comic-translate

comic-translate

多语言漫画自动翻译开源项目

Comic Translate是一个开源的多语言漫画翻译项目,支持英语、韩语、日语、法语、中文等语言之间的互译。该项目利用GPT-4等大型语言模型进行翻译,并整合了文本检测、OCR识别和图像修复等技术。Comic Translate适用于全球各类漫画的翻译,不局限于日本漫画。项目特点包括高质量翻译输出、多语言支持和全面的技术集成。

Comic TranslateOCR翻译语言模型人工智能Github开源项目

漫画翻译

English | 한국어 | Français | 简体中文 | 日本語 | Português Brasileiro

<img src="https://i.imgur.com/aNuwiJb.png">

简介

目前存在许多自动漫画翻译工具。但很少有工具能够适当支持其他语言的各种类型漫画。 本项目旨在利用最先进的大型语言模型(如GPT-4)的能力,翻译来自世界各地的漫画。目前,它支持英语、韩语、日语、法语、简体中文、繁体中文、俄语、德语、荷兰语、西班牙语和意大利语之间的互译。它还可以将这些语言翻译成(但不能从这些语言翻译)土耳其语、波兰语、葡萄牙语和巴西葡萄牙语。

机器翻译的现状

对于几十种语言来说,最好的机器翻译器并不是谷歌翻译、Papago甚至DeepL,而是像GPT-4这样的最先进的大型语言模型,而且优势显著。 这一点在远距离语言对(如韩语<->英语、日语<->英语等)的翻译中尤为明显,其他翻译器在这些情况下仍然经常会出现乱码。 摘自闵石基(돌기민)的《步行练习》(보행 연습) 模型

漫画样例

使用GPT-4作为翻译器。 注意:其中一些漫画也有官方英文翻译版本

《公海的可怜人》

<img src="https://i.imgur.com/75HwK4r.jpg" width="49%"> <img src="https://i.imgur.com/3oRt5fX.jpg" width="49%">

《西游记》

<img src="https://i.imgur.com/zk7yiKe.jpg" width="49%"> <img src="https://i.imgur.com/4ycSi8j.jpg" width="49%">

《虫世界传奇》

<img src="https://i.imgur.com/cVVGVXp.jpg" width="49%"> <img src="https://i.imgur.com/SSl81sb.jpg" width="49%">

《葬送的芙莉莲》

<img src="https://i.imgur.com/ANGHVhG.png" width="49%"> <img src="https://i.imgur.com/r5YOE26.png" width="49%">

《沙之日》

<img src="https://i.imgur.com/m7PDiXN.jpg" width="49%"> <img src="https://i.imgur.com/eUwTGnn.jpg" width="49%"> 玩家(吴贤俊)

<img src="https://i.imgur.com/KGwiHJh.jpg" width="49%"> <img src="https://i.imgur.com/B8RMbRQ.jpg" width="49%">

碳与硅

<img src="https://i.imgur.com/h51XJx4.jpg" width="49%"> <img src="https://i.imgur.com/sLitjUY.jpg" width="49%">

安装

Python

安装Python(<=3.10)。在安装过程中勾选"添加python.exe到PATH"。

https://www.python.org/downloads/

克隆仓库(或下载文件夹),进入文件夹

git clone https://github.com/ogkalu2/comic-translate cd comic-translate

然后安装依赖

pip install -r requirements.txt

如果遇到任何问题,可以尝试在虚拟环境中运行。 在终端/命令提示符中打开你想安装虚拟环境的目录(或cd '虚拟环境文件夹的路径')。 使用以下命令创建虚拟环境:

python -m venv comic-translate-venv

现在激活虚拟环境。在Windows上:

comic-translate-venv\Scripts\activate

在Mac和Linux上:

source comic-translate-venv/bin/activate

现在你可以再次运行安装命令。使用完应用后,可以使用以下命令停用虚拟环境:

deactivate

要重新激活,在虚拟环境文件夹所在目录的终端中使用相同的命令。

如果你有NVIDIA GPU,建议运行

pip uninstall torch torchvision pip install torch==2.1.0+cu121 -f https://download.pytorch.org/whl/torch_stable.html pip install torchvision==0.16.0+cu121 -f https://download.pytorch.org/whl/torch_stable.html

