机器翻译（Qwen-MT）

Qwen-MT 是基于 Qwen3 微调的机器翻译模型，支持 92 种语言。它提供术语干预、领域提示和翻译记忆功能，帮助提升翻译质量。

工作原理

提供待翻译文本：messages 数组中只能包含一条消息，role 设为 user，content 为待翻译的文本。
设置语言：在 translation_options 参数中设置源语言（source_lang）和目标语言（target_lang）。支持的语言列表见支持的语言。如需自动检测源语言，将 source_lang 设为 auto。

指定源语言可以提高翻译准确性。您也可以通过自定义提示词设置语言。

OpenAI 兼容
DashScope

# 导入依赖并创建客户端...
completion = client.chat.completions.create(
  model="qwen-mt-flash",    # 选择模型
  # messages 参数只能包含一条 role 为 user 的消息，content 为待翻译文本。
  messages=[{"role": "user", "content": "No me reí después de ver este video"}],
  # translation_options 不是标准 OpenAI 参数，需通过 extra_body 传递。
  extra_body={"translation_options": {"source_lang": "auto", "target_lang": "English"}},
)

# 导入依赖...
response = dashscope.Generation.call(
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  model="qwen-mt-flash",  # 选择模型
  messages=[{"role": "user", "content": "No me reí después de ver este video"}],  # messages：role 为 user，content 为待翻译文本。
  translation_options={"source_lang": "auto", "target_lang": "English"},  # 配置翻译选项
  result_format="message"
)

使用限制

仅支持单轮翻译：该模型专为翻译任务设计，不支持多轮对话。
不支持系统消息：不能通过 system 角色的消息设置全局行为，请在 translation_options 参数中定义翻译配置。

模型选择

通用场景首选qwen-mt-flash，在翻译质量、速度和成本之间取得最佳平衡，支持增量流式输出。
最高翻译质量（专业文献、正式文书）选qwen-mt-plus。
最低延迟（实时聊天等简单场景）选qwen-mt-lite。

模型	适用场景	质量	速度	成本	支持语言数	支持增量流式输出
qwen-mt-plus	翻译质量要求高的场景，如专业领域、正式文档、学术论文、技术报告	最佳	标准	高	92	不支持
qwen-mt-flash	通用首选。适用于网站/应用内容、产品描述、日常沟通、博客文章等场景	良好	快	低	92	支持
qwen-mt-turbo	该模型将不再更新，请使用 flash 替代。	一般	快	低	92	不支持
qwen-mt-lite	简单、对延迟敏感的场景，如实时聊天、直播弹幕翻译	基础	最快	最低	31	支持

模型详情、定价和限流，请参见模型市场。

快速开始

获取 API Key 并将其设置为环境变量。如需使用 SDK，请先安装 SDK。

OpenAI 兼容
DashScope

请求示例

import os
from openai import OpenAI

client = OpenAI(
  # 若未配置环境变量，请将下行替换为您的 API Key：api_key="sk-xxx",
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
messages = [
  {
    "role": "user",
    "content": "No me reí después de ver este video"
  }
]
translation_options = {
  "source_lang": "auto",
  "target_lang": "English"
}

completion = client.chat.completions.create(
  model="qwen-mt-plus",
  messages=messages,
  extra_body={
    "translation_options": translation_options
  }
)
print(completion.choices[0].message.content)

响应示例

I didn't laugh after watching this video.

请求示例

DashScope Java SDK 版本需为 2.20.6 或更高。

import os
import dashscope

dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'
messages = [
  {
    "role": "user",
    "content": "No me reí después de ver este video"
  }
]
translation_options = {
  "source_lang": "auto",
  "target_lang": "English",
}
response = dashscope.Generation.call(
  # 若未配置环境变量，请将下行替换为您的 API Key：api_key="sk-xxx",
  api_key=os.getenv('DASHSCOPE_API_KEY'),
  model="qwen-mt-turbo",  # 本示例使用 qwen-mt-turbo，您可根据需要替换为其他模型。
  messages=messages,
  result_format='message',
  translation_options=translation_options
)
print(response.output.choices[0].message.content)

响应示例

I didn't laugh after watching this video.

