以，只要 NLLB-200 模型已缓存到本地。

与 Google Translate / DeepL 相比如何？ 云端服务翻译质量更高（更大模型、更多训练数据），但需要将数据发送到外部。这个工具用一些质量换取完全隐私和零成本。

支持哪些语言？ NLLB-200 支持 200+ 种语言。运行 list_languages 查看完整列表。

支持方言吗？ NLLB-200 覆盖部分方言变体（如巴西葡萄牙语 por_Latn、拉美西班牙语等），但不像主流语言那样广泛。具体取决于模型训练数据。

翻译质量怎么样？ 对主流语言对（英↔中、英↔法、英↔西等），600M 蒸馏模型提供不错的翻译质量。对低资源语言，质量会下降——可读但不保证优雅。

多用户支持？ 不支持。专为单用户本地访问设计。

开发

从源码构建

bash

git clone https://github.com/damoqiongqiu/mcp-local-translate.git
cd mcp-local-translate
pnpm install

代码质量

bash

pnpm run type-check    # TypeScript 检查
pnpm run check:fix     # Lint 和格式化
pnpm run build         # 编译

项目结构

code

src/
  index.ts              # 入口点 — 路由到 CLI 或 MCP 服务器
  server-main.ts        # MCP 服务器启动
  server/
    index.ts            # MCP 工具处理器（translate、list_languages）
    types.ts            # MCP 工具定义
  translator/
    index.ts            # 核心翻译引擎（NLLB-200 管道、分块、懒加载）
    connectivity.ts     # 镜像检测与代理配置
    language-codes.ts   # FLORES-200 语言代码与解析器
  utils/                # 共享工具
skills/                 # 随包发布的 Agent Skills

Agent Skills

Agent Skills 提供优化的提示词，帮助 AI 助手更有效地使用翻译工具：

bash

# Claude Code（项目级别）
npx @damoqiongqiu/mcp-local-translate skills install --claude-code

# Claude Code（用户级别）
npx @damoqiongqiu/mcp-local-translate skills install --claude-code --global

# Codex
npx @damoqiongqiu/mcp-local-translate skills install --codex

Skills 包括：

语言代码使用：FLORES-200、ISO 639-1、中文别名的映射规则
长文本翻译：自动分块策略和结果解读
国内网络配置：镜像设置和代理配置

贡献

欢迎贡献！参见 CONTRIBUTING.md 了解环境搭建和指南。

许可证

MIT License。免费用于个人和商业用途。

致谢

架构模式参考 mcp-local-rag by Shinsuke Kagawa。使用 Model Context Protocol by Anthropic 和 Transformers.js 构建。翻译模型：NLLB-200 by Meta AI。

Install

Configuration

Environment variables

HF_ENDPOINT

HuggingFace endpoint override for downloading models (e.g. https://hf-mirror.com for China).

HF_AUTO_MIRROR

Auto-detect HuggingFace mirror for China. Set to '0' or 'false' to disable.

CACHE_DIR

Directory where Transformers.js models are cached (defaults to ./models/).

TRANSLATE_DEVICE

Execution device: 'cpu' (default) or 'webgpu' for GPU acceleration.

HTTPS_PROXY

Proxy URL for model downloads. Also supports HTTP_PROXY and lowercase variants.

Add to VS Code Add to Cursor

claude_desktop_config.json

json

{
  "mcpServers": {
    "mcp-local-translate": {
      "command": "npx",
      "args": [
        "-y",
        "@damoqiongqiu/mcp-local-translate@0.1.8"
      ],
      "env": {
        "HF_ENDPOINT": "<YOUR_HF_ENDPOINT>",
        "HF_AUTO_MIRROR": "<YOUR_HF_AUTO_MIRROR>",
        "CACHE_DIR": "<YOUR_CACHE_DIR>",
        "TRANSLATE_DEVICE": "<YOUR_TRANSLATE_DEVICE>",
        "HTTPS_PROXY": "<YOUR_HTTPS_PROXY>"
      }
    }
  }
}