注意:+cu121中的121表示CUDA版本 - 12.1。用你的CUDA版本替换121。例如,如果你运行CUDA 11.8,则用118替换。

使用方法

在comic-translate目录中,运行

python comic.py

这将启动图形界面

提示

  • 如果你有CBR文件,需要安装Winrar或7-Zip,然后将安装文件夹(例如Windows上的"C:\Program Files\WinRAR")添加到Path。如果已安装但未添加到Path,可能会出现以下错误,
raise RarCannotExec("Cannot find working tool")

在这种情况下,WindowsLinuxMac的操作说明

  • 确保选择的字体支持目标语言的字符
  • v2.0引入了手动模式。当自动模式遇到问题时(未检测到文本、OCR不正确、清理不充分等),你现在可以进行修正。只需撤销图像并切换到手动模式。
  • 在自动模式下,一旦图像被处理,它会在查看器中加载或存储以便切换时加载,这样你可以在应用中继续阅读,而其他图像正在被翻译。
  • Ctrl + 鼠标滚轮进行缩放,否则垂直滚动
  • 常用的触控板手势可用于查看图像
  • 右键、左键用于在图像之间导航

API密钥

以下选项需要访问封闭资源,因此需要API密钥:

  • GPT-4o或4o-mini用于翻译(付费,4o约0.01美元/页)
  • DeepL翻译器(免费,每月50万字符)
  • GPT-4o用于OCR(法语、俄语、德语、荷兰语、西班牙语、意大利语的默认选项)(付费,约0.02美元/页)
  • Microsoft Azure Vision用于OCR(免费,每月5000张图像)
  • Google Cloud Vision用于OCR(免费,每月1000张图像) 你可以通过进入设置 > 凭证来设置API密钥

获取API密钥

Open AI (GPT)

  • 前往OpenAI平台网站platform.openai.com,使用(或创建)OpenAI账户登录。
  • 将鼠标悬停在页面右侧任务栏上,选择"API密钥"。
  • 点击"创建新的密钥"生成新的API密钥。复制并保存它。

Google Cloud Vision

  • 登录/创建Google Cloud账户。进入云资源管理器,点击"创建项目"。设置您的项目名称。
  • 在此选择您的项目,然后选择"账单",再点击"创建账户"。在弹出窗口中,"启用账单账户",并接受免费试用账户的优惠。您的"账户类型"应为个人。填写有效的信用卡信息。
  • 在此为您的项目启用Google Cloud Vision。
  • Google Cloud凭证页面,点击"创建凭证",然后选择API密钥。复制并保存它。

工作原理

对话气泡检测和文本分割

speech-bubble-detectortext-segmenter。两个yolov8m模型分别在8000和3000张漫画图像(漫画、网络漫画、西方漫画)上进行训练。

<img src="https://i.imgur.com/TlzVH3j.jpg" width="49%"> <img src="https://i.imgur.com/h18XrYT.jpg" width="49%">

OCR

默认情况下:

  • 英语使用EasyOCR
  • 日语使用manga-ocr
  • 韩语使用Pororo
  • 中文使用PaddleOCR
  • 法语、俄语、德语、荷兰语、西班牙语和意大利语使用GPT-4o。付费服务,需要API密钥。

可选项:

这些可用于任何支持的语言。需要API密钥。

图像修复

使用Manga/Anime微调lama检查点来移除由分割器检测到的文本。实现参考lama-cleaner

<img src="https://i.imgur.com/cVVGVXp.jpg" width="49%"> <img src="https://i.imgur.com/bLkPyqG.jpg" width="49%">

翻译

目前支持使用GPT-4o、GPT-4o mini、DeepL、Claude-3-Opus、Claude-3.5-Sonnet、Claude-3-Haiku、Gemini-1.5-Flash、Gemini-1.5-Pro、Yandex、Google Translate和Microsoft Translator。

所有大语言模型都会获取整个页面的文本以辅助翻译。 还可以选择提供图像本身以获取更多上下文信息。

文本渲染

使用PIL在从气泡和文本获得的边界框中渲染换行文本。

致谢

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多