流式输出

流式输出的通用概念（SSE 协议、如何启用流式、计费和 Token 用量），请参见流式输出。本节仅介绍机器翻译特有的流式行为。

在翻译调用中添加 stream: true 即可启用流式输出。与标准流式输出的唯一区别是需要包含 translation_options：

completion = client.chat.completions.create(
  model="qwen-mt-flash",
  messages=[{"role": "user", "content": "No me reí después de ver este video"}],
  stream=True,
  stream_options={"include_usage": True},
  extra_body={"translation_options": {"source_lang": "auto", "target_lang": "English"}},
)
for chunk in completion:
  if chunk.choices:
    print(chunk.choices[0].delta.content or "", end="", flush=True)

模型差异：

模型	增量流式输出
qwen-mt-flash, qwen-mt-lite	支持 — 每个 chunk 仅包含新生成的内容
qwen-mt-plus, qwen-mt-turbo	不支持 — 每个 chunk 包含截至目前生成的全部内容

DashScope 接口中，在支持的模型上设置 incremental_output=True 可启用增量流式输出。

提升翻译质量

在专业翻译任务中，可能遇到以下问题：

术语不一致：产品名称或行业术语翻译不正确。
风格不匹配：译文风格不符合特定领域（如法律、营销）的要求。

您可以通过术语干预、翻译记忆和领域提示来解决这些问题。

术语干预

当文本包含品牌名称、产品名称或技术术语时，为确保翻译的准确性和一致性，您可以在 terms 字段中提供术语表，指定模型使用您定义的翻译。按以下步骤定义和传递术语：

定义术语

创建一个 JSON 数组并赋值给 terms 字段。数组中每个对象表示一个术语，格式如下：

{
  "source": "原文术语",
  "target": "预设译文"
}

传递术语

通过 translation_options 参数传递定义的 terms 数组。

OpenAI 兼容
DashScope

请求示例

import os
from openai import OpenAI

client = OpenAI(
  # 若未配置环境变量，请将下行替换为您的 API Key：api_key="sk-xxx",
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
messages = [
  {
    "role": "user",
    "content": "Este conjunto de biosensores utiliza grafeno, un material novedoso. Su objetivo son los elementos químicos. Su agudo «sentido del olfato» le permite reflejar el estado de salud del cuerpo de forma más profunda y precisa."
  }
]

# --- 第一次请求：不使用 terms 参数 ---
print("--- [不使用术语干预的翻译结果] ---")
translation_options_without_terms = {
  "source_lang": "auto",
  "target_lang": "English"
}

completion_without_terms = client.chat.completions.create(
  model="qwen-mt-turbo",
  messages=messages,
  extra_body={
    "translation_options": translation_options_without_terms
  }
)
print(completion_without_terms.choices[0].message.content)

print("\n" + "="*50 + "\n") # 对比分隔线

# --- 第二次请求：使用 terms 参数 ---
print("--- [使用术语干预的翻译结果] ---")
translation_options_with_terms = {
  "source_lang": "auto",
  "target_lang": "English",
  "terms": [
    {
      "source": "biosensor",
      "target": "biological sensor"
    },
    {
      "source": "estado de salud del cuerpo",
      "target": "health status of the body"
    }
  ]
}

completion_with_terms = client.chat.completions.create(
  model="qwen-mt-turbo",
  messages=messages,
  extra_body={
    "translation_options": translation_options_with_terms
  }
)
print(completion_with_terms.choices[0].message.content)

响应示例添加术语后，翻译结果与您传入的术语一致："biological sensor" 和 "health status of the body"。

安装 SDK

错误信息

查询会话

鉴权

路径参数

响应

机器翻译（Qwen-MT）

工作原理

模型选择

快速开始

流式输出

提升翻译质量

术语干预

鉴权

路径参数

响应

​工作原理

​模型选择

​快速开始

​流式输出

​提升翻译质量

​术语干预

工作原理

模型选择

快速开始

流式输出

提升翻译质量

术语